图像识别方法装置、设备和存储介质与流程

1.本公开涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域，可应用于ocr等场景。


背景技术：

2.文档票据等是保存信息的重要途径，其中包含了很多结构化的信息，对文档票据图像的结构化解析有助于帮助我们进行数据挖掘，分析和处理。


技术实现要素：

3.本公开提供了一种图像识别方法、装置、设备以及存储介质。
4.根据本公开的一方面，提供了一种图像识别方法，包括：
5.基于待识别图像的特征图，得到多个键实例特征和多个值实例特征；
6.将多个键实例特征和多个值实例特征进行匹配，得到多个实例特征组合；
7.对多个实例特征组合中的每个实例特征组合中的键实例特征和值实例特征进行融合，得到每个实例特征组合所对应的融合特征；
8.基于与多个实例特征组合分别对应的多个融合特征，得到待识别图像的多个键值识别结果。
9.根据本公开的另一方面，提供了一种图像识别装置，包括：
10.实例特征获取模块，用于基于待识别图像的特征图，得到多个键实例特征和多个值实例特征；
11.匹配模块，用于将多个键实例特征和多个值实例特征进行匹配，得到多个实例特征组合；
12.特征融合模块，用于对多个实例特征组合中的每个实例特征组合中的键实例特征和值实例特征进行融合，得到每个实例特征组合所对应的融合特征；
13.识别结果获取模块，用于基于与多个实例特征组合分别对应的多个融合特征，得到待识别图像的多个键值识别结果。
14.根据本公开的另一方面，提供了一种电子设备，包括：
15.至少一个处理器；以及
16.与该至少一个处理器通信连接的存储器；其中，
17.该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
18.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。
19.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
20.根据本公开的技术，将待识别图像中键实例的特征融合到值实例的特征中，可以
充分利用文档票据图像中键实例更加丰富的语义信息，有效地帮助值实例实现更好的信息解析效果，输出更加准确的图像识别结果。
21.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
22.附图用于更好地理解本方案，不构成对本公开的限定。其中：
23.图1是根据本公开一实施例的图像识别方法的流程示意图一；
24.图2是根据本公开一实施例的图像识别方法的流程示意图二；
25.图3是根据本公开一实施例的图像识别方法的流程示意图三；
26.图4是根据本公开一实施例的图像识别方法的流程示意图四；
27.图5是根据本技术一实施例的文档票据图像识别结果的具体输出流程示意图；
28.图6是根据本公开一实施例的图像识别装置示意图一；
29.图7是根据本公开一实施例的图像识别装置示意图二；
30.图8是根据本公开一实施例的图像识别装置示意图三；
31.图9是根据本公开一实施例的图像识别装置示意图四；
32.图10是用来实现本公开的实施例的图像识别方法的电子设备的框图。
具体实施方式
33.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
34.相关技术中，结构化解析的方法，针对键值结构的文档票据，可以通过对值实例进行分类，实现其和语义类别之间的关联，最终将语义类别和值实例的内容组成结构化的结果输出，实现结构化解析的过程的目的。
35.但在文档票据场景下，键值结构中，值实例的内容缺乏和语义类别之间的关系，无法实现准确地结构化解析的目的，而键实例的语义信息更加丰富，可以有效地帮助值实例实现更好的分类及解析效果。因此，本公开提出的一些实施例中，可以将键实例的特征与值实例的特征进行融合，可以有效地促进结构化解析过程。
36.图1是根据本公开一实施例的图像识别方法的流程示意图，包括：
37.s110，基于待识别图像的特征图，得到多个键实例特征和多个值实例特征；
38.s120，将多个键实例特征和多个值实例特征进行匹配，得到多个实例特征组合；
39.s130，对多个实例特征组合中的每个实例特征组合中的键实例特征和值实例特征进行融合，得到每个实例特征组合所对应的融合特征；
40.s140，基于与多个实例特征组合分别对应的多个融合特征，得到待识别图像的多个键值识别结果。
41.示例性地，在步骤s110之前，将待识别图像输入卷积神经网络模型，可以得到待识别图像的特征图，特征图中包含待识别图像的特征信息。基于特征图中的特征信息可以通
过分类和回归实现对实例区域的检测，从而得到多个键实例特征和多个值实例特征。
42.将获得的多个键实例特征和多个值实例特征匹配得到多个实例特征组合，其中每个实例特征组合中的键实例特征和值实例特征进行相加融合后实际表征了待识别图像中某个特定区域的视觉特征，也即待识别图像中局部的视觉融合特征，对获得的多个融合特征进行处理，即可输出待识别图像的多个键值识别结果，也即输出待识别图像的图像识别结果。
43.采用上述实施例的方法，将待识别图像中键实例的特征融合到值实例的特征中，可以充分利用文档票据图像中键实例更加丰富的语义信息，有效地帮助值实例实现更好的分类及解析效果，输出更加准确的图像识别结果。
44.示例性地，如图2所示，步骤s120包括：
45.s210，确定多个键实例特征中的每个键实例特征和多个值实例特征中的每个值实例特征之间的相关性；
46.s220，基于相关性对多个键实例特征和多个值实例特征进行匹配，得到多个实例特征组合。
47.示例性地，在比较多个键实例特征中的每个键实例特征和多个值实例特征中的每个值实例特征之间的相关性时，可以采用度量学习的方式，具体地，根据实例特征中所包含的空间位置信息以及每个实例特征上下文结构关系等，比较键实例特征和值实例特征的相关性，将彼此相关性最高的键值实例特征匹配，得到多个实例特征组合。
48.采用上述实施例的方法，通过比较每个键实例特征和每个值实例特征之间的相关性，对实例特征进行匹配，得到多个实例特征组合，保障了每个实例特征组合中键实例特征和值实例特征可以准确对应，利于后续输出待识别图像的识别结果。
49.示例性地，如图3所示，步骤s110包括：
50.s310，在特征图中分离出目标实例特征集合；
51.s320，对目标实例特征集合中的特征进行第一分类处理，得到多个键实例特征和多个值实例特征。
52.在一种实施方式中，将同时包含键实例特征和值实例特征的目标实例特征集合从特征图中分离后，再对目标实例特征集合进行分类，得到多个键实例特征和多个值实例特征，多个键实例特征和多个值实例特征分别组成键实例特征集合和值实例特征集合。
53.示例性地，组成键实例特征集合和值实例特征集合后，可以分别在各自的集合中进行关注注意力机制的计算，再进行后续比较每个键实例特征和每个值实例特征之间的相关性，可以减少外部信息干扰，有助于提高相关性判断的准确率。
54.采用上述实施例的方法，先将键实例特征和值实例特征作为整体从特征图中分离，再进行键实例特征和值实例特征的分类，可以减少特征图中其他特征信息对于分类工作的干扰，提高分类准确率。
55.在一种实施方式中，如图4所示，步骤s140可以包括：
56.s410，基于与多个实例特征组合中的第i个实例特征组合对应的融合特征进行第二分类处理，得到第i个实例特征组合的语义类别；i为大于等于1的整数；
57.s420，基于第i个实例特征组合的语义类别，得到待识别图像的第i个键值识别结果。
58.由于融合特征中既包含键实例特征，也包含值实例特征，只对值实例特征进行语义类别的分类，往往准确率偏低，而利用键实例特征和值实例特征融合的特征进行分类，可以充分利用键实例特征更加丰富的语义信息帮助值实例特征进行语义类别的分类，大大提高了分类的准确率。
59.在一种实施方式中，步骤s420包括：
60.将第i个实例特征组合的语义类别以及第i个实例特征组合的文本识别结果进行组合，得到待识别图像的第i个键值识别结果。
61.每个融合特征对应实例特征组合的文本内容即融合特征的文本内容，将每个融合特征的语义类别和文本内容组合输出，即输出了待识别图像中某特定区域的图像识别结果，将多个融合特征的语义类别和文本内容组合输出，即得到待识别图像完整的图像识别结果。
62.示例性地，文本识别结果的获取方式包括：
63.对第i个实例特征组合中的值实例特征进行文本识别，得到第i个实例特征组合的文本识别结果。
64.在获得融合特征的语义类别后，对特征组合中值实例特征进行文本识别以得到对应的融合特征的文本识别结果，在同时具备多个融合特征的语义类别和文本识别结果后，即可组合输出待识别图像的图像识别结果。
65.图5是根据本技术一实施例的文档票据图像识别结果的具体输出流程示意图，具体步骤如下：
66.s510，输入单张待识别图像到卷积神经网络模型，得到待识别图像的特征图；
67.s520，基于特征图中的特征信息通过分类和回归实现对实例区域的检测，并将把键/值的实例特征从特征图中切分出，得到多个键实例特征(例如v1、v2……vs
、v
t
)和多个值实例特征(例如k1、k2……kp
、kq)，也即得到键实例特征集合和值实例特征集合)；
68.s530，基于度量学习比较多个键实例特征中的每个键实例特征和多个值实例特征中的每个值实例特征之间的相关性，并将相关性最高的键值实例特征(图中如v-p1和k-p1即表示该键实例特征和值实例特征互为相关性最高的键值实例特征)匹配并相加融合得到多个融合特征；
69.s540，对融合特征进行分类并识别每个值实例的文本内容，组合输出文档票据图像的识别结果。
70.以上从不同角度描述了本技术实施例的具体设置和实现方式。利用上述实施例提供的方法，将键实例特征和值实例特征从待识别图像的特征图中分离并按照相关性匹配组成多个实例特征组合进而形成多个融合特征，实现键实例特征和值实例特征的融合，充分利用文档票据图像中键实例更加丰富的语义信息，有效地帮助值实例实现更好的分类及解析效果，输出更加准确的图像识别结果。
71.作为上述各方法的实现，本公开实施例还提供了一种图像识别装置。
72.图6是根据本技术一实施例的图像识别装置示意图，该装置包括：
73.实例特征获取模块610，用于基于待识别图像的特征图，得到多个键实例特征和多个值实例特征；
74.匹配模块620，用于将多个键实例特征和多个值实例特征进行匹配，得到多个实例
特征组合；
75.特征融合模块630，用于对多个实例特征组合中的每个实例特征组合中的键实例特征和值实例特征进行融合，得到每个实例特征组合所对应的融合特征；
76.识别结果获取模块640，用于基于与多个实例特征组合分别对应的多个融合特征，得到待识别图像的多个键值识别结果。
77.示例性地，如图7所示，匹配模块620包括：
78.相关性计算单元710，用于确定多个键实例特征中的每个键实例特征和多个值实例特征中的每个值实例特征之间的相关性；
79.组合获取单元720，用于基于相关性对多个键实例特征和多个值实例特征进行匹配，得到多个实例特征组合。
80.示例性地，如图8所示，实例特征获取模块610包括：
81.分离单元810，用于在特征图中分离出目标实例特征集合；
82.第一分类单元820，用于对目标实例特征集合中的特征进行第一分类处理，得到多个键实例特征和多个值实例特征。
83.示例性地，如图9所示，识别结果获取模块640包括：
84.第二分类单元910，用于基于与多个实例特征组合中的第i个实例特征组合对应的融合特征进行第二分类处理，得到第i个实例特征组合的语义类别；i为大于等于1的整数；
85.输出单元920，用于基于第i个实例特征组合的语义类别，得到待识别图像的第i个键值识别结果。
86.其中，输出单元具体用于：
87.将第i个实例特征组合的语义类别以及第i个实例特征组合的文本识别结果进行组合，得到待识别图像的第i个键值识别结果。其中，文本识别结果的获取方式，包括：
88.对第i个实例特征组合中的值实例特征进行文本识别，得到第i个实例特征组合的文本识别结果。
89.本公开实施例各装置中的各单元、模块或子模块的功能可以参见上述方法实施例中的对应描述，具备相应的有益效果，在此不再赘述
90.本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
91.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
92.图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
93.如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(rom)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(ram)1003中的计算机程序，来执行各种适当的动作和处理。在ram 1003中，还可存储设备1000操作所需的各种程序
和数据。计算单元1001、rom 1002以及ram 1003通过总线1004彼此相连。输入/输出(i/o)接口1005也连接至总线1004。
94.设备1000中的n个部件连接至i/o接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
95.计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如图像识别方法。例如，在一些实施例中，图像识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由rom1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到ram 1003并由计算单元1001执行时，可以执行上文描述的图像识别方法的一个或n个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像识别方法。
96.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者n个计算机程序中，该一个或者n个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
97.用于实施本公开的方法的程序代码可以采用一个或n个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
98.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或n个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
99.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视
器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
100.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
101.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
102.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
103.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。