[发明专利]一种基于深度学习的票证关键信息提取方法和装置

权利要求书

1.一种基于深度学习的票证关键信息提取方法，其特征在于，包括：

将待审核图像输入至预先构建的目标检测网络中，经由所述目标检测网络对所述待审核图像进行目标检测，得到各个文本框图像、以及各个所述文本框图像的类别；

对各个所述文本框图像进行文字识别，得到所述文本框图像与文字信息之间的对应关系；

基于所述类别与审核项之间的预设对应关系、以及所述文本框图像与文字信息之间的对应关系，确定所述审核项所对应的文字信息；

其中，所述目标检测网络对所述待审核图像进行目标检测的过程为：

利用预设的锚框修正结构，修正所述目标检测网络的锚框，使得所述锚框的旋转角度与所述待审核图像所示文字的旋转角度之间的差值，不大于预设阈值；

利用预设的特征金字塔网络，对所述待审核图像进行特征提取，得到各个特征图；

针对每个所述特征图，在所述特征图上使用所述锚框生成多个边框，并对各个所述边框进行后处理，得到每个所述特征图的文本框图像；

利用预设的分类器，识别各个所述文本框图像的类别。

2.根据权利要求1所述的方法，其特征在于，所述目标检测网络的构建过程，包括：

构建训练集；其中，所述训练集包括样本图像、与所述样本图像对应的标注框、以及所述标注框的类别；

将所述样本图像输入至预设的卷积神经网络中，利用预设的损失函数和优化算法训练所述卷积神经网络，直至所述卷积神经网络输出的文本框图像与所述标注框对应、以及输出的类别与所述标注框的类别对应，确定当前训练得到的卷积神经网络为所述目标检测网络。

3.根据权利要求1所述的方法，其特征在于，所述锚框修正结构包括：

多个卷积层。

4.根据权利要求1所述的方法，其特征在于，所述特征金字塔网络包括：

特征提取器。

5.根据权利要求4所述的方法，其特征在于，所述特征提取器包括：

多个卷积层。

6.根据权利要求1所述的方法，其特征在于，还包括：

将所述审核项与所述文字信息之间的对应关系存储至本地。

7.一种基于深度学习的票证关键信息提取装置，其特征在于，包括：

目标检测单元，用于将待审核图像输入至预先构建的目标检测网络中，经由所述目标检测网络对所述待审核图像进行目标检测，得到各个文本框图像、以及各个所述文本框图像的类别；

文字识别单元，用于对各个所述文本框图像进行文字识别，得到所述文本框图像与文字信息之间的对应关系；

确定单元，用于基于所述类别与审核项之间的预设对应关系、以及所述文本框图像与文字信息之间的对应关系，确定所述审核项所对应的文字信息；

其中，所述目标检测网络对所述待审核图像进行目标检测的过程为：

利用预设的锚框修正结构，修正所述目标检测网络的锚框，使得所述锚框的旋转角度与所述待审核图像所示文字的旋转角度之间的差值，不大于预设阈值；利用预设的特征金字塔网络，对所述待审核图像进行特征提取，得到各个特征图；针对每个所述特征图，在所述特征图上使用所述锚框生成多个边框，并对各个所述边框进行后处理，得到每个所述特征图的文本框图像；利用预设的分类器，识别各个所述文本框图像的类别。

8.根据权利要求7所述的装置，其特征在于，还包括：

存储单元，用于将所述审核项与所述文字信息之间的对应关系存储至本地。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，所述程序执行权利要求1-6任一所述的基于深度学习的票证关键信息提取方法。

10.一种基于深度学习的票证关键信息提取设备，其特征在于，包括：处理器、存储器和总线；所述处理器与所述存储器通过所述总线连接；

所述存储器用于存储程序，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1-6任一所述的基于深度学习的票证关键信息提取方法。