[发明专利]图像文字检索方法及系统

说明书

本发明提供的图像文字检索方法及系统，获取待检索图像中的多个文本区域，分别对多个文本区域中每一文本区域进行连通区域分析，得到每一文本区域中每个文字的文字图像；将每一文本区域中每个文字的文字图像分别输入至预设目标文字对应的预设单文字模型中，若对于任一文字的文字图像，所述预设单文字模型输出结果为第一预设数值时，则确定所述任一文字为预设目标文字。通过构建一个预设目标文字对应的预设单文字模型，使得对于待检索图像中的任一文字的文字图像输入至预设目标文字对应的预设单文字模型后，即可判断出该文字是否是预设目标文字。并不需要对待检索图像中的文字进行识别，大大加快了文字检索的速度，同时节约了资源。

技术领域

本发明涉及图像处理和深度学习技术领域，更具体地，涉及图像文字检索方法及系统。

背景技术

目前，以图像文件为主的多媒体文件已成为信息交流的主体，而如何在海量的图像文件中快速准确地找到用户所需的文件也成为日益突出和紧迫的需求。文字是信息存储和传递的重要载体，如果能够实现图像文字的检索也就能够完成对图像的检索和分类。

图像文字检索的方法包括基于光学字符识别(Optical Character Recognition，OCR)的检索方法和基于图像匹配的检索方法。其中基于OCR的检索方法的思想是将图像中的文字转换为可编辑的文本，然后对可编辑的文本进行检索。该方法首先需进行图像预处理分割出图像中的每个文字，再对图像中的每个文字进行文字识别形成可编辑的文本，然后使用全文检索技术对文本进行检索，进而判断图像中是否含用户指定的目标文字。其中文字识别方法目前主要流行的是基于深度学习的方法，将所有的样本图像分别作为一个神经网络的输入，该神经网络结构图如图1所示，其中样本图像的尺寸为64*64。对于每个样本图像来说，需要判断该样本图像中包含的文字具体是哪一个文字，现有技术中通常采用包括3755个汉字国标一级汉字、10个数字以及52个英文字母在内的共3817个字符的字符图像作为标准文字图像，将每一个样本图像分别输入至神经网络中，经卷积层、池化、全连接层、隐藏层以及softmax层，由softmax层的3817个神经元输出结果，每一个神经元输出结果为该样本图像是否属于该神经元对应的标准文字图像中的文字。也就是说，现有技术中采用的这种方式，对于一个样本图像的输入，会产生3817个输出结果，以最终确定该样本图像中的文字是属于哪种标准文字图像中的文字。

基于图像匹配的检索方法不需要识别图像中的文字，该方法是先制作含有目标文字的图像作为模板图像，然后对待检索图像进行预处理操作，从待检索图像中分割出每个文字图像，再把分割出的单个文字图像和模板图像进行相似性计算来确定该文字是否为模板图像中的目标文字，进而判断待检索图像中是否含有模板图像中的目标文字。

基于OCR的检索方法是把图像中的所有文字都识别出来转换成文本，再对文本进行检索，这样计算量大、检索速率慢，并且该方法的检索精度依赖于识别率，识别率低会直接降低检索准确率和召回率，并且由于对于一个样本图像，需要对应大量的输出结果，这将会使得深度学习训练时也存在网络庞大、参数复杂、训练速度慢等问题。基于图像匹配的检索方法不需要识别图像中的文字，该方法相比于基于OCR的检索方法实现简单、检索速度快，但基于图像匹配的检索方法中采用的模板图像通常限制条件较多，当待检索图像中的目标文字仅满足一种条件时，则检索结果是待检索图像中不包含目标文字，例如模板图像中的文字为“中”，字体为“宋体”，则采用这种方法只能够检索出待检索图像中包含的字体为“宋体”或与“宋体”相似的字体的“中”字，而对于其他字体的“中”字则无法检索出，如果待检索图像中没有字体为“宋体”或与“宋体”相似的字体的“中”字，只有字体为“楷体”的“中”字，则通过该方法检索的结果是待检索图像中并没有“中”字，这将大大降低检索的准确度。

发明内容

为克服上述问题或者至少部分地解决上述问题，本发明提供了一种图像文字检索方法及系统。

一方面，本发明提供了一种图像文字检索方法，包括：

S1，获取待检索图像中的多个文本区域；