生成样本图像的方法以及文字识别模型的训练方法与流程

1.本公开涉及人工智能中的深度学习、图像处理、计算机视觉等技术领域，可应用于光学字符识别等场景，尤其涉及一种生成样本图像的方法以及文字识别模型的训练方法。


背景技术：

2.目前，文本识别常用于识别图像中的文本内容，例如，文本识别可以用于机器翻译、包裹分发等业务领域。可以基于包括文字的样本图像进行模型训练，得到用于识别图像中文字的文字识别模型。
3.然而，当用于模型训练的真实的样本图像较少时，容易导致训练得到的模型不准确，因此，如何得到大量的样本图像，以将大量的样本图像可以被应用到文字识别模型的训练中，是一个急需解决的问题。


技术实现要素：

4.本公开提供了一种用于快速、准确的得到大量样本图像的生成样本图像的方法以及文字识别模型的训练方法。
5.根据本公开的第一方面，提供了一种生成样本图像的方法，包括：
6.根据初始图像，生成第一背景图像和第一文字；所述第一背景图像为所述初始图像中的所述第一文字被替换为目标图像所得到的；
7.对所述第一背景图像进行调整，生成与所述第一背景图像相似的第二背景图像；
8.对所述第一文字进行调整，生成与所述第一文字相似的第二文字；
9.根据所述第二背景图像和所述第二文字，生成第一样本图像；
10.对所述第一样本图像进行真实化处理，得到第二样本图像。
11.根据本公开的第二方面，提供了一种文字识别模型的训练方法，包括：
12.获取待训练的第二样本图像；其中，所述待训练的第二样本图像是通过对由第二背景图像和第二文字生成的第一样本图像进行真实化处理得到的；所述第二背景图像为对初始图像生成的第一背景图像进行调整，得到的与所述第一背景图像相似的图像，所述第二文字为对所述初始图像生成的第一文字进行调整，得到的与所述第一文字相似的文字；所述第一背景图像是通过将所述初始图像中的第一文字替换为目标图像所得到的；
13.将所述待训练的第二样本图像输入至初始模型，得到所述初始模型识别出的第三文字；
14.基于所述第三文字、所述第二文字以及预设损失函数，更新所述初始模型，得到文字识别模型；其中，所述文字识别模型用于识别待识别的图像中的文字。
15.根据本公开的第三方面，提供了一种文字识别方法，包括：
16.获取待识别的图像；
17.将所述待识别的图像输入至所述文字识别模型，得到所述待识别的图像中的文字的第二位置信息；其中，所述文字识别模型是基于待训练的第二样本图像训练得到的；其
中，所述待训练的第二样本图像是通过对由第二背景图像和第二文字生成的第一样本图像进行真实化处理得到的；所述第二背景图像为对初始图像生成的第一背景图像进行调整，得到的与所述第一背景图像相似的图像，所述第二文字为对所述初始图像生成的第一文字进行调整，得到的与所述第一文字相似的文字；所述第一背景图像是通过将所述初始图像中的第一文字替换为目标图像所得到的；
18.根据所述第二位置信息，确定并输出所述待识别的图像中的文字。
19.根据本公开的第四方面，提供了一种生成样本图像的装置，包括：
20.第一生成单元，用于根据初始图像，生成第一背景图像和第一文字；所述第一背景图像为所述初始图像中的所述第一文字被替换为目标图像所得到的；
21.第一调整单元，用于对所述第一背景图像进行调整，生成与所述第一背景图像相似的第二背景图像；
22.第二调整单元，用于对所述第一文字进行调整，生成与所述第一文字相似的第二文字；
23.第二生成单元，用于根据所述第二背景图像和所述第二文字，生成第一样本图像；
24.处理单元，用于对所述第一样本图像进行真实化处理，得到第二样本图像。
25.根据本公开的第五方面，提供了一种文字识别模型的训练装置，包括：
26.第一获取单元，用于获取待训练的第二样本图像；其中，所述待训练的第二样本图像是通过对由第二背景图像和第二文字生成的第一样本图像进行真实化处理得到的；所述第二背景图像为对初始图像生成的第一背景图像进行调整，得到的与所述第一背景图像相似的图像，所述第二文字为对所述初始图像生成的第一文字进行调整，得到的与所述第一文字相似的文字；所述第一背景图像是通过将所述初始图像中的第一文字替换为目标图像所得到的；
27.第二获取单元，用于将所述待训练的第二样本图像输入至初始模型，得到所述初始模型识别出的第三文字；
28.更新单元，用于基于所述第三文字、所述第二文字以及预设损失函数，更新所述初始模型，得到文字识别模型；其中，所述文字识别模型用于识别待识别的图像中的文字。
29.根据本公开的第六方面，提供了一种文字识别装置，包括：
30.第三获取单元，用于获取待识别的图像；
31.第四获取单元，用于将所述待识别的图像输入至所述文字识别模型，得到所述待识别的图像中的文字的第二位置信息；其中，所述文字识别模型是基于待训练的第二样本图像训练得到的；其中，所述待训练的第二样本图像是通过对由第二背景图像和第二文字生成的第一样本图像进行真实化处理得到的；所述第二背景图像为对初始图像生成的第一背景图像进行调整，得到的与所述第一背景图像相似的图像，所述第二文字为对所述初始图像生成的第一文字进行调整，得到的与所述第一文字相似的文字；所述第一背景图像是通过将所述初始图像中的第一文字替换为目标图像所得到的；
32.确定单元，用于根据所述第二位置信息，确定并输出所述待识别的图像中的文字。
33.根据本公开的第七方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如
第一方面所述的方法；或者，以使所述至少一个处理器能够执行如第二方面所述的方法；或者，以使所述至少一个处理器能够执行如第三方面所述的方法。
34.根据本公开的第八方面，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，其中，所述计算机指令用于使所述计算机执行第一方面所述的方法；或者，所述计算机指令用于使所述计算机执行第二方面所述的方法；或者，所述计算机指令用于使所述计算机执行第三方面所述的方法。
35.根据本公开的第九方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法；或者，所述至少一个处理器执行所述计算机程序使得电子设备执行第二方面所述的方法；或者，所述至少一个处理器执行所述计算机程序使得电子设备执行第三方面所述的方法。
36.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
37.附图用于更好地理解本方案，不构成对本公开的限定。其中：
38.图1是根据本公开第一实施例的示意图；
39.图2是根据本公开第二实施例的示意图；
40.图3是根据本公开第三实施例的示意图；
41.图4是根据本公开第四实施例的示意图；
42.图5是根据本公开第五实施例的示意图；
43.图6是根据本公开第六实施例的示意图；
44.图7是根据本公开第七实施例的示意图；
45.图8是根据本公开第八实施例的示意图；
46.图9是根据本公开第九实施例的示意图；
47.图10是用来实现本公开实施例的生成样本图像的方法、文字识别模型的训练方法以及文字识别方法的电子设备的框图。
具体实施方式
48.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。
49.目前，文本识别技术可以应用于识别图像中的文本内容。举例来说，在包裹收发时，可以通过文本识别技术快速的进行收发信息录入，以及后续的包裹中转时的分发等过程。当前，在进行文本识别时，通常是采用包含文字的样本图像对模型进行训练，当达到训练要求之后，即可得到用于识别图像中的文字的文字识别模型。
50.然而，在文字识别模型的训练过程中，若用于训练的包含文字的真实样本图像的
数量较少时，则容易导致训练得到的文本识别模型不准确。
51.为了避免由于真实样本图像数量较少所导致的文本识别模型不准确的问题，一个示例中，为了增加样本图像的数量，可以通过人为挑选或者指定样本图像所包含的文字样式(例如，文字字体、文字颜色等)以及背景图像等，进而得到样本图像。
52.然而，通过上述人为挑选的方式来生成样本图像，需要依托人为经验，并且当需要生成的样本图像较多时，还需要耗费较多的人力成本。
53.一个示例中，为了生成更多的样本图像用于文字识别模型的训练，可以通过训练生成对抗网络的方式，通过训练好的生成对抗网络对真实样本图像中的文字进行文字替换。
54.然而，在生成对抗网络对真实样本图像中的文字替换时，替换过程中所替换的文字受生成对抗网络的影响，容易出现文字扭曲的现象，而导致得到的样本图像质量较差，文字识别模型训练得到的模型准确度也容易收到影响。
55.为了避免上述技术问题中的至少一种，本公开的发明人经过创造性地劳动，得到了本公开的发明构思：根据初始图像，生成初始图像的第一背景图像和第一文字；其中，初始图像为真实图像；第一背景图像为将初始图像中的第一文字替换为目标图像所得到的；之后对初始图像的第一背景图像进行调整，生成与第一背景图像相似的第二背景图像；并对初始图像的第一文字进行调整，生成与第一文字相似的第二文字；根据第二背景图像和第二文字，生成第一样本图像；再对生成的第一样本图像进行真实化处理，得到第二样本图像。
56.基于上述发明构思，本公开提供一种生成样本图像的方法以及文字识别模型的训练方法，应用于人工智能领域中的深度学习、图像处理、计算机视觉等技术领域，可应用于光学字符识别等场景，以达到生成更多用于训练文字识别模型的图像，提高训练得到的文字识别模型的准确度。
57.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
58.图1是根据本公开第一实施例的示意图。如图1所示，本公开实施例的生成样本图像的方法，包括：
59.s101、根据初始图像，生成第一背景图像和第一文字；第一背景图像为初始图像中的第一文字被替换为目标图像所得到的。
60.示例性的，本实施例的执行主体可以为生成样本图像的装置，该装置可以为服务器(如云端服务器，或者，本地服务器)，也可以为计算机，也可以为终端设备，也可以为处理器，也可以为芯片等，本实施例不做限定。
61.本步骤中的初始图像为真实图像，举例来说，真实图像可以为采用光学的方式将文件中的文字转换得到的图像。为了生成更多的样本图像，首先对初始图像进行分析，生成初始图像中的第一背景图像以及第一文字。第一文字为初始图像中所包含的文字。而，第一背景图像为初始图像中对第一文字进行去除，且在第一文字去除后的位置上填充了目标图像的图像，即第一背景图像是通过将初始图像中的第一文字替换为目标图像所得到的。其中，填充的目标图像可以为基于初始图像中未被去除文字的区域所包含的图像信息得到的。
62.本步骤中，在确定初始图像的第一背景图像和第一文字时，可以采用多种方式实现，本实施例中不做具体限制，举例来说，可以通过预先训练好的模型，来确定初始图像中的第一背景图像以及第一文字，此处，训练好的模型可以为生成对抗网络、卷积神经网络等网络模型。
63.s102、对第一背景图像进行调整，生成与第一背景图像相似的第二背景图像。
64.示例性地，在获取到初始图像的第一背景图像之后，可以对得到的第一背景图像进行调整，进而得到第二背景图像，且第二背景图像为与第一背景图像相似的图像。需要说明的是，本实施例中对生成的第二背景图像的数量不做限制，可以为多个。
65.一个示例中，在对第一背景图像进行调整时，可以对第一背景图像进行旋转、颜色调整等处理方式以得到第二背景图像，此处不做具体限制。
66.s103、对第一文字进行调整，生成与第一文字相似的第二文字。
67.例性地，在获取到初始图像的第一文字之后，可以对得到的第一文字进行调整，进而得到第二文字，且第二文字可以为与第一文字相似的文字。
68.一个示例中，在对第一文字进行调整时，可以对第一文字中所包含的多个字符的排列顺序进行调整等处理方式以得到第二文字，此处对调整方式不做具体限制。
69.s104、根据第二背景图像和第二文字，生成第一样本图像。
70.示例性地，在得到第二背景图像以及第二文字之后，可以基于第二文字以及第二背景图像信息，得到第一样本图像。
71.一个示例中，在生成样本图像时，可以在第二背景图像的图层上添加第二文字所对应的图层，之后，将两个图层合成后的图像作为第一样本图像。
72.s105、对第一样本图像进行真实化处理，得到第二样本图像。
73.示例性地，在得到第一样本图像之后，为了提高所得到的第一样本图像的真实性，本实施例中还会对第一样本图像进行真实化处理，并将真实化处理后得到的第二样本图像作为文字识别模型的训练样本图像。
74.举例来说，可以采用泊松融合的方式对第一样本图像进行调整，以增强样本图像的真实性，使得合成的第二样本图像更加自然，看起来更像真实图像。
75.本实施例中，在生成样本图像时，首先可以对初始图像进行处理，进而得到第一文字以及第一背景图像。并且，本实施例中的第一背景图像为通过将初始图像中的第一文字替换为目标图像所得到的，使得基于对第一背景图像进行调整后所得到的第二背景图像更加接近初始图像中的第一背景图像，有利于提高得到的样本图像的真实性。此外，本实施例中基于第二背景图像以及第二文字得到第一样本图像的方式，可以避免相关技术中采用生成对抗网络对初始图像进行文字替换时，若生成对抗网络训练精度不高，会导致基于生成对抗网络所产生的图像中的文字出现扭曲的现象。
76.为使读者更深刻地理解本公开的实现原理，现结合以下图2对图1所示的实施例进行进一步细化。
77.图2是根据本公开第二实施例的示意图。如图1所示，本公开实施例的生成样本图像的方法，包括：
78.s201、获取第一文字在初始图像中的第一位置信息；其中，第一位置信息表征第一文字在初始图像中的位置。第一背景图像为初始图像中的第一文字被替换为目标图像所得
到的。
79.示例性地，本实施例的执行主体可以为生成样本图像的装置，该装置可以为服务器(如云端服务器，或者，本地服务器)，也可以为计算机，也可以为终端设备，也可以为处理器，也可以为芯片等，本实施例不做限定。
80.本实施例中，在确定初始图像对应的第一背景图像以及第一文字时，首先，可以确定第一文字在初始图像中的位置，即第一位置信息。在实际应用中，一种可能的实施方式中，可以采用光学字符识别技术，确定初始图像中第一文字所对应的位置信息。
81.一个示例中，步骤s201包括以下步骤：
82.步骤s201的第一步骤：确定第一文字的多个矩形框。
83.示例性地，在确定第一文字的位置信息时，首先可以确定第一文字的多个矩形框，此处的矩形框可以为第一文字的外接矩形框，且第一文字位于其对应的矩形框所围成的区域中。在实际应用中，可以采用图像处理方法中的连通域分析的方式，确定第一文字的矩形框，此处对矩形框的确定方式不做具体限制。
84.步骤s201的第二步骤：在矩形框中确定面积最小的矩形框的矩形框位置；其中，矩形框位置为第一文字的面积最小的外接矩形框在初始图像中的位置。
85.示例性地，在确定出第一文字对应的多个矩形框时，可以确定多个矩形框各自的面积，并确定多个矩形框中面积最小的矩形框所对应的矩形框位置。其中，矩形框位置可以包括矩形框的中心点的位置以及矩形框任一顶点的位置，此处对矩形框位置所包含的信息不做具体限制。
86.步骤s201的第三步骤：根据矩形框位置确定第一位置信息。
87.示例性地，在确定出面积最小的矩形框的矩形框位置之后，可以直接将确定出的矩形框位置作为第一文字在初始图像中的第一位置信息。
88.需要说明的是，第一文字可以包括多个字符，在确定第一文字的位置信息时，可以将每一字符的所对应的面积最小的矩形框的矩形框位置作为第一文字的位置信息。
89.可以理解的是，本示例中，通过将第一文字所对应的多个矩形框中的面积最小的矩形框的矩形框位置作为第一文字的位置信息，可以提高第一文字的位置信息确定的准确性，进而提高后续生成的第二样本图像与初始图像之间的相似性，以提高训练得到的文字识别模型的准确性。
90.s202、根据第一位置信息，提取第一文字。
91.示例性地，在确定出的第一文字的第一位置信息之后，可以根据该第一位置信息确定初始图像中所包含的第一文字。
92.s203、在初始图像中去除第一文字，得到中间图像。
93.示例性地，在确定出第一文字之后，可以在初始图像中去除该第一文字，进而得到一个中间图像，即该中间图像为不包含第一文字的初始图像。一个示例中，在对初始图像中的第一文字进行去除处理时，可以将第一文字的位置信息处所对应的所有像素的像素值都调整某一固定值，进而将调整后的图像作为中间图像。
94.s204、在第一位置信息处填充目标图像，得到第一背景图像。
95.示例性地，在得到中间图像之后，还需要对中间图像中第一文字的第一位置信息所对应的像素点进行目标图像填充，进而确定出初始图像的第一背景图像。一个示例中，在
确定需要填充的目标图像时，可以将通过对第一文字的第一位置信息的相邻像素点的像素信息进行分析，进而确定需要填充的目标图像，或者直接将相邻像素点的像素信息作为需要填充的目标图像。
96.可以理解的是，通过在初始图像中确定第一文字的第一位置信息，得到第一文字。在初始图像中去除第一文字后，得到中间图像，之后对中间图像进行目标图像的填充，可以使得确定出的第一背景图像更加完整、准确，以便后续可以获取到与第一背景图像更加相似的第二背景图像，提高最终得到的第二样本图像的准确性，进而提高文字识别模型的可靠性。
97.s205、根据第一背景图像在预设的第三背景图像中确定第二背景图像，第二背景图像与第一背景图像之间的相似度大于预定相似度。
98.示例性地，在基于第一背景图像确定第二背景图像时，可以在预设的多个第三背景图像中确定第二背景图像。为了确定第二背景图像，可以将第一背景图像与第三背景图像进行相似度比对，当第一背景图像与第三背景图像之间的相似度大于预定相似度时，可以将该第三背景图像作为第二背景图像。需要说明的是，在进行相似度比对时，可以根据每一背景图像的应用场景确定，第一背景图像与第三背景图像的应用场景一致时，可以认为相似度大于预定相似度。例如，背景图像的应用场景可以为银行账单类型、证件类型、发票类型等。
99.可以理解的是，本实施例中，通过将第一背景图像与预设的第三背景图像进行相似度比对来确定第二背景图像，方法较为简单，易于实现。
100.一个示例中，步骤s205包括以下步骤：
101.步骤s205的第一步骤：提取第一背景图像的第一图像特征和第三背景图像的第二图像特征；其中，第一图像特征为基于预设特征提取模型所得到的数据特征，第二图像特征为基于预设特征提取模型所得到的数据特征；或者，第一图像特征为基于颜色直方图所得到的颜色特征，第二图像特征为基于颜色直方图所得到的颜色特征。
102.步骤s205的第二步骤：根据第一图像特征和第二图像特征，确定相似度。
103.步骤s205的第三步骤：将相似度大于预定相似度的第三背景图像，确定为第二背景图像。
104.示例性地，在对第一背景图像与第三背景图像进行相似度比对时，可以分别对第一背景图像以及第三背景图像进行特征提取，进而得到第一背景图像所对应的第一图像特征以及第三背景图像对应的第二图像特征。
105.其中，第一图像特征可以为基于预设特征提取模型所得到的数据特征，第二图像特征为基于预设特征提取模型所得到的数据特征；或者，第一图像特征为基于颜色直方图所得到的颜色特征，第二图像特征为基于颜色直方图所得到的颜色特征。
106.示例性地，在对第一背景图像以及第三背景图像进行特征提取时，可以基于预设的特征提取模型进行特征提取，进而基于预设特征提取模型得到的数据特征作为第一背景图像的第一图像特征以及第二背景图像的第二图像特征。可以理解的是，当基于预设特征提取模型对第一背景图像和第三背景图像进行特征提取时，可以提取出更多的图像细节，以便确定出更加相似的第二背景图像。
107.或者，可以将第一背景图像基于颜色直方图得到的颜色特征作为第一背景图像的
第一图像特征，将第二背景图像基于颜色直方图的方式所得到的颜色特征作为第二背景图像的第二图像特征。可以理解的是，通过颜色直方图的方式确定图像特征的实现方式易于实现，可以提高图像特征提取效率，降低特征提取时间。
108.之后，通过确定第一图像特征与第二图像特征之间的相似度，并将相似度大于预定相似度的第三背景图像作为第二背景图像。需要说明的是，在一些实施例中，第三背景图像所对应的第二图像特征可以为预先提取并存储下来的。
109.可以理解的是，本实施例中在预设的第三背景图像中确定与第一背景图像相似的第二背景图像，可以通过比对第一背景图像的第一图像特征与第三背景图像的第二图像特征的相似度，进而避免了将第一背景图像中的每一像素点与第三背景图像中的每一像素点均进行相似度匹配复杂过程，提高相似度比对效率。
110.s206、对第一背景图像进行图像增强处理，生成第二背景图像。
111.示例性地，在基于第一背景图像确定第二背景图像时，除了可以通过在第三背景图像中确定相似度大于预定相似度的图像，还可以基于图像增强处理的方式对第一背景图像进行调整，进而得到第二背景图像。在进行图像增强处理时，可以通过剪切、旋转、反射、翻转变换、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动、颜色变换等一种或多种组合数据增强处理的方式来生成第二背景图像。需要说明的是，本实施例中的步骤s206以及步骤s202-s205为获取第二背景图像的两种实现方式，可以同时使用，也可以任选其中一种使用。
112.可以理解的是，通过本实施例中的图像增强处理的方式对第一背景图像进行调整以得到第二背景图像的方式易于实现，可以减少获取第二背景图像的用时，提高样本图像的获取效率。
113.s207、调整第一文字的文字颜色和文字字体，生成第二文字。
114.示例性地，本实施例中，在生成与第一文字相似的第二文字时，可以通过调整第一文字的文字颜色以及文字字体，例如，通过识别第一文字的文字颜色，选择与第一文字的文字颜色相似的一个或者多个颜色，之后，将第一文字的文字颜色调整为选择出得到的颜色，进而可以得到与第一文字相似的第二文字。此外，在调整第一文字的文字颜色时，同时也可以调节第一文字的文字字体，即将第一文字的文字字体调整为与第一文字的文字字体相似的字体，进而得到与第一文字相似的第二文字。
115.可以理解的是，本实施例中通过对确定初始图像的第一文字的文字字体以及文字颜色进行调整，进而生成第二文字，使得生成的第二文字与初始图像的第一文字之间具有较高的相似度，进而提高最终生成的样本图像的真实性。
116.一个示例中，在识别所初始图像的第一文字的文字颜色时，可以通过以下步骤实现：确定第一文字所包括的各像素点的像素信息，生成第一文字的直方图，并根据第一文字的直方图，确定第一文字的文字颜色。需要说明的是，本示例中所确定的直方图类型不做限制。
117.一个示例中，在执行“根据第一文字的直方图，确定第一文字的文字颜色”可以通过以下方式：根据第一文字的直方图所表征的各颜色取值区间，确定像素点个数最多的颜色取值区间所表征的颜色，为第一文字的文字颜色。
118.也就是说，在确定第一文字的文字颜色时，可以通过比对直方图中所包含的各颜
色取值区间所对应的像素点个数，将像素点个数最大的像素点个数所对应的颜色取值区间所对应的颜色，作为第一文字的文字颜色。可以理解的是，本实施例中，通过将像素点个数最多的颜色取值区间所表征的颜色作为第一文字的文字颜色，可以使得得到的文字颜色更为准确。
119.一个示例中，在识别所初始图像的第一文字的文字字体时，可以通过步骤实现：根据预设的字体识别模型对第一文字进行识别，得到第一文字的文字字体。
120.示例性地，在确定第一文字的文字字体时，可以将第一文字输入至预设的字体识别模型中，进而通过预设的字体识别模型确定出第一文字的文字字体。举例来说，预设的字体识别模型可以基于输入的第一文字，输出该第一文字在各个文字字体下所对应的置信度，将置信度最高的前几个文字字体作为第一文字的文字字体。
121.根据文字颜色和文字字体，生成第二文字。
122.一个示例中，在调整第一文字的文字颜色和文字字体时，可以通过以下步骤实现：
123.第一步骤：根据第一文字的文字字体，确定与文字字体对应的预设文字库；其中，预设文字库中包括至少一个文字，预设文字库中的文字的字体与第一文字的文字字体相同。
124.第二步骤：从预设文字库中提取文字，并将所提取的文字的颜色，调整为第一文字的文字颜色，得到第二文字。
125.示例性地，在生成第二文字时，首先可以基于第一文字的文字字体选择与该文字字体对应的预设文字库。需要说明的是，本实施例中可以预先设置有多个预设文字库，每一预设文字库中包含有至少一个文字，且同一预设文字库中所包含的文字的字体相同。确定与文字字体对应的预设文字库，可以理解为在多个预设文字库中挑选与第一文字的文字字体相同的预设文字库。在确定出预设文字库之后，可以将预设文字库中所包含的文字的文字颜色进行调整，调整为第一文字的文字颜色，进而将调整颜色后的文字作为第二文字。
126.可以理解的是，通过基于文字字体确定与该文字字体对应的预设文字库，并在预设文字库中提取文字，调整提取出的文字颜色，进而使得得到的第二文字与第一文字更加相似，进而使得最终生成的样本图像更加接近初始图像。
127.一个示例中，在执行第二步骤中的“从预设文字库中提取文字”可以通过以下实施方式得到：确定初始图像的第一文字的文字类别，并提取预设文字库中与文字类别相同的文字；
128.或者，确定初始图像的第一文字的文字尺寸，并提取预设文字库中与文字尺寸相同的文字。
129.示例性地，本实施例中可以基于第一文字的文字类别在预设文字库中提取文字。其中，文字类别可以为英文、数字、汉字中的至少一种。可以理解的是，通过在预设文字库中选择与第一文字的文字类别相同的文字，进而使得生成的第二文字与第一文字的相似度更高，使得生成的样本图像更加接近初始图像。
130.在另一个示例中，在预设文字库挑选文字时，可以选择与第一文字的文字尺寸相同的文字，进而可以避免后续在基于第二文字以及第二背景图像生成样本图像时，需要对文字信息进行尺寸调整的步骤，提高样本图像生成效率。
131.s208、根据第一位置信息，将第二文字填充至第二背景图像中，得到第一样本图
像。
132.示例性地，本实施例中在生成第一样本图像时，还会基于第一文字在初始图像中的第一位置信息，将第二文字填充至第二背景图像中相同位置信息所指示的位置，进而通过上述方式确保了第一文字在第一背景图像中的位置信息与第二文字在第二背景图像中的位置信息相同，以使得生成的第一样本图像更加接近初始图像，即更加接近真实图像，进而提高文字识别模型的可靠性。
133.s209、对第一样本图像进行高斯模糊处理，得到第三样本图像。
134.示例性地，在得到第一样本图像之后，为了提高第一样本图像的真实性，使得最终得到的样本图像更加接近真实图像，本实施例中可以对第一样本图像进行高斯模糊处理，进而得到第三样本图像。
135.s210、基于预设的渲染模型对第三样本图像进行真实化处理，得到第二样本图像。
136.示例性地，为了进一步提高第三样本图像的真实性，还可以基于预设的渲染模型对第三样本图像进行真实化处理，得到第二样本图像。
137.可以理解的是，本实施例中通过高斯模糊的处理方式对第一样本图像进行处理，此外，在进行高斯模糊处理之后，还可以基于预设的渲染模型对第三样本图像进行真实化处理，得到第二样本图像，进而提高所得到第二样本图像的真实性，提高基于第二样本图像训练得到的文字识别模型的可靠性。
138.一个示例中，预设的渲染模型为基于第一待训练图像和第二待训练图像，对预设的生成器和预设的判别器进行训练所得到的；其中，第一待训练图像具有第一标签，第一标签表征第一待训练图像为合成的图像；第二待训练图像具有第二标签，第二标签表征第二待训练图像为真实的图像；预设的生成器为用于对第一待训练图像进行真实性增强处理的模型，预设的判别器为用于对真实性增强处理后的第一待训练图像和第二待训练图像进行识别的模型。
139.示例性地，在获取预设的渲染模型时，可以基于第一待训练图像以及第二待训练图像作为训练样本，对预设的生成器以及预设的判别器训练得到的。其中，第一待训练图像具有第一标签，第一标签用于表征第一待训练图像为合成的图像，此外，第二待训练图像具有用于表征第二待训练图像为真实图像的第二标签。在对预设的生成器以及预设的判别器进行模型训练时，可以将第一待训练图像作为预设的判别器的输入，通过预设的判别器对输入的第一待训练图像进行真实性增强处理，之后由预设的生成器输出真实性增强处理的第一待训练图像。之后，将真实性增强处理后的第一待训练图像以及第二待训练图像作为预设的生成器的输入，由预设的生成器对输入的图像进行图像识别，以判别输入的图像为真实图像或者合成的图像。在得到预设的生成器的输出的判别结果之后，可以将判别结果与输入的待训练图像所具有的标签进行比对，确定损失函数，之后，在基于损失函数对预设的生成器以及预设的判别器不断进行训练，改变预设的生成器和预设的判别器各自的参数，在达到预设的训练条件之后，得到将训练好的生成器作为预设的渲染模型，用于对输入的图像进行真实化处理。
140.可以理解的是，通过本示例中所提供的渲染模型的生成方法，可以使得生成的预设的渲染模型可以用于对增强后的样本图像进行真实化处理，进而提高得到的第二样本图像的真实性。
141.一个示例中，在基于损失函数对预设的生成器以及预设的判别器进行训练时，可以用固定参数的训练方法进行训练，即固定预设的生成器参数，不断对预设的生成器参数进行调整，或者固定预设的判别器参数，不断对预设的生成器参数进行调整，重复上述两个固定参数过程，直至达到预设的训练条件。
142.本实施例中，在生成样本图像时，可以通过在初始图像中确定第一文字对应的第一位置信息，根据第一文字的第一位置信息对初始图像中的第一文字进行去除处理，得到中间图像，之后对中间图像进行目标图像的填充，可以使得确定出的第一背景图像更加完整、准确，以便后续可以获取到与第一背景图像更加相似的第二背景图像，提高样本图像的准确性。此外，在基于第二文字以及第二背景图像生成第一样本图像之后，还会对样本图像进行高斯模糊处理，并在进行图像模糊化处理之后，还可以基于预设的渲染模型对第三样本图像进行真实化处理，可以提高最终得到的第二样本图像的真实性。
143.图3是根据本公开第三实施例的示意图,如图3所示，本公开实施例的文字识别模型的训练方法，包括：
144.s301、获取待训练的第二样本图像；其中，待训练的第二样本图像是通过对由第二背景图像和第二文字生成的第一样本图像进行真实化处理得到的；第二背景图像为对初始图像生成的第一背景图像进行调整，得到的与第一背景图像相似的图像；第二文字为对初始图像生成的第一文字进行调整，得到的与第一文字相似的文字；第一背景图像是通过将初始图像中的第一文字替换为目标图像所得到的。
145.示例性地，本实施例的执行主体可以为文字识别模型的训练装置(下文简称为训练装置)，训练装置可以为服务器(如本地服务器，或者，云端服务器)，也可以为计算机，也可以为终端设备，也可以为处理器，也可以为芯片等，本实施例不做限定。训练装置可以与生成样本图像的装置为同一装置，也可以为不同装置，本实施例不做限定。
146.本实施例中，文字识别模型为可用于识别输入文字识别模型的图像中所包含的文字。在对该文字识别模型进行训练时，首先需要获取用于模型训练的样本图像，即上述待训练的第二样本图像。可以理解的是，本实施例中所获取的待训练的第二样本图像为基于图1和图2中任一实施例所提供的生成样本图像的方法所得到的，此处不再赘述。
147.s302、将待训练的第二样本图像输入至初始模型，得到初始模型识别出的第三文字。
148.在示例性地，在获取到待训练的第二样本图像之后，可以将待训练的第二样本图像作为初始模型的输入，进而得到初始模型基于输入的待训练的第二样本图像所识别出的第三文字。
149.s303、基于第三文字、第二文字以及预设损失函数，更新初始模型，得到文字识别模型；其中，文字识别模型用于识别待识别的图像中的文字。
150.示例性地，在获取到初始模型输出的第三文字之后，可以基于初始模型输出的第三文字以及输入初始模型的待训练的第二样本图像中所包含的第二文字，还有预先设置的损失函数来对初始模型中的参数进行更新调整，最终得到训练好的文字识别模型，以便文字识别模型可以识别待识别的图像中的文字。
151.可以理解的是，由于本实施例中用于训练文字识别模型的待训练的第二样本图像在生成过程中，第二背景图像是通过调整第一背景图像得到的，且第一背景图像是通过将
初始图像中的第一文字替换为目标图像所得到的，使得基于对第一背景图像进行调整后所得到的第二背景图像更加接近初始图像中的第一背景图像，进而提高了最终得到的第二样本图像的真实性，以及基于第二样本图像训练得到的文字识别模型的文字识别准确度。
152.图4是根据本公开第四实施例的示意图,如图4所示，本公开实施例的文字识别方法，包括：
153.s401、获取待识别的图像。
154.示例性地，本实施例的执行主体可以为文字识别装置，文字识别装置可以与训练装置为同一装置，也可以为不同的装置，本实施例中不做具体限制。
155.s402、将待识别的图像输入至文字识别模型，得到待识别的图像中的文字的第二位置信息；其中，文字识别模型是基于待训练的第二样本图像训练得到的；其中，待训练的第二样本图像是通过对由第二背景图像和第二文字生成的第一样本图像进行真实化处理得到的；第二背景图像为对初始图像生成的第一背景图像进行调整，得到的与第一背景图像相似的图像，第二文字为对初始图像生成的第一文字进行调整，得到的与第一文字相似的文字；第一背景图像是通过将初始图像中的第一文字替换为目标图像所得到的。
156.示例性地，本实施例中，在确定待识别的图像中所包含的文字时，可以将待识别的图像输入预先训练好的文字识别模型中。其中，该文字识别模型为基于待训练的第二样本图像训练得到的，其中，待训练的第二样本图像可以基于图1以及图2所示的任一实施例中所提供的生成样本图像的方法所得到的。
157.s403、根据第二位置信息，确定并输出待识别的图像中的文字。
158.示例性地，本实施例中在文字识别模型接收到输入的待识别的图像之后，首先会确定待识别的图像中所包含的文字的第二位置信息，第二位置信息用于表征待识别的图像中所包含的文字在待识别的图像中所处的位置，之后，文字识别模型还会基于确定出的第二位置信息，继续识别并输出该待识别的图像中所包含的文字。
159.可以理解的是，本实施例中由于用于训练文字识别模型的待训练的第二样本图像具有较高的真实性，进而使得基于第二样本图像训练得到的文字识别模型的文字识别准确度。
160.图5是根据本公开第五实施例的示意图。如图5所示，本公开实施例的生成样本图像的装置500，包括：
161.第一生成单元501，用于根据初始图像，生成第一背景图像和第一文字；第一背景图像为初始图像中的第一文字被替换为目标图像所得到的。
162.第一调整单元502，用于对第一背景图像进行调整，生成与第一背景图像相似的第二背景图像。
163.第二调整单元503，用于对第一文字进行调整，生成与第一文字相似的第二文字。
164.第二生成单元504，用于根据第二背景图像和第二文字，生成第一样本图像。
165.处理单元505，用于对第一样本图像进行真实化处理，得到第二样本图像。
166.示例性地，本实施例的装置，可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。
167.图6是根据本公开第六实施例的示意图。如图6所示，本公开实施例的生成样本图像的装置600，包括：
168.第一生成单元601，用于根据初始图像，生成第一背景图像和第一文字；第一背景图像为初始图像中的第一文字被替换为目标图像所得到的。
169.第一调整单元602，用于对第一背景图像进行调整，生成与第一背景图像相似的第二背景图像。
170.第二调整单元603，用于对第一文字进行调整，生成与第一文字相似的第二文字。
171.第二生成单元604，用于根据第二背景图像和第二文字，生成第一样本图像。
172.处理单元605，用于对第一样本图像进行真实化处理，得到第二样本图像。
173.在一些实施例中，第一生成单元601，包括：
174.第一获取模块6011，用于获取第一文字在初始图像中的第一位置信息。
175.第一提取模块6012，用于根据第一位置信息，提取第一文字。
176.去除模块6013，用于在初始图像中去除第一文字，得到中间图像。
177.第一填充模块6014，用于在第一位置信息处填充目标图像，得到第一背景图像。
178.在一些实施例中，第一获取模块6011，包括：
179.第一确定子模块60111，用于确定第一文字的多个矩形框。
180.第二确定子模块60112，用于在矩形框中确定面积最小的矩形框的矩形框位置。
181.第三确定子模块60113，用于根据矩形框位置确定第一位置信息。
182.在一些实施例中，第一调整单元602，具体用于：
183.根据第一背景图像在预设的第三背景图像中确定第二背景图像，第二背景图像与第一背景图像之间的相似度大于预定相似度。
184.在一些实施例中，第一调整单元602，包括：
185.第二提取模块6021，用于提取第一背景图像的第一图像特征和第三背景图像的第二图像特征；其中，第一图像特征为基于预设特征提取模型所得到的数据特征，第二图像特征为基于预设特征提取模型所得到的数据特征；或者，第一图像特征为基于颜色直方图所得到的颜色特征，第二图像特征为基于颜色直方图所得到的颜色特征；
186.第一确定模块6022，用于根据第一图像特征和第二图像特征，确定相似度。
187.第二确定模块6023，用于将相似度大于预定相似度的第三背景图像，确定为第二背景图像。
188.在一些实施例中，第一调整单元602，具体用于：
189.对第一背景图像进行图像增强处理，生成第二背景图像。
190.在一些实施例中，第二调整单元603，具体用于：
191.调整第一文字的文字颜色和文字字体，生成第二文字。
192.在一些实施例中，第一文字具有第一位置信息，第一位置信息表征第一文字在初始图像中的位置；第二生成单元604，包括：
193.第二获取模块6041，用于获取第一文字在初始图像中的第一位置信息。
194.第二填充模块6042，用于根据第一位置信息，将第二文字填充至第二背景图像中，得到第一样本图像。
195.在一些实施例中，处理单元605，包括：
196.第一处理模块6051，用于对第一样本图像进行高斯模糊处理，得到第三样本图像。
197.第二处理模块6052，用于基于预设的渲染模型对第三样本图像进行真实化处理，
得到第二样本图像。
198.在一些实施例中，预设的渲染模型为基于第一待训练图像和第二待训练图像，对预设的生成器和预设的判别器进行训练所得到的；
199.其中，第一待训练图像具有第一标签，第一标签表征第一待训练图像为合成的图像；第二待训练图像具有第二标签，第二标签表征第二待训练图像为真实的图像；预设的生成器为用于对第一待训练图像进行真实性增强处理的模型，预设的判别器为用于对真实性增强处理后的第一待训练图像和第二待训练图像进行识别的模型。
200.示例性地，本实施例的装置，可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。
201.图7是根据本公开第七实施例的示意图，如图7所示，本公开实施例的文字识别模型的训练装置700，包括：
202.第一获取单元701，用于获取待训练的第二样本图像；其中，待训练的第二样本图像是通过对由第二背景图像和第二文字生成的第一样本图像进行真实化处理得到的；第二背景图像为对初始图像生成的第一背景图像进行调整，得到的与第一背景图像相似的图像，第二文字为对初始图像生成的第一文字进行调整，得到的与第一文字相似的文字；第一背景图像是通过将初始图像中的第一文字替换为目标图像所得到的。
203.第二获取单元702，用于将待训练的第二样本图像输入至初始模型，得到初始模型识别出的第三文字。
204.更新单元703，用于基于第三文字、第二文字以及预设损失函数，更新初始模型，得到文字识别模型；其中，文字识别模型用于识别待识别的图像中的文字。
205.示例性地，本实施例的装置，可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。
206.图8是根据本公开第八实施例的示意图，如图8所示，本公开实施例的文字识别装置800，包括：
207.第三获取单元801，用于获取待识别的图像。
208.第四获取单元802，用于将待识别的图像输入至文字识别模型，得到待识别的图像中的文字的第二位置信息；其中，文字识别模型是基于待训练的第二样本图像训练得到的；其中，待训练的第二样本图像是通过对由第二背景图像和第二文字生成的第一样本图像进行真实化处理得到的；第二背景图像为对初始图像生成的第一背景图像进行调整，得到的与第一背景图像相似的图像，第二文字为对初始图像生成的第一文字进行调整，得到的与第一文字相似的文字；第一背景图像是通过将初始图像中的第一文字替换为目标图像所得到的。
209.确定单元803，用于根据第二位置信息，确定并输出待识别的图像中的文字。
210.示例性地，本实施例的装置，可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。
211.图9是根据本公开第九实施例的示意图，如图9所示，本公开中的电子设备900可以包括：处理器901和存储器902。
212.存储器902，用于存储程序；存储器902，可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：ram)，如静态随机存取
存储器(英文：static random-access memory，缩写：sram)，双倍数据率同步动态随机存取存储器(英文：double data rate synchronous dynamic random access memory，缩写：ddr sdram)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器902用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器902中。并且上述的计算机程序、计算机指令、数据等可以被处理器901调用。
213.上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器902中。并且上述的计算机程序、计算机指据等可以被处理器901调用。
214.处理器901，用于执行存储器902存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。
215.具体可以参见前面方法实施例中的相关描述。
216.处理器901和存储器902可以是独立结构，也可以是集成在一起的集成结构。当处理器901和存储器902是独立结构时，存储器902、处理器901可以通过总线903耦合连接。
217.本实施例的电子设备可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。
218.根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
219.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。
220.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。
221.设备1000中的多个部件连接至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。
222.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，例如生成样本图像的方法、文字识别模型的训练方法以及文字识别方法。例如，在一
些实施例中，生成样本图像的方法、文字识别模型的训练方法以及文字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rom 1002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生成样本图像的方法、文字识别模型的训练方法以及文字识别方法的一个或多个步骤。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)而被配置为执行生成样本图像的方法、文字识别模型的训练方法以及文字识别方法。
223.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)、复杂可编程逻辑设备(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：实施在一个或者多个计算机程序中，该一个或者多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。
224.用于实施本公开的方法的程序代码可以采用一个或多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。
225.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多个线的电气连接、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。
226.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。
227.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。
228.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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。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。
229.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。
230.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。