CN112070076B - 文本段落结构还原方法、装置、设备及计算机存储介质 - Google Patents
文本段落结构还原方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN112070076B CN112070076B CN202011264865.0A CN202011264865A CN112070076B CN 112070076 B CN112070076 B CN 112070076B CN 202011264865 A CN202011264865 A CN 202011264865A CN 112070076 B CN112070076 B CN 112070076B
- Authority
- CN
- China
- Prior art keywords
- text
- label
- paragraph
- boxes
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/412—Layout analysis of documents structured with printed lines or input boxes, e.g. business forms or tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Character Input (AREA)
Abstract
本发明涉及图像处理技术领域,公开了一种文本段落结构还原方法、装置、设备及计算机存储介质,该方法包括:对目标图片进行识别,基于所述识别的识别结果确定所述目标图片中所有文本框和各所述文本框的文本框位置;根据各所述文本框位置对各所述文本框进行排序,并基于所述排序的排序结果将各所述文本框的文本特征输入至预设的深度学习模型进行训练;基于所述训练的训练结果对各所述文本框进行合并处理,以获取所述目标图片对应的所有文本段落。本发明提高了文本段落结构还原的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种文本段落结构还原方法、装置、设备以及计算机可读存储介质。
背景技术
在纸质文档电子化的过程中,需要将文档录入并保留原本格式,目前基于文本行的检测、识别方法无法直接得到文本段落信息。目前存在两种方法,即自上而下,也就是先进行整个页面的版面分析,分割出段落,再对段落区域中的文本行进行检测识别。这类方法在做版面分析时不能捕捉局部文字细节特征,并且只使用图片信息而没有文字内容信息,准确率不高。或自下而上,即先检测出文本行,再对文本行进行合并,得到段落。这类方法主要是通过文本框位置的相容性,使用一定的规则或启发式算法,对文本框合并得到段落,需要手工提取大量特征,并且难以参考文字内容信息,因此准确率也不高。
发明内容
本发明的主要目的在于提供一种文本段落结构还原方法、装置、设备及计算机存储介质,旨在解决如何提高文本段落结构还原的准确性的技术问题。
为实现上述目的,本发明提供一种文本段落结构还原方法,所述文本段落结构还原方法包括:
对目标图片进行识别,基于所述识别的识别结果确定所述目标图片中所有文本框和各所述文本框的文本框位置;
根据各所述文本框位置对各所述文本框进行排序,并基于所述排序的排序结果将各所述文本框的文本特征输入至预设的深度学习模型进行训练;
基于所述训练的训练结果对各所述文本框进行合并处理,以获取所述目标图片对应的所有文本段落。
可选地,基于所述训练的训练结果对各所述文本框进行合并处理,以获取所述目标图片对应的所有文本段落的步骤,包括:
基于所述训练的训练结果确定各所述文本框对应的文本标签,遍历各所述文本标签,检测遍历的文本标签对应的遍历标签信息是否为段落;
若所述遍历标签信息是段落,则确定所述遍历的文本标签对应的文本框为所述目标图片对应的文本段落。
可选地,检测遍历的文本标签对应的遍历标签信息是否为段落的步骤之后,包括:
若否,则检测所述遍历标签信息是否为段落内容;
若所述遍历标签信息是段落内容,则确定遍历的文本标签的前一位文本标签的标签信息是否为段落起始信息;
若所述前一位文本标签的标签信息是段落起始信息,则基于所述遍历的文本标签和前一位文本标签确定所述目标图片对应的文本段落。
可选地,基于所述遍历的文本标签和前一位文本标签确定所述目标图片对应的文本段落的步骤,包括:
检测各所述文本标签中是否存在连续相邻内容标签;
若存在连续相邻内容标签,则确定所述连续相邻内容标签中是否存在遍历的文本标签;
若不存在遍历的文本标签,则将所述遍历的文本标签对应的文本框和所述前一位文本标签对应的文本框进行合并,以获取合并后的文本框,并将所述合并后的文本框作为所述目标图片对应的文本段落。
可选地,确定所述连续相邻内容标签中是否存在遍历的文本标签的步骤之后,包括:
若存在遍历的文本标签,则将具有遍历的文本标签的连续相邻内容标签对应的所有文本框和所述前一位文本标签对应的文本框进行合并,以获取合并文本框,并将合并文本框作为所述图片对应的文本段落。
可选地,基于所述排序的排序结果将各所述文本框的文本特征输入至预设的深度学习模型进行训练的步骤,包括:
依次提取各所述文本框的文本特征,根据所述排序的排序结果将各所述文本特征融合为序列特征,并将所述序列特征输入至预设的深度学习模型进行训练。
可选地,依次提取各所述文本框的文本特征的步骤,包括:
依次遍历各所述文本框,并提取遍历的文本框的位置特征,语言特征和图像特征,将所述位置特征,语言特征和图像特征作为所述遍历的文本框的文本特征。
此外,为实现上述目的,本发明还提供一种文本段落结构还原装置,所述文本段落结构还原装置包括:
确定模块,用于对目标图片进行识别,基于所述识别的识别结果确定所述目标图片中所有文本框和各所述文本框的文本框位置;
输入模块,用于根据各所述文本框位置对各所述文本框进行排序,并基于所述排序的排序结果将各所述文本框的文本特征输入至预设的深度学习模型进行训练;
获取模块,用于基于所述训练的训练结果对各所述文本框进行合并处理,以获取所述目标图片对应的所有文本段落。
此外,为实现上述目的,本发明还提供一种文本段落结构还原设备;
所述文本段落结构还原设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中:
所述计算机程序被所述处理器执行时实现如上所述的文本段落结构还原方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质;
所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的文本段落结构还原方法的步骤。
本发明通过对目标图片进行识别,基于所述识别的识别结果确定所述目标图片中所有文本框和各所述文本框的文本框位置;根据各所述文本框位置对各所述文本框进行排序,并基于所述排序的排序结果将各所述文本框的文本特征输入至预设的深度学习模型进行训练;基于所述训练的训练结果对各所述文本框进行合并处理,以获取所述目标图片对应的所有文本段落。通过根据对目标图片的识别结果确定各个文本框和文本框位置,并根据各个文本框位置对各个文本框进行排序,将各个文本框的文本特征输入至预设的深度学习模型进行训练,基于训练结果对各个文本框进行合并处理,以获取文本段落,从而避免了用户手动操作,导致得到的文本段落的准确性较低的现象发生,提高了文本段落结构还原的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的文本段落结构还原设备结构示意图;
图2为本发明文本段落结构还原方法第一实施例的流程示意图;
图3为本发明文本段落结构还原装置的功能模块示意图;
图4为本发明文本段落结构还原方法的文本框排序示意图。
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的文本段落结构还原设备结构示意图。
如图1所示,该文本段落结构还原设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,文本段落结构还原设备还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度。当然,文本段落结构还原设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的文本段落结构还原设备结构并不构成对文本段落结构还原设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及文本段落结构还原程序。
在图1所示的文本段落结构还原设备中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的文本段落结构还原程序,并执行本发明实施例提供的文本段落结构还原方法。
参照图2,本发明提供一种文本段落结构还原方法,在文本段落结构还原方法一实施例中,文本段落结构还原方法包括以下步骤:
步骤S10,对目标图片进行识别,基于所述识别的识别结果确定所述目标图片中所有文本框和各所述文本框的文本框位置;
在本实施例中,当需要对目标图片中的文本段落进行还原时,可以将对目标图片检测识别得到的文本行信息(即文本框),并转换为序列特征输入至预设的深度学习模型中,通过深度学习模型进行序列标注,从而得到每个文本框的类别,根据各个类别分别进行合并,得到具体的文本段落。
因此在本实施例中可以先对目标图片进行识别,而识别的方式可以是通过文本识别技术,如OCR(Optical Character Recognition,光学字符识别)技术来对目标图片进行识别,以确定目标图片中是否存在文本内容,若存在文本内容,且文本内容分布在不同的位置,则可以根据OCR识别的识别结果来获取目标图片中的各个文本框位置(如x1,y1,x2,y2)和文字内容信息,还可以是采用其它文本识别模型进行。并且当通过文本识别技术对目标图片进行识别获取到文本框和文本框的文本框位置后,则检测文本框是否有且只有一个,若是,则可以直接将该文本框作为目标图片中的文本段落,其文本框位置也就是文本段落的位置。但是若检测到的文本框存在多个,则需要根据对各个文本框及其对应的文本框位置来确定目标图片中的文本段落。
步骤S20,根据各所述文本框位置对各所述文本框进行排序,并基于所述排序的排序结果将各所述文本框的文本特征输入至预设的深度学习模型进行训练;
当获取到各个文本框和各个文本框的文本框位置后,可以根据各个文本框位置对各个文本框进行编号,而编号的顺序可以根据用户的需求自行进行设置,如可以设置从目标图片的上方开始进行编号,直至每个文本框都具有各自的编号,并根据各个编号对各个文本框件排序,得到排序后的各个文本框。例如,如图4所示,可以对各个文本框按照文本框的文本框位置,从上到下,从左到右依次进行编号排序,如1-12。
当完成各个文本框的排序,得到排序的排序结果后,可以依次获取各个文本框的文本特征,如位置特征,语言特征和图像特征等。其中,位置特征可以是文本框的顶点坐标,中心点,文本框的宽和高等特征。语言特征可以是文本框中文本的语言模型特征,例如:文本的词向量,句向量,文本ngram(n元模型)得分等。图像特征可以是使用卷积神经网络对图像中的文本区域进行特征提取后的特征等。并将获取到的文本特征作为序列特征输入到提前设置训练好的深度学习模型中进行训练,以获取训练结果。
而对深度学习模型的训练过程可以是先收集大量文档图片,并使用OCR系统进行文字的检测识别,得到文档图片中各个文本框的三类特征,即位置特征,语言特征和图像特征。并且还会人工对文档图片中各个文本框的三类特征进行标注,即标注文档图片中各个文本框属于文本段落的哪一部分,确定文档图片中各个文本框的人工标注结果。再将各个文本框的三类特征输入到深度学习模型中进行训练,得到模型输出结果,即文档图片中各个文本框的标签(即具有文本段落信息的标签),并依次遍历文档图片中各个文本框的标签,将遍历的文档图片中文本框的标签和与其对应的人工标注结果进行比对,若存在差异,则需要对深度学习模型进行优化,如使用梯度下降法优化深度学习模型,直至优化完成,得到训练好的深度学习模型,即预设的深度学习模型。其中,深度学习模型可以为各种序列模型,如循环神经网络模型,卷积神经网络模型等。
步骤S30,基于所述训练的训练结果对各所述文本框进行合并处理,以获取所述目标图片对应的所有文本段落。
当获取到训练结果后,可以得到各个文本框的标签,如BIO标签,并各个文本框对应的标签进行合并操作,以得到目标图片对应的所有文本段落。而合并操作可以是根据不同的B IO标签进行。例如,若文本框的标签是O标签,则可以确定该文本框自成一个段落,其文本框位置即文本段落范围。若文本框的标签是B标签,则可以确定该文本段落的覆盖范围是从B标签所在文本框开始的,直至序列中最后一个连续的I标签结束,此时该文本段落的段落范围可以是B标签和此连续的I标签对应的所有文本框的文本框位置。而目标图片中的所有文本段落范围则可以根据各个BIO标签来确定。
也就是当获取到深度学习模型的训练结果后,可以根据此训练结果来确定各个文本框对应的文本标签,如B标签,I标签和O标签等。然后再遍历各个文本框对应的文本标签,并需要检测遍历的文本标签对应的标签信息,即遍历标签信息。再确定该遍历标签信息是否为段落,以便根据确定结果来判断遍历的文本标签对应的文本框是否为一个文本段落,如O标签对应的标签信息。当经过判断发现遍历标签信息是段落,则可以确定遍历标签信息对应的文本框文目标图片对应的文本段落。
但是若遍历标签信息不是段落,则还需要检查遍历标签信息是否为段落内容,如I标签对应的标签信息。当经过判断发现遍历标签信息是段落内容时,则需要确定遍历的文本标签的前一位标签的标签信息是否为段落起始信息,如B标签对应的标签信息,若是,则可以直接根据遍历的文本标签对应的文本框和前一位文本标签对应的文本框来确定目标图片的文本段落。而且在确定文本段落时,还需要检测在各个文本框中是否存在连续相邻内容标签,即确定是否存在连续相邻的内容标签,如连续相邻的I标签。若存在连续相邻内容标签,则还需要判断连续相邻内容标签中是否存在本次遍历的文本标签,若不存在遍历的文本标签,则可以直接将遍历的文本标签对应的文本框和前一位文本标签对应的文本框进行合并处理,并将合并后的文本框作为目标图片对应的文本段落。
但是若存在遍历的文本标签,则需要确定具有遍历的文本标签的所有相邻文本标签,并将具有遍历的文本标签的连续相邻内容标签对应的所有文本框进行合并处理。例如若遍历的文本标签是I4,连续相邻的文本标签是I1-I5,则连续相邻的文本标签中包含有遍历的文本标签I4,此时就可以将连续相邻的所有文本标签对应的文本框进行合并,即将I1,I2,I3,I4和I5对应的文本框进行合并,得到合并后的文本框,再将其与前一位文本标签对应的文本框进行合并,即和B标签对应的文本框进行合并处理,得到合并文本框,此时就可以直接将合并文本框作为图片对应的文本段落。
并且在本实施例中,通过对目标图片进行检测,确定各个文本框及各个文本框的文本特征,根据各个文本特征形成序列特征输入至深度学习模型中进行训练预测,能够避免手工设计规则,支持各种复杂结构,并取得较高的准确率。并且可以将文本结果中分散的文本行信息转化为文本段落,提高文档录入和纸质文本电子化的效率,更好地推动各行业信息化和数字化的发展。
在本实施例中,通过对目标图片进行识别,基于所述识别的识别结果确定所述目标图片中所有文本框和各所述文本框的文本框位置;根据各所述文本框位置对各所述文本框进行排序,并基于所述排序的排序结果将各所述文本框的文本特征输入至预设的深度学习模型进行训练;基于所述训练的训练结果对各所述文本框进行合并处理,以获取所述目标图片对应的所有文本段落。通过根据对目标图片的识别结果确定各个文本框和文本框位置,并根据各个文本框位置对各个文本框进行排序,将各个文本框的文本特征输入至预设的深度学习模型进行训练,基于训练结果对各个文本框进行合并处理,以获取文本段落,从而避免了用户手动操作,导致得到的文本段落的准确性较低的现象发生,提高了文本段落结构还原的准确性。
进一步地,在本发明第一实施例的基础上,提出了本发明文本段落结构还原方法的第二实施例,本实施例是本发明第一实施例的步骤S10,基于所述训练的训练结果对各所述文本框进行合并处理,以获取所述目标图片对应的所有文本段落的步骤,包括:
步骤a,基于所述训练的训练结果确定各所述文本框对应的文本标签,遍历各所述文本标签,检测遍历的文本标签对应的遍历标签信息是否为段落;
在本实施例中,当获取到深度学习模型的训练结果后,可以根据此训练结果来确定各个文本框对应的文本标签,如B标签,I标签和O标签等。然后再遍历各个文本框对应的文本标签,并需要检测遍历的文本标签对应的标签信息,即遍历标签信息。再确定该遍历标签信息是否为段落,以便根据确定结果来判断遍历的文本标签对应的文本框是否为一个文本段落,如O标签对应的标签信息。
步骤b,若所述遍历标签信息是段落,则确定所述遍历的文本标签对应的文本框为所述目标图片对应的文本段落。
当经过判断发现遍历标签信息是段落,则可以确定遍历标签信息对应的文本框文目标图片对应的文本段落。并且在本实施例中,可以对所有的标签信息均采用相同的方式进行检测,直至确定所有的文本段落。
在本实施例中,通过根据训练结果确定各个文本框对应的文本标签,并遍历各个文本标签,在遍历的文本标签的遍历标签信息是段落时,将遍历的文本标签对应的文本框作为目标图片对应的文本段落,从而保障了获取的文本段落的准确性。
进一步地,检测遍历的文本标签对应的遍历标签信息是否为段落的步骤之后,包括:
步骤c,若否,则检测所述遍历标签信息是否为段落内容;
当经过判断发现遍历标签信息不是段落,则还需要检查遍历标签信息是否为段落内容,如I标签对应的标签信息,并根据根据不同的检测结果执行不同的操作。
步骤d,若所述遍历标签信息是段落内容,则确定遍历的文本标签的前一位文本标签的标签信息是否为段落起始信息;
当经过判断发现遍历标签信息是段落内容,则还需要确定遍历的文本标签的前一位标签的标签信息是否为段落起始信息,如B标签对应的标签信息,以便确定遍历标签信息对应的文本框所在段落的起始位置,并根据不同的检测结果执行不同的操作。
步骤e,若所述前一位文本标签的标签信息是段落起始信息,则基于所述遍历的文本标签和前一位文本标签确定所述目标图片对应的文本段落。
当经过判断发现前一位文本标签的标签信息不是段落起始信息,而是段落内容,则确定所有连续相邻标签信息为段落内容的连续相邻内容文本标签,并从中确定具有遍历的文本标签的目标连续相邻内容文本标签,将目标连续相邻内容文本标签对应的所有文本框和目标连续相邻内容文本标签前一位文本标签对应的文本框进行合并处理,作为目标图片中的文本段落。
若前一位文本标签的标签信息是段落起始信息,则需要确定遍历的文本标签的下一位文本标签的标签信息是否为段落内容,若不是段落内容,则可以直接将遍历的文本标签对应的文本框和前一位文本标签对应的文本框合并在一起作为目标图片中的一个文本段落。若下一位文本标签的标签信息是段落内容,则需要继续对下一位文本标签的下一位文本标签进行相同的检测操作,直至标签信息不是段落内容,此时会将标签信息为段落内容的所有相邻的包含有遍历的文本标签的标签对应的文本框进行合并,并将其作为目标图片中的一个文本段落。
在本实施例中,通过在确定遍历标签信息是段落内容,且遍历的文本标签的前一位文本标签的标签信息是段落起始信息时,根据遍历的文本标签和前一位文本标签确定文本段落,从而保障了获取的文本段落的准确性。
具体地,基于所述遍历的文本标签和前一位文本标签确定所述目标图片对应的文本段落的步骤,包括:
步骤f,检测各所述文本标签中是否存在连续相邻内容标签;
在确定文本段落时,还需要检测在各个文本框中是否存在连续相邻内容标签,即确定是否存在连续相邻的内容标签,如连续相邻的I标签。并根据不同检测结果执行不同的操作。其中,若文本标签的标签信息是段落内容,并且和该文本标签相邻的文本标签的标签信息也是段落内容,则将该文本标签和与之相邻的文本标签都作为连续相邻内容标签。
步骤g,若存在连续相邻内容标签,则确定所述连续相邻内容标签中是否存在遍历的文本标签;
当经过判断发现存在连续相邻内容标签,且不同的连续相邻内容标签存在多个,则需要继续确定在各个连续相邻内容标签中是否存在遍历的文本标签,并根据不同的确定结果执行不同的操作。若不存在连续相邻内容标签,则直接将遍历的文本标签对应的文本框和前一位文本标签对应的文本框进行合并,并将合并结果作为目标图片的文本段落。
步骤h,若不存在遍历的文本标签,则将所述遍历的文本标签对应的文本框和所述前一位文本标签对应的文本框进行合并,以获取合并后的文本框,并将所述合并后的文本框作为所述目标图片对应的文本段落。
若不存在遍历的文本标签,则可以直接将遍历的文本标签对应的文本框和前一位文本标签对应的文本框进行合并处理,并将合并后的文本框作为目标图片对应的文本段落。
在本实例中,通过确定各个文本标签中存在连续相邻内容标签,且连续相邻内容标签中不存在遍历的文本标签时,对遍历的文本标签对应的文本框和前一位文本标签对应的文本框进行合并,将合并后的文本框作为文本段落,从而保障了获取的文本段落的准确性。
进一步地,确定所述连续相邻内容标签中是否存在遍历的文本标签的步骤之后,包括:
步骤k,若存在遍历的文本标签,则将具有遍历的文本标签的连续相邻内容标签对应的所有文本框和所述前一位文本标签对应的文本框进行合并,以获取合并文本框,并将合并文本框作为所述图片对应的文本段落。
当经过判断发现遍历的文本标签,则需要确定具有遍历的文本标签的所有相邻文本标签,并将具有遍历的文本标签的连续相邻内容标签对应的所有文本框进行合并处理。例如若遍历的文本标签是I4,连续相邻的文本标签是I1-I5,则连续相邻的文本标签中包含有遍历的文本标签I4,此时就可以将连续相邻的所有文本标签对应的文本框进行合并,即将I1,I2,I3,I4和I5对应的文本框进行合并,得到合并后的文本框,再将其与前一位文本标签对应的文本框进行合并,即和B标签对应的文本框进行合并处理,得到合并文本框,此时就可以直接将合并文本框作为图片对应的文本段落。
在本实施例中,通过在确定连续相邻内容标签中存在遍历的文本标签时,将具有遍历的文本标签的连续相邻内容标签对应的所有文本框和前一位文本标签对应的文本框进行合并,并将合并文本框作为文本段落,从而保障了获取的文本段落的准确性。
进一步地,基于所述排序的排序结果将各所述文本框的文本特征输入至预设的深度学习模型进行训练的步骤,包括:
步骤m,依次提取各所述文本框的文本特征,根据所述排序的排序结果将各所述文本特征融合为序列特征,并将所述序列特征输入至预设的深度学习模型进行训练。
在本实施例中,当获取到各个文本框,并且各个文本框进行排序后,可以依次提取各个文本框中的文本特征,如位置特征,语言特征和图像特征,并在提取到各个文本特征后,可以根据各个文本框的排序结果将各个文本特征如何为序列特征,并将序列特征作为预设的深度学习模型中的输入,输入值预设的深度学习模型中进行训练,以获取输出结果,即训练结果。
在本实施例中,通过依次提取各个文本框的文本特征,并对各个文本特征进行融合,将融合后的序列特征输入至预设的深度学习模型进行训练,从而保障了训练的有效进行。
进一步地,依次提取各所述文本框的文本特征的步骤,包括:
步骤n,依次遍历各所述文本框,并提取遍历的文本框的位置特征,语言特征和图像特征,将所述位置特征,语言特征和图像特征作为所述遍历的文本框的文本特征。
在本实施例中,提取所有文本框的文本特征时,可以依次遍历各个文本框,并提取遍历的文本框的位置特征,语言特征和图像特征,再将位置特征,语言特征和图像特征作为遍历的文本框的文本特征。也就是对所有的文本框均采用相同的提取操作。其中,位置特征可以是文本框的顶点坐标,中心点,文本框的宽和高等特征。语言特征可以是文本框中文本的语言模型特征,例如:文本的词向量,句向量,文本ngram得分等。图像特征可以是使用卷积神经网络对图像中的文本区域进行特征提取后的特征等。
在本实施例中,通过提取遍历的文本框的位置特征,语言特征和图像特征,并将其作为遍历的文本框的文本特征,从而保障了获取到的文本特征的有效性。
此外,参照图3,本发明实施例还提出一种文本段落结构还原装置,所述文本段落结构还原装置包括:
确定模块A10,用于对目标图片进行识别,基于所述识别的识别结果确定所述目标图片中所有文本框和各所述文本框的文本框位置;
输入模块A20,用于根据各所述文本框位置对各所述文本框进行排序,并基于所述排序的排序结果将各所述文本框的文本特征输入至预设的深度学习模型进行训练;
获取模块A30,用于基于所述训练的训练结果对各所述文本框进行合并处理,以获取所述目标图片对应的所有文本段落。
进一步地,所述获取模块A30,还用于:
基于所述训练的训练结果确定各所述文本框对应的文本标签,遍历各所述文本标签,检测遍历的文本标签对应的遍历标签信息是否为段落;
若所述遍历标签信息是段落,则确定所述遍历的文本标签对应的文本框为所述目标图片对应的文本段落。
进一步地,所述获取模块A30,还用于:
若否,则检测所述遍历标签信息是否为段落内容;
若所述遍历标签信息是段落内容,则确定遍历的文本标签的前一位文本标签的标签信息是否为段落起始信息;
若所述前一位文本标签的标签信息是段落起始信息,则基于所述遍历的文本标签和前一位文本标签确定所述目标图片对应的文本段落。
进一步地,所述获取模块A30,还用于:
检测各所述文本标签中是否存在连续相邻内容标签;
若存在连续相邻内容标签,则确定所述连续相邻内容标签中是否存在遍历的文本标签;
若不存在遍历的文本标签,则将所述遍历的文本标签对应的文本框和所述前一位文本标签对应的文本框进行合并,以获取合并后的文本框,并将所述合并后的文本框作为所述目标图片对应的文本段落。
进一步地,所述获取模块A30,还用于:
若存在遍历的文本标签,则将具有遍历的文本标签的连续相邻内容标签对应的所有文本框和所述前一位文本标签对应的文本框进行合并,以获取合并文本框,并将合并文本框作为所述图片对应的文本段落。
进一步地,所述输入模块A20,还用于:
依次提取各所述文本框的文本特征,根据所述排序的排序结果将各所述文本特征融合为序列特征,并将所述序列特征输入至预设的深度学习模型进行训练。
进一步地,所述输入模块A20,还用于:
依次遍历各所述文本框,并提取遍历的文本框的位置特征,语言特征和图像特征,将所述位置特征,语言特征和图像特征作为所述遍历的文本框的文本特征。
其中,文本段落结构还原装置的各个功能模块实现的步骤可参照本发明文本段落结构还原方法的各个实施例,此处不再赘述。
本发明还提供一种文本段落结构还原设备,所述文本段落结构还原设备包括:存储器、处理器及存储在所述存储器上的文本段落结构还原程序;所述处理器用于执行所述文本段落结构还原程序,以实现以下步骤:
对目标图片进行识别,基于所述识别的识别结果确定所述目标图片中所有文本框和各所述文本框的文本框位置;
根据各所述文本框位置对各所述文本框进行排序,并基于所述排序的排序结果将各所述文本框的文本特征输入至预设的深度学习模型进行训练;
基于所述训练的训练结果对各所述文本框进行合并处理,以获取所述目标图片对应的所有文本段落。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述文本段落结构还原方法各实施例的步骤。
本发明计算机可读存储介质具体实施方式与上述文本段落结构还原方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种文本段落结构还原方法,其特征在于,所述文本段落结构还原方法包括以下步骤:
对目标图片进行识别,基于所述识别的识别结果确定所述目标图片中所有文本框和各所述文本框的文本框位置;
根据各所述文本框位置对各所述文本框进行排序,并依次遍历各所述文本框,并提取遍历的文本框的位置特征,语言特征和图像特征,将所述位置特征,语言特征和图像特征作为所述遍历的文本框的文本特征,基于所述排序的排序结果将各所述文本框的文本特征作为序列特征输入至预设的深度学习模型进行训练,其中,所述文本特征包括位置特征、语言特征和图像特征,所述位置特征是所述文本框的顶点坐标,中心点,文本框的宽和高,所述语言特征是文本框中文本的语言模型特征,所述图像特征是使用卷积神经网络对所述目标图片中的文本区域进行特征提取后的特征;
基于所述训练的训练结果确定各所述文本框对应的文本标签,遍历各所述文本标签,检测遍历的文本标签对应的遍历标签信息是否为段落,其中,所述文本标签包括BIO标签,若所述文本标签是O标签,则确定所述O标签对应的文本框为所述目标图片对应的文本段落;若所述文本标签是B标签,则确定所述文本段落的覆盖范围是从所述B标签所在文本框开始,直至序列中最后一个连续的I标签结束,确定所述文本段落是B标签和连续的所有I标签对应的所有文本框;
若所述遍历标签信息是段落,则确定所述遍历的文本标签对应的文本框为所述目标图片对应的文本段落。
2.如权利要求1所述的文本段落结构还原方法,其特征在于,所述检测遍历的文本标签对应的遍历标签信息是否为段落的步骤之后,包括:
若否,则检测所述遍历标签信息是否为段落内容;
若所述遍历标签信息是段落内容,则确定遍历的文本标签的前一位文本标签的标签信息是否为段落起始信息;
若所述前一位文本标签的标签信息是段落起始信息,则基于所述遍历的文本标签和前一位文本标签确定所述目标图片对应的文本段落。
3.如权利要求2所述的文本段落结构还原方法,其特征在于,所述基于所述遍历的文本标签和前一位文本标签确定所述目标图片对应的文本段落的步骤,包括:
检测各所述文本标签中是否存在连续相邻内容标签;
若存在连续相邻内容标签,则确定所述连续相邻内容标签中是否存在遍历的文本标签;
若不存在遍历的文本标签,则将所述遍历的文本标签对应的文本框和所述前一位文本标签对应的文本框进行合并,以获取合并后的文本框,并将所述合并后的文本框作为所述目标图片对应的文本段落。
4.如权利要求3所述的文本段落结构还原方法,其特征在于,所述确定所述连续相邻内容标签中是否存在遍历的文本标签的步骤之后,包括:
若存在遍历的文本标签,则将具有遍历的文本标签的连续相邻内容标签对应的所有文本框和所述前一位文本标签对应的文本框进行合并,以获取合并文本框,并将合并文本框作为所述图片对应的文本段落。
5.一种文本段落结构还原装置,其特征在于,所述文本段落结构还原装置包括:
确定模块,用于对目标图片进行识别,基于所述识别的识别结果确定所述目标图片中所有文本框和各所述文本框的文本框位置;
输入模块,用于根据各所述文本框位置对各所述文本框进行排序,并依次遍历各所述文本框,并提取遍历的文本框的位置特征,语言特征和图像特征,将所述位置特征,语言特征和图像特征作为所述遍历的文本框的文本特征,基于所述排序的排序结果将各所述文本框的文本特征作为序列特征输入至预设的深度学习模型进行训练,其中,所述文本特征包括位置特征、语言特征和图像特征,所述位置特征是所述文本框的顶点坐标,中心点,文本框的宽和高,所述语言特征是文本框中文本的语言模型特征,所述图像特征是使用卷积神经网络对所述目标图片中的文本区域进行特征提取后的特征;
获取模块,用于基于所述训练的训练结果确定各所述文本框对应的文本标签,遍历各所述文本标签,检测遍历的文本标签对应的遍历标签信息是否为段落,其中,所述文本标签包括BIO标签,若所述文本标签是O标签,则确定所述O标签对应的文本框为所述目标图片对应的文本段落;若所述文本标签是B标签,则确定所述文本段落的覆盖范围是从所述B标签所在文本框开始,直至序列中最后一个连续的I标签结束,确定所述文本段落是B标签和连续的所有I标签对应的所有文本框;
所述获取模块,用于若所述遍历标签信息是段落,则确定所述遍历的文本标签对应的文本框为所述目标图片对应的文本段落。
6.一种文本段落结构还原设备,其特征在于,所述文本段落结构还原设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的文本段落结构还原程序,所述文本段落结构还原程序被所述处理器执行时实现如权利要求2至4中任一项所述的文本段落结构还原方法的步骤。
7.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有文本段落结构还原程序,所述文本段落结构还原程序被处理器执行时实现如权利要求1至4中任一项所述的文本段落结构还原方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011264865.0A CN112070076B (zh) | 2020-11-13 | 2020-11-13 | 文本段落结构还原方法、装置、设备及计算机存储介质 |
PCT/CN2021/124605 WO2022100376A1 (zh) | 2020-11-13 | 2021-10-19 | 文本段落结构还原方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011264865.0A CN112070076B (zh) | 2020-11-13 | 2020-11-13 | 文本段落结构还原方法、装置、设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070076A CN112070076A (zh) | 2020-12-11 |
CN112070076B true CN112070076B (zh) | 2021-04-06 |
Family
ID=73655111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011264865.0A Active CN112070076B (zh) | 2020-11-13 | 2020-11-13 | 文本段落结构还原方法、装置、设备及计算机存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112070076B (zh) |
WO (1) | WO2022100376A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070076B (zh) * | 2020-11-13 | 2021-04-06 | 深圳壹账通智能科技有限公司 | 文本段落结构还原方法、装置、设备及计算机存储介质 |
CN113221632A (zh) * | 2021-03-23 | 2021-08-06 | 奇安信科技集团股份有限公司 | 文档图片识别方法、装置以及计算机设备 |
CN113392827B (zh) * | 2021-06-22 | 2024-07-05 | 平安健康保险股份有限公司 | 一种文字识别方法、装置、设备及介质 |
CN113610075B (zh) * | 2021-07-16 | 2023-05-26 | 苏州浪潮智能科技有限公司 | 一种轻量级标签文本框检测方法、装置、终端及存储介质 |
CN113723252A (zh) * | 2021-08-23 | 2021-11-30 | 上海财联社金融科技有限公司 | 一种表格型文本图片的识别方法和系统 |
CN114170423B (zh) * | 2022-02-14 | 2022-06-28 | 成都数之联科技股份有限公司 | 一种图像文档版面识别方法、装置及其系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507112A (zh) * | 2019-01-31 | 2020-08-07 | 搜狗(杭州)智能科技有限公司 | 一种翻译方法、装置和用于翻译的装置 |
CN111639175A (zh) * | 2020-05-29 | 2020-09-08 | 电子科技大学 | 一种自监督的对话文本摘要方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140250361A1 (en) * | 2004-09-30 | 2014-09-04 | Macromedia, Inc. | Preserving document construct fidelity in converting graphic-represented documents into text-readable documents |
US10565443B2 (en) * | 2018-02-16 | 2020-02-18 | Wipro Limited | Method and system for determining structural blocks of a document |
CN108804591A (zh) * | 2018-05-28 | 2018-11-13 | 杭州依图医疗技术有限公司 | 一种病历文本的文本分类方法及装置 |
CN109697414B (zh) * | 2018-12-13 | 2021-06-18 | 北京金山数字娱乐科技有限公司 | 一种文本定位方法及装置 |
CN110532563B (zh) * | 2019-09-02 | 2023-06-20 | 苏州美能华智能科技有限公司 | 文本中关键段落的检测方法及装置 |
CN111639250B (zh) * | 2020-06-05 | 2023-05-16 | 深圳市小满科技有限公司 | 企业描述信息获取方法、装置、电子设备及存储介质 |
CN112070076B (zh) * | 2020-11-13 | 2021-04-06 | 深圳壹账通智能科技有限公司 | 文本段落结构还原方法、装置、设备及计算机存储介质 |
-
2020
- 2020-11-13 CN CN202011264865.0A patent/CN112070076B/zh active Active
-
2021
- 2021-10-19 WO PCT/CN2021/124605 patent/WO2022100376A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507112A (zh) * | 2019-01-31 | 2020-08-07 | 搜狗(杭州)智能科技有限公司 | 一种翻译方法、装置和用于翻译的装置 |
CN111639175A (zh) * | 2020-05-29 | 2020-09-08 | 电子科技大学 | 一种自监督的对话文本摘要方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2022100376A1 (zh) | 2022-05-19 |
CN112070076A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070076B (zh) | 文本段落结构还原方法、装置、设备及计算机存储介质 | |
CN110390269B (zh) | Pdf文档表格提取方法、装置、设备及计算机可读存储介质 | |
CN111476227B (zh) | 基于ocr的目标字段识别方法、装置及存储介质 | |
US10223345B2 (en) | Interactively predicting fields in a form | |
CN111428723B (zh) | 字符识别方法及装置、电子设备、存储介质 | |
US10032072B1 (en) | Text recognition and localization with deep learning | |
CN102479173B (zh) | 识别版面阅读顺序的方法及装置 | |
CN110033018B (zh) | 图形相似度判断方法、装置及计算机可读存储介质 | |
CN109993057B (zh) | 语义识别方法、装置、设备及计算机可读存储介质 | |
CN112101317B (zh) | 页面方向识别方法、装置、设备及计算机可读存储介质 | |
CN111832447B (zh) | 建筑图纸构件识别方法、电子设备及相关产品 | |
CN112434691A (zh) | 基于智能解析识别的hs编码匹配、展示方法、系统及存储介质 | |
CN110659346A (zh) | 表格提取方法、装置、终端及计算机可读存储介质 | |
CN112308069A (zh) | 一种软件界面的点击测试方法、装置、设备及存储介质 | |
CN111738252B (zh) | 图像中的文本行检测方法、装置及计算机系统 | |
CN104809099A (zh) | 文档文件生成装置及文档文件生成方法 | |
CN113469067A (zh) | 一种文档解析方法、装置、计算机设备和存储介质 | |
CN110705213A (zh) | Pdf表格提取方法、装置、终端及计算机可读存储介质 | |
CN114005126A (zh) | 表格重构方法、装置、计算机设备及可读存储介质 | |
CN113239227B (zh) | 图像数据结构化方法、装置、电子设备及计算机可读介质 | |
CN111368045A (zh) | 用户意图识别方法、装置、设备及计算机可读存储介质 | |
CN112926601A (zh) | 基于深度学习的图像识别方法、装置、设备及存储介质 | |
CN113297411B (zh) | 轮形图谱相似性的度量方法、装置、设备及存储介质 | |
CN114937270A (zh) | 古籍文字处理方法、装置及计算机可读存储介质 | |
CN111414758B (zh) | 零指代位置检测方法、装置、设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |