[发明专利]文本识别方法、装置、电子设备和存储介质

说明书

本发明提供一种文本识别方法、装置、电子设备和存储介质，其中方法包括：获取待识别视频，并确定所述待识别视频中的各关键帧；对各关键帧进行拍摄状态分类，得到各关键帧的拍摄状态；基于各关键帧的拍摄状态，对各关键帧中重叠区域的候选识别文本进行整合，得到所述待识别视频的识别文本。本发明提供的方法、装置、电子设备和存储介质，应用录制视频的形式对多篇幅场景进行全貌采集，从而避免了多篇幅场景下的漏采问题，并且待识别视频自身包含采集顺序，无需再进行人工排序，降低了文本识别的人工需求。此外，基于各关键帧的拍摄状态对重叠区域的候选识别文本进行整合，实现了针对重叠区域的文本自动整合，保证了识别文本的可靠性。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种文本识别方法、装置、电子设备和存储介质。

背景技术

随着科技的发展，OCR(Optical Character Recognition，光学字符识别)技术在人们的生活工作中得到了广泛的使用。

但针对某些多篇幅的文本识别场景下，例如长图、书籍等的文本识别场景，单张照片无法采集到待识别的场景全貌，可能需要拍摄多张照片并分别进行文本识别，此后需要将多张照片的识别文本进行人工排序处理，方能得到全场景的文本识别结果。

考虑到针对一个场景拍摄的多张照片中的内容可能存在重叠或者缺失的情况，在文本识别之后需要人工处理，导致了人工成本的增加；而针对篇幅较多的场景，需要大量照片覆盖场景内容，对应在文本识别过程中需要对大量照片进行排序和依次识别，导致识别效率低下。

发明内容

本发明提供一种文本识别方法、装置、电子设备和存储介质，用以解决现有技术中多篇幅场景下拍摄多张图像进行文本识别需要人工辅助，费时费力的问题。

本发明提供一种文本识别方法，包括：

获取待识别视频，并确定所述待识别视频中的各关键帧；

对各关键帧进行拍摄状态分类，得到各关键帧的拍摄状态；

基于各关键帧的拍摄状态，对各关键帧中重叠区域的候选识别文本进行整合，得到所述待识别视频的识别文本。

根据本发明提供的一种文本识别方法，所述基于各关键帧的拍摄状态，对各关键帧中重叠区域的候选识别文本进行整合，得到所述待识别视频的识别文本，包括：

基于各关键帧的拍摄状态，以及各关键帧中重叠区域的候选识别文本的置信度，对各关键帧中重叠区域的候选识别文本进行整合，得到所述待识别视频的识别文本。

根据本发明提供的一种文本识别方法，所述基于各关键帧的拍摄状态，以及各关键帧中重叠区域的候选识别文本的置信度，对各关键帧中重叠区域的候选识别文本进行整合，得到所述待识别视频的识别文本，包括：

若包含所述重叠区域的各关键帧中存在稳定关键帧，则将所述稳定关键帧中所述重叠区域的候选识别文本确定为所述重叠区域的区域识别文本，所述稳定关键帧是拍摄状态为稳定状态的关键帧；

否则，基于包含所述重叠区域的各关键帧的候选识别文本的置信度，从包含所述重叠区域的各关键帧的候选识别文本中选取所述重叠区域的区域识别文本；

基于各重叠区域的区域识别文本，以及各关键帧中非重叠区域的区域识别文本，确定所述待识别视频的识别文本。

根据本发明提供的一种文本识别方法，所述对各关键帧进行拍摄状态分类，得到各关键帧的拍摄状态，包括：

对各关键帧进行拍摄篇幅分类，得到各关键帧的拍摄篇幅类别，所述拍摄篇幅类别为篇幅开始、篇幅中间、篇幅结束或其他；

基于各关键帧的拍摄篇幅类别，确定各关键帧的拍摄状态。