[发明专利]一种基于图像的文本识别方法、系统和介质

说明书

本发明提供一种基于图像的文本识别方法、系统和介质。其中方法包括：步骤S1、识别图像中的文本，以获得第一文本集；步骤S2、对第一文本集中的文本进行预处理，以获得第二文本集，其中预处理包括屏蔽词处理和分词处理；步骤S3、对第二文本集中的文本建立索引，索引为key‑value形式的键值对，其中key表示索引关键词，value表示索引关键词在第二文本集中的文本位置；步骤S4、从预先训练好的模型中获取语料关键词库，计算索引关键词与语料关键词库中的预料关键词的相似度，其中语料关键词库由模型预先训练语料库获得；以及步骤S5、基于相似度确定图像中的关键元素，作为图像的检索要素。

技术领域

本发明涉及图像识别领域，尤其是涉及一种基于图像的文本识别方法、系统和介质。

背景技术

从自然场景图像中识别出的文本内容往往是杂乱无序的，为了能够将识别出的文本内容作为图像关键元素进行检索，需要对图像中的文本内容进行分析，找出与检索词相似的文本元素。对于文本元素的检索，目前已有的方法是根据关键词库对检索对象进行匹配：首先将待检索文本进行图像分割提取关键词；然后对关键词进行遍历检索，如果关键词库中的关键词与待检文本的关键词相同，即认为该图像中包含此文本元素(图像关键元素)。这种方法只能对给定关键词进行识别，对于和给定关键词词义相近或者语义相近的关键词，计算机无法进行精确识别。在实际应用中，基于语义的文本检索能够更加准确地捕捉用户的检索意图，返回更符合检索要求的检索结果。在当前的文本检索技术中，基于同义词库进行相关词汇检索的技术已经发展成熟，但对于一个同义词库中尚未包含且又可以作为当前文本关键元素的关键词，该方法无法做到准确检索，即在包含复杂语义的文本中，该方法的识别精准度较低。

发明内容

考虑到上述问题，本发明设计了一种基于图像的文本识别方案，以解决上述技术问题。该方案能够计算不同语义环境中待检文本与输入关键词之间的关联度，结合上下文语境给出检索关键词与待检图像关键元素的匹配结果，以配合基于内容的图像检索方法，提高图像搜索效率。

在第一方面，提供了一种基于图像的文本识别方法，所述所述方法包括：步骤S1、识别所述图像中的文本，以获得第一文本集；步骤S2、对所述第一文本集中的文本进行预处理，以获得第二文本集，其中所述预处理包括屏蔽词处理和分词处理；步骤S3、对所述第二文本集中的文本建立索引，所述索引为key-value形式的键值对，其中key表示索引关键词，value表示所述索引关键词在所述第二文本集中的文本位置；步骤S4、从预先训练好的模型中获取语料关键词库，计算所述索引关键词与所述语料关键词库中的预料关键词的相似度，其中所述语料关键词库由所述模型预先训练语料库获得；以及步骤S5、基于所述相似度确定所述图像中的关键元素，作为所述图像的检索要素。

具体地，所述屏蔽词处理为利用屏蔽词库过滤所述第一文本集。

具体地，所述分词处理包括：基于Trie树加在文本字典，对经过所述屏蔽词处理的第一文本集进行切分，以生成第一切分词和对应的第一切分位置；对于所述第一文本集中未包含在所述文本字典中的文本，利用马尔科夫模型和Viterbi算法计算最优状态序列，以获得第二切分词和对应的第二切分位置；以及整合所述第一切分词、第二切分词、第一切分位置、第二切分位置作为所述第二文本集。

具体地，所述模型为Word2Vec算法中的Skip-Gram模型，所述语料关键词库中的预料关键词以词向量矩阵的形式存储在二进制文件中。