OCR训练数据生成方法、装置、计算机设备及存储介质

技术领域

本申请涉及图像处理技术领域，尤其涉及一种OCR训练数据生成方法、装置、计算机设备及计算机可读存储介质。

背景技术

数据、算法、算力是人工智能的三要素，数据就是资源，可以带来巨大的价值。但是由于数据集的规模不断扩大、隐私规定的日益严格、具有法律问题和传输问题，针对OCR任务，无法访问用于训练OCR任务相对应的OCR任务模型的数据的情况越来越普遍。OCR任务的OCR任务数据变得越来越敏感，私有OCR任务数据不方便公开，而基于深度学习模型的OCR任务模型最重要的就是需要OCR任务数据作为OCR训练数据的训练，并且OCR训练数据越多越好。针对必须克服OCR训练数据这一困难。传统技术中，解决的方式包括：1)替代数据。在没有OCR任务数据的情况下，可以采取其它与原OCR任务数据相似的替代数据来进行OCR任务模型的训练，但是这种替代数据往往达不到原来OCR任务数据的效果，训练得到的OCR模型精度往往会降低很多。2)基于GAN生成数据。这种生成方法利用生成网络来生成OCR训练数据，并且用鉴别网络来鉴别数据来自真实场景还是生成网络，进而两个网络进行对抗训练，最终可以得到与原始OCR任务数据相似的OCR训练数据，但是这种技术需要较长的时间来进行OCR训练数据的生成。3)基于模型参数生成数据。利用训练好的OCR任务模型的参数，对参数进行聚类后再对聚类的参数加入噪声，针对扰动后的噪声生成OCR训练数据，但是这种方法需要提前得到OCR任务模型的参数数据，得不到OCR任务模型的参数数据，无法生成有效的OCR训练数据。因此，传统技术中，针对OCR任务的OCR训练数据的获取效率较低。

发明内容

本申请提供了一种OCR训练数据生成方法、装置、计算机设备及计算机可读存储介质，能够解决传统技术中针对OCR训练数据获取效率较低的技术问题。

第一方面，本申请提供了一种OCR训练数据生成方法，包括：获取OCR文本，根据所述OCR文本获取OCR标签，并将所述OCR标签生成相对应的第一标签矩阵；获取噪声图片，将所述噪声图片经第一预设OCR识别模型进行识别，以得到将所述噪声图片进行识别所对应的识别矩阵，其中，所述识别矩阵的格式与所述第一标签矩阵的格式一致；根据所述识别矩阵及所述第一标签矩阵，获取所述噪声图片相对于所述OCR标签的损失值；将所述损失值进行反向传播，并根据所述损失值对所述噪声图片求梯度；利用所述梯度更新所述噪声图片，以将所述OCR标签绘制到所述噪声图片上，从而生成包含所述OCR标签的生成图片，并将所述生成图片作为OCR训练数据。

第二方面，本申请还提供了一种OCR训练数据生成装置，包括：第一获取单元，用于获取OCR文本，根据所述OCR文本获取OCR标签，并将所述OCR标签生成相对应的第一标签矩阵；第二获取单元，用于获取噪声图片，将所述噪声图片经第一预设OCR识别模型进行识别，以得到将所述噪声图片进行识别所对应的识别矩阵，其中，所述识别矩阵的格式与所述第一标签矩阵的格式一致；第三获取单元，用于根据所述识别矩阵及所述第一标签矩阵，获取所述噪声图片相对于所述OCR标签的损失值；传播单元，用于将所述损失值进行反向传播，并根据所述损失值对所述噪声图片求梯度；生成单元，用于利用所述梯度更新所述噪声图片，以将所述OCR标签绘制到所述噪声图片上，从而生成包含所述OCR标签的生成图片，并将所述生成图片作为OCR训练数据。

第三方面，本申请还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现所述OCR训练数据生成方法的步骤。

第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行所述OCR训练数据生成方法的步骤。

本申请提供了一种OCR训练数据生成方法、装置、计算机设备及计算机可读存储介质。本申请通过获取OCR文本，根据所述OCR文本获取OCR标签，并将所述OCR标签生成相对应的第一标签矩阵，再获取噪声图片，将所述噪声图片经第一预设OCR识别模型进行识别，以得到将所述噪声图片进行识别所对应的识别矩阵，根据所述识别矩阵及所述第一标签矩阵，将所述OCR标签绘制到所述噪声图片上，从而得到包含所述OCR标签的生成图片，所述生成图片可以作为OCR训练数据，本申请基于包含参数的第一预设OCR识别模型，通过随机文本及噪声图片，即可自动生成OCR训练数据，由于是通过训练好的基于OCR任务所对应的第一预设OCR识别模型得到的OCR训练数据，可以基于OCR任务所对应的第一预设OCR识别模型，最大程度地恢复OCR任务的OCR任务数据所对应的原始训练数据的分布，生成与OCR任务契合的OCR训练数据，提高了OCR训练数据的质量和效率，能够提高后续使用OCR训练数据训练的OCR识别模型的准确性，同时，不需要实际OCR任务数据作为训练数据，也不需要第一预设OCR识别模型的激活值等内部参数，以提高实际业务数据的保密性与安全性。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。

图1为本申请实施例提供的OCR训练数据生成方法的一个流程示意图；

图2为本申请实施例提供的OCR训练数据生成方法中生成的图片示意图；

图3为本申请实施例提供的OCR训练数据生成方法的第一个子流程示意图；

图4为本申请实施例提供的OCR训练数据生成方法的第二个子流程示意图；

图5为本申请实施例提供的OCR训练数据生成方法中图2中生成的图片进行剔除后的保留图片示意图；

图6为本申请实施例提供的OCR训练数据生成方法的第三个子流程示意图；

图7为本申请实施例提供的OCR训练数据生成方法中图5中保留图片进行筛选后的筛选图片示意图；

图8为本申请实施例提供的OCR训练数据生成方法的第四个子流程示意图；

图9为本申请实施例提供的OCR训练数据生成方法的第五个子流程示意图；

图10为本申请实施例提供的OCR训练数据生成装置的一个示意性框图；以及

图11为本申请实施例提供的计算机设备的示意性框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。请参阅图1，图1为本申请实施例提供的OCR训练数据生成方法的一个流程示意图。如图1所示，该方法包括以下步骤S11-S15：

S11、获取OCR文本，根据所述OCR文本获取OCR标签，并将所述OCR标签生成相对应的第一标签矩阵。

其中，标签，英文为Label，为将OCR识别中的数据进行标注后的标注数据。

具体地，获取OCR文本，所述OCR文本可以为随机文本，从随机文本中选取一系列英文单词或者中文文字，设定为OCR任务的标签，即OCR标签，并将OCR标签转换成所对应的向量，再根据预设的矩阵格式，所述矩阵格式为该标签矩阵包含几行几列，将所述向量转换成矩阵格式，即可得到OCR标签所对应的标签矩阵，在标签矩阵中，可以将标签矩阵中OCR标签不足部分以0补充完整，从而得到标签矩阵，为第一标签矩阵，在生成OCR训练数据的过程中，通常会生成多个第一标签矩阵，每个标签矩阵对应对应一张OCR训练数据中的图片。

S12、获取噪声图片，将所述噪声图片经第一预设OCR识别模型进行识别，以得到将所述噪声图片进行识别所对应的识别矩阵，其中，所述识别矩阵的格式与所述第一标签矩阵的格式一致。

其中，所述噪声图片可以为简单图片，是指所述噪声图片中的每个像素值的大小为0-255中随机数。

具体地，可以通过预设图片生成方式，例如预设图片生成模块，生成噪声图片，通常会生成多张噪声图片，一张噪声图片对应一个标签矩阵，对应一张生成图片，生成OCR训练数据时，通常会生成多张生成图片。例如，针对英文单词，所述噪声图片可以为扁平图片，例如，所述噪声图片可以为160*48像素的简单图片。

获取所述噪声图片后，将所述噪声图片经第一预设OCR识别模型进行识别，所述第一预设OCR识别模型将所述噪声图片进行识别的过程中，会经过所述第一预设OCR识别模型中的卷积层及池化层等各个处理阶段，以将所述噪声图片进行卷积化及池化处理，由于图像是以矩阵的形式存储的，从而得到所述第一预设OCR识别模型将所述噪声图片进行OCR识别过程中的各个处理阶段所对应的识别矩阵，其中，所述识别矩阵的格式与所述第一标签矩阵的格式一致。其中，所述第一预设OCR识别模型为模型内部已具备参数的模型，例如可以为已经应用于具体识别任务的OCR识别模型，需要将该OCR识别模型进行升级时的模型。

S13、根据所述识别矩阵及所述第一标签矩阵，获取所述噪声图片相对于所述OCR标签的损失值。

S14、将所述损失值进行反向传播，并根据所述损失值对所述噪声图片求梯度。

S15、利用所述梯度更新所述噪声图片，以将所述OCR标签绘制到所述噪声图片上，从而生成包含所述OCR标签的生成图片，并将所述生成图片作为OCR训练数据。

进一步地，所述利用所述梯度更新所述噪声图片，以将所述OCR标签绘制到所述噪声图片上，从而生成包含所述OCR标签的生成图片的步骤包括：

利用所述梯度更新所述噪声图片，以得到更新后的噪声图片；

将所述更新后的噪声图片根据上述更新过程进一步更新，并迭代所述将所述更新后的噪声图片根据上述更新过程进一步更新的步骤，以将所述OCR标签逐渐绘制到所述噪声图片上，从而生成包含所述OCR标签的生成图片。

其中，图像的梯度，英文为Image Gradient，是指图像某像素在x和y两个方向上的变化率(与相邻像素比较)。

具体地，由于所述识别矩阵的格式与所述第一标签矩阵的格式一致，所述识别矩阵对应于所述噪声图片，所述第一标签矩阵对应于OCR标签，OCR标签即为文本，根据所述识别矩阵及所述第一标签矩阵，结合损失函数，即可获取所述噪声图片相对于所述OCR文本的损失值，即所述噪声图片相对于所述OCR标签的差别，用损失函数来描述，可以通过损失函数所对应的损失值来衡量，再将所述损失值进行反向传播，并根据所述损失值对所述噪声图片求梯度，再利用所述梯度更新所述噪声图片，得到更新后的噪声图片，由于是通过训练好的OCR任务所对应的第一预设OCR识别模型进行反向传播得到的OCR训练数据，最大程度地恢复OCR任务的OCR任务数据所对应的原始训练数据的分布，更新后的噪声图片就可以减小与所述OCR标签之间的差别，并将所述更新后的噪声图片按照上述更新过程进一步更新，迭代所述将所述更新后的噪声图片进一步更新的步骤，重复多次上述更新所述噪声图片的过程，即可将所述OCR文本逐渐绘制到所述噪声图片上，从而得到包含所述OCR标签的生成图片，从而实现在设定好OCR标签后，采用训练好的第一预设OCR识别模型对噪声图片进行更新，以逐步将所述噪声图片训练为含有设定OCR标签的OCR训练数据，即生成图片，所述生成图片与所述第一预设OCR识别模型所对应的OCR任务所对应的任务数据极度相似，提高了生成图片作为OCR训练数据训练的第一预设OCR识别模型更能适应相对应的OCR任务。请参阅图2，图2为本申请实施例提供的OCR训练数据生成方法中生成的图片示意图，图2中所示的多个图片为本申请实施例中经过上述图片生成过程之后，得到初步生成的图片数据，部分图片数据如图2所示。

本申请实施例，通过获取OCR文本，根据所述OCR文本获取OCR标签，并将所述OCR标签生成相对应的第一标签矩阵，再获取噪声图片，将所述噪声图片经第一预设OCR识别模型进行识别，以得到将所述噪声图片进行识别所对应的识别矩阵，其中，所述识别矩阵的格式与所述第一标签矩阵的格式一致，所述噪声图片可以为简单图片，根据所述识别矩阵及所述第一标签矩阵，获取所述噪声图片相对于所述OCR标签的损失值，将所述损失值进行反向传播，并根据所述损失值对所述噪声图片求梯度，利用所述梯度更新所述噪声图片，以将所述OCR标签绘制到所述噪声图片上，从而生成包含所述OCR标签的更新后的噪声图片，并将所述更新后的噪声图片进一步更新，迭代所述将所述更新后的噪声图片进一步更新的步骤，以将所述OCR标签逐渐绘制到所述噪声图片上，从而得到包含所述OCR标签的生成图片，所述生成图片可以作为OCR训练数据，本申请实施例基于包含参数的第一预设OCR识别模型，通过获取OCR文本及简单的噪声图片，将所述噪声图片进行OCR识别，并根据所述OCR文本，通过第一预设OCR识别模型的反向传播，并利用图像梯度，即可得到OCR训练数据，不需要实际业务数据作为训练数据，可以提高业务数据的保密性与安全性，同时，也不需要第一预设OCR识别模型的激活值等内部参数，可以最大程度地恢复OCR任务的OCR任务数据所对应的原始训练数据的分布，生成与第一预设OCR识别模型所对应的OCR任务高度契合的OCR训练数据，提高了OCR训练数据的质量和效率，能够提高后续使用OCR训练数据训练的OCR识别模型的准确性。

请参阅图3，图3为本申请实施例提供的OCR训练数据生成方法的第一个子流程示意图。如图3所示，在该实施例中，所述生成图片包括多张图片，所述迭代所述将所述更新后的噪声图片进一步更新的步骤，以将所述OCR标签逐渐绘制到所述噪声图片上，从而生成包含所述OCR标签的生成图片的步骤之后，还包括：

S31、将多张所述生成图片分别经所述第一预设OCR识别模型进行识别，以得到每张所述生成图片各自所对应的第一OCR识别结果；

S32、判断每个所述第一OCR识别结果与所述第一OCR识别结果所对应的OCR标签是否一致；

S33、若所述第一OCR识别结果与所述第一OCR识别结果所对应的OCR标签一致，保留所述第一OCR识别结果所对应的生成图片，以得到留存生成图片，并将所述留存生成图片作为OCR训练数据；

S34、若所述第一OCR识别结果与所述第一OCR识别结果所对应的OCR标签不一致，剔除所述第一OCR识别结果所对应的生成图片。

具体地，生成多张包含所述OCR标签的生成图片之后，该多张生成图片中往往会含有很多效果较差的图片，将这些效果较差的生成图片作为OCR训练数据没有积极作用，需要将这些效果较差的生成图片进行剔除处理，保留下效果较好的生成图片，从而得到质量较高的生成图片。可以先用所述第一预设OCR识别模型将生成图片进行识别，以得到每张所述生成图片各自所对应的第一OCR识别结果，由于生成图片所包含的文本即为获取的OCR标签，因此，可以通过将每张所述生成图片各自所对应的第一OCR识别结果与其所对应的OCR标签进行比对，以判断该所述第一OCR识别结果所对应的生成图片的图片质量的高低，即判断每个所述第一OCR识别结果与所述第一OCR识别结果所对应的OCR标签是否一致，若所述第一OCR识别结果与所述第一OCR识别结果所对应的OCR标签一致，保留所述第一OCR识别结果所对应的生成图片，以得到留存生成图片，并将所述留存生成图片作为OCR训练数据，若所述第一OCR识别结果与所述第一OCR识别结果所对应的OCR标签不一致，删除所述第一OCR识别结果所对应的生成图片。例如，生成图片所对应的OCR标签的原始随机文本为ABCDE，若生成图片的识别结果为ABCDE，则留下所述生成图片，以得到留存生成图片，并将所述留存生成图片作为OCR训练数据，若生成图片的识别结果为AB，剔除所述生成图片，从而剔除效果较差的生成图片，保留效果较好的生成图片，从而筛选出多张生成图片，可以作为OCR训练数据，能够实现生成图片剔除的完全自动化，提高了生成OCR训练数据的效率，无需人工干预，节省了人力成本。

请参阅图4，图4为本申请实施例提供的OCR训练数据生成方法的第二个子流程示意图。如图4所示，在该实施例中，所述若所述第一OCR识别结果与所述第一OCR识别结果所对应的OCR标签一致，保留所述第一OCR识别结果所对应的生成图片，以得到留存生成图片的步骤之后，还包括：

S41、将多张所述留存生成图片分别经第二预设OCR识别模型进行识别，以得到每张所述留存生成图片各自所对应的第二OCR识别结果，其中，所述第二预设OCR识别模型与所述第一预设OCR识别模型不相同；

S42、判断每个所述第二OCR识别结果与所述第二OCR识别结果所对应的OCR标签是否一致；

S43、若所述第二OCR识别结果与所述第二OCR识别结果所对应的OCR标签一致，保留所述第二OCR识别结果所对应的生成图片，以得到目标留存图片，并将所述目标留存图片作为OCR训练数据；

S44、若所述第二OCR识别结果与所述第二OCR识别结果所对应的OCR标签不一致，剔除所述第二OCR识别结果所对应的生成图片。

具体地，由于单一OCR识别模型存在过拟合的情况，只采用第一预设OCR识别模型进行剔除，可能导致留下的生成图片中仍然存在图片数据质量较差的情形，为了避免单一OCR识别模型的过拟合情况，进一步地提高留存的生成图片的图片质量，可以采用与所述第一预设OCR识别模型不相同的预设第二OCR识别模型进一步对留存生成图片进行剔除，进一步实现保留下效果较好的生成图片，从而得到质量较高的生成图片，即采用第二预设OCR识别模型将所述留存生成图片进行识别，以得到每张所述留存生成图片各自所对应的第二OCR识别结果，由于所述留存生成图片所包含的文本即为获取的OCR标签，因此，可以通过将每张所述留存生成图片各自所对应的第二OCR识别结果与其所对应的OCR标签进行比对，以判断该所述第二OCR识别结果所对应的生成图片的图片质量的高低，即判断每个所述第二OCR识别结果与所述第二OCR识别结果所对应的OCR标签是否一致，若所述第二OCR识别结果与所述第二OCR识别结果所对应的OCR标签一致，保留所述第二OCR识别结果所对应的生成图片，以得到目标留存图片，并将所述目标留存图片作为OCR训练数据，若所述第二OCR识别结果与所述第二OCR识别结果所对应的OCR标签不一致，剔除所述第二OCR识别结果所对应的生成图片，从而剔除效果较差的留存生成图片，以保留效果较好的留存生成图片，由于留存生成图片经过所述第一预设OCR识别模型进行识别，是完全适用于所述第一预设OCR识别模型的，再将所述留存生成图片采用与所述第一预设OCR识别模型不相同的预设第二OCR识别模型进一步对留存生成图片进行剔除，以得到目标留存图片，提高了目标留存图片的图片质量。请参阅图5，图5为本申请实施例提供的OCR训练数据生成方法中图2中生成的图片进行剔除后的保留图片示意图，由于图2所示的初步生成的图片为粗糙的图片数据，其中包含图片效果较差的图片数据，将图2中所示的图片数据经上述过程剔除之后，可以得到较好的OCR图片数据，部分具体数据如图5所示。由于所述目标留存图片经过不同的OCR识别模型进行识别，均与已知的OCR标签一致，可见，所述目标留存图片所对应的生成图片的质量较高，可以提高作为OCR训练数据的图片数据质量，可以进一步实现图片剔除的完全自动化，无需人工干预，提高了生成OCR训练数据的效率，节省了人力成本，通过本申请实施例生成的OCR训练数据，也进一步提高了生成OCR训练数据的质量和效率，能够提高后续使用OCR训练数据训练的OCR识别模型的准确性。

请参阅图6，图6为本申请实施例提供的OCR训练数据生成方法的第三个子流程示意图。如图6所示，在该实施例中，所述若所述第二OCR识别结果与所述第二OCR识别结果所对应的OCR标签一致，保留所述第二OCR识别结果所对应的生成图片，以得到目标留存图片的步骤之后，还包括：

S61、获取多张预设参照图片，并获取每张所述预设参照图片各自所对应的参照特征向量；

S62、获取所述目标留存图片所对应的生成特征向量；

S63、计算所述生成特征向量与每个参照特征向量的欧式距离；

S64、根据所述欧式距离，筛选出与所述生成特征向量最接近的预设个数所述参照特征向量；

S65、根据所述生成特征向量及其相对应的预设个数所述参照特征向量，获取所述生成特征向量所对应的目标留存图片的图片质量衡量值；

S66、判断所述图片质量衡量值是否小于预设质量衡量阈值；

S67、若所述图片质量衡量值不小于预设质量衡量阈值，将所述图片质量衡量值所对应的所述目标留存图片作为OCR训练数据；

S68、若所述图片质量衡量值小于预设质量衡量阈值，不将所述图片质量衡量值所对应的所述目标留存图片作为OCR训练数据。

具体地，在经过不同的预设OCR识别模型将所述生成图片进行剔除，以得到目标留存图片后，还可以进一步根据图片质量，将所述目标留存图片进行筛选，以从目标留存图片中筛选出图片质量相对较高的目标留存图片，并将图片质量较高的目标留存图片作为OCR训练数据。具体而言，针对多张目标留存图片，获取多张预设参照图片，所述预设参照图片可以为真实图片(相对于生成的合成图片而言，为真实的自然图片)，所述真实图片可以为开源OCR任务的数据集图片，并获取每张所述预设参照图片各自所对应的参照特征向量，再获取每张所述目标留存图片各自所对应的生成特征向量，计算每个所述生成特征向量分别与每个参照特征向量的欧式距离，根据每个所述生成特征向量分别与每个参照特征向量的欧式距离，筛选出与每个所述生成特征向量最接近(即欧式距离最小)的预设个数所述参照特征向量，根据每个所述生成特征向量及与该个所述生成特征向量相对应的预设个数所述参照特征向量，获取该个所述生成特征向量所对应的目标留存图片的图片质量衡量值。例如，若生成图片所对应的生成图片特征为X，预设参照图片所对应的图片特征为X

其中，X为生成的目标留存图片的特征所对应的特征向量，X

假设特征抽取函数为f(x)，则生成图片I的质量指标S(I)即为：

S(I)＝p(f(I)) 公式(3)

然后判断所述图片质量衡量值是否小于预设质量衡量阈值，若所述图片质量衡量值不小于预设质量衡量阈值，将所述图片质量衡量值所对应的所述目标留存图片作为OCR训练数据，若所述图片质量衡量值小于预设质量衡量阈值，不将所述图片质量衡量值所对应的所述目标留存图片作为OCR训练数据，请参阅图7，图7为本申请实施例提供的OCR训练数据生成方法中图5中保留图片进行筛选后的筛选图片示意图，在图5的基础上，对图5中的图片经上述筛选过程进一步筛选，进行评估和筛选之后可以得到效果更佳的图片，部分具体图片示例如图7所示，可以实现图片剔除与筛选的完全自动化，无需人工干预，提高了生成OCR训练数据的质量和效率，节省了人力成本，能够提高后续使用OCR训练数据训练的OCR识别模型的准确性。

请参阅图8，图8为本申请实施例提供的OCR训练数据生成方法的第四个子流程示意图。如图8所示，在该实施例中，所述获取OCR文本，根据所述OCR文本获取OCR标签，并将所述OCR标签生成相对应的第一标签矩阵的步骤包括：

S81、获取随机文本，并将所述随机文本剔除所述随机文本所包含的标点符号，以得到所述随机文本所包含的目标纯文本；

S82、将所述目标纯文本以最小独立单位作为相对应的文本标签，并根据所述文本标签获取所述OCR标签；

S83、将所述OCR标签进行向量转换，以得到所述OCR标签所对应的标签向量；

S84、将所述标签向量转换成预设矩阵格式，以得到所述OCR标签相对应的第一标签矩阵。

具体地，可以获取随机文本，所述随机文本可以包含中文文字或者英文单词等最小独立单位，并将所述随机文本剔除所述随机文本所包含的标点符号，以得到所述随机文本所包含的目标纯文本，所述目标纯文本包含纯中文文字或者纯英文单词，所述目标纯文本即为所述OCR文本。从所述目标纯文本中选取一系列英文单词或者中文文字，以每个中文文字或者每个英文单词等最小独立单位作为相对应的一个文本标签，并可以以预设数量的文本标签为单位，例如，英文可以以128个单词各自所对应的文本标签为单位，中文可以以一个文字所对应的文本标签为单位，将每个单位的文本标签写入相对应的一个文件，从而得到标签文件，即可根据所述标签文件获取OCR任务相对应的OCR标签，从而根据所述随机文本获取OCR任务所对应的OCR标签。再将所述OCR标签进行向量转换，以得到所述OCR标签所对应的标签向量，将所述标签向量转换成预设矩阵格式，以得到所述OCR标签相对应的第一标签矩阵，从而将多个OCR标签转换成各自相对应的第一标签矩阵。

请参阅图9，图9为本申请实施例提供的OCR训练数据生成方法的第五个子流程示意图。如图9所示，在该实施例中，所述将所述噪声图片经第一预设OCR识别模型进行识别，以得到将所述噪声图片进行识别所对应的识别矩阵的步骤包括：

将所述噪声图片经第一预设OCR识别模型进行识别，获取将所述噪声图片进行识别的过程中所包含的各个识别阶段所对应的多个中间识别矩阵及识别结果矩阵；

所述根据所述识别矩阵及所述第一标签矩阵，获取所述噪声图片相对于所述OCR标签的损失值的步骤包括：

S91、计算多个所述中间识别矩阵所对应的矩阵均值；

S92、计算每个所述中间识别矩阵各自与所述矩阵均值的中间差值，并将所有所述中间差值求和，以得到相对应的第一差值；

S93、计算所述识别结果矩阵与所述第一标签矩阵所对应的第二差值；

S94、将所述第一差值与所述第二差值进行求和，以得到所述噪声图片相对于所述OCR标签的损失值。

具体地，由于所述第一预设OCR识别模型包含池化层及卷积层等神经网络结构对应不同的处理阶段，以将所述噪声图片进行卷积化及池化等处理，且由于图像是以矩阵的形式存储的，所述第一预设OCR识别模型将所述噪声图片进行识别的过程中，在所述第一预设OCR识别模型将所述噪声图片进行OCR识别过程中，可以获取各个中间处理阶段各自所对应的中间识别矩阵，及最终识别结果所对应的识别结果矩阵，其中，所述中间识别矩阵的格式、所述识别结果矩阵的格式与所述第一标签矩阵的格式一致。

获取各个识别阶段所对应的多个中间识别矩阵及识别结果矩阵后，根据所述中间识别矩阵、所述识别结果矩阵及所述第一标签矩阵，获取所述噪声图片相对于所述OCR标签的损失值，可以计算多个所述中间识别矩阵所对应的矩阵均值，计算每个所述中间识别矩阵各自与所述矩阵均值的中间差值，并将所有所述中间差值求和，以得到相对应的第一差值，再计算所述识别结果矩阵与所述第一标签矩阵所对应的第二差值，将所述第一差值与所述第二差值进行求和，以得到所述噪声图片相对于所述OCR标签的损失值，以便后续根据所述损失值求得所述噪声图片的梯度，并根据所述梯度更新所述噪声图片，以将所述OCR标签绘制到所述噪声图片上，从而实现OCR训练数据的生成。

进一步地，计算多个所述中间识别矩阵所对应的矩阵均值，可以为获取多张所述噪声图片各自中间识别阶段相对应的中间识别矩阵，将多个所述中间识别矩阵进行求均值，以得到矩阵均值，该矩阵均值还可以为多张噪声图片各自对应的中间识别阶段各自多次进行识别的中间识别矩阵进行求均值，以得到中间识别矩阵所对应的矩阵均值，从而使损失值尽可能小，使所述噪声图片与所述OCR标签之间的差异尽可能小，当将所述OCR标签绘制到所述噪声图片上时，使生成的包含所述OCR标签的生成图片尽可能准确，其中，矩阵可以用交叉熵计算矩阵之间的差值。

需要说明的是，上述各个实施例所述的OCR训练数据生成方法，可以根据需要将不同实施例中包含的技术特征重新进行组合，以获取组合后的实施方案，但都在本申请要求的保护范围之内。

请参阅图10，图10为本申请实施例提供的OCR训练数据生成装置的一个示意性框图。对应于上述所述OCR训练数据生成方法，本申请实施例还提供一种OCR训练数据生成装置。如图10所示，该OCR训练数据生成装置包括用于执行上述所述OCR训练数据生成方法的单元，该OCR训练数据生成装置可以被配置于计算机设备中。具体地，请参阅图10，该OCR训练数据生成装置100包括第一获取单元101、第二获取单元102、第三获取单元103、传播单元104及生成单元105。

其中，第一获取单元101，用于获取OCR文本，根据所述OCR文本获取OCR标签，并将所述OCR标签生成相对应的第一标签矩阵；

第二获取单元102，用于获取噪声图片，将所述噪声图片经第一预设OCR识别模型进行识别，以得到将所述噪声图片进行识别所对应的识别矩阵，其中，所述识别矩阵的格式与所述第一标签矩阵的格式一致；

第三获取单元103，用于根据所述识别矩阵及所述第一标签矩阵，获取所述噪声图片相对于所述OCR标签的损失值；

传播单元104，用于将所述损失值进行反向传播，并根据所述损失值对所述噪声图片求梯度；

生成单元105，用于利用所述梯度更新所述噪声图片，以将所述OCR标签绘制到所述噪声图片上，从而生成包含所述OCR标签的生成图片，并将所述生成图片作为OCR训练数据。

在一实施例中，所述生成单元105包括：

更新子单元，用于利用所述梯度更新所述噪声图片，以得到更新后的噪声图片；

迭代子单元，用于将所述更新后的噪声图片根据上述更新过程进一步更新，并迭代所述将所述更新后的噪声图片根据上述更新过程进一步更新的步骤，以将所述OCR标签逐渐绘制到所述噪声图片上，从而生成包含所述OCR标签的生成图片。

在一实施例中，所述OCR训练数据生成装置100还包括：

第一识别单元，用于将多张所述生成图片分别经所述第一预设OCR识别模型进行识别，以得到每张所述生成图片各自所对应的第一OCR识别结果；

第一判断单元，用于判断每个所述第一OCR识别结果与所述第一OCR识别结果所对应的OCR标签是否一致；

第一保留单元，用于若所述第一OCR识别结果与所述第一OCR识别结果所对应的OCR标签一致，保留所述第一OCR识别结果所对应的生成图片，以得到留存生成图片，并将所述留存生成图片作为OCR训练数据。

在一实施例中，所述OCR训练数据生成装置100还包括：

第二识别单元，用于将多张所述留存生成图片分别经第二预设OCR识别模型进行识别，以得到每张所述留存生成图片各自所对应的第二OCR识别结果，其中，所述第二预设OCR识别模型与所述第一预设OCR识别模型不相同；

第二判断单元，用于判断每个所述第二OCR识别结果与所述第二OCR识别结果所对应的OCR标签是否一致；

第二保留单元，用于若所述第二OCR识别结果与所述第二OCR识别结果所对应的OCR标签一致，保留所述第二OCR识别结果所对应的生成图片，以得到目标留存图片，并将所述目标留存图片作为OCR训练数据。

在一实施例中，所述OCR训练数据生成装置100还包括：

第三获取单元，用于获取多张预设参照图片，并获取每张所述预设参照图片各自所对应的参照特征向量；

第四获取单元，用于获取所述目标留存图片所对应的生成特征向量；

第一计算单元，用于计算所述生成特征向量与每个参照特征向量的欧式距离；

第一筛选单元，用于根据所述欧式距离，筛选出与所述生成特征向量最接近的预设个数所述参照特征向量；

第五获取单元，用于根据所述生成特征向量及其相对应的预设个数所述参照特征向量，获取所述生成特征向量所对应的目标留存图片的图片质量衡量值；

第三判断单元，用于判断所述图片质量衡量值是否小于预设质量衡量阈值；

第六获取单元，用于若所述图片质量衡量值不小于预设质量衡量阈值，将所述图片质量衡量值所对应的所述目标留存图片作为OCR训练数据。

在一实施例中，所述第一获取单元101包括：

第一获取子单元，用于获取随机文本，并将所述随机文本剔除所述随机文本所包含的标点符号，以得到所述随机文本所包含的目标纯文本；

第二获取子单元，用于将所述目标纯文本以最小独立单位作为相对应的文本标签，并根据所述文本标签获取所述OCR标签；

第一转换子单元，用于将所述OCR标签进行向量转换，以得到所述OCR标签所对应的标签向量；

第二转换子单元，用于将所述标签向量转换成预设矩阵格式，以得到所述OCR标签相对应的第一标签矩阵。

在一实施例中，所述第二获取单元102包括：

第三获取子单元，用于将所述噪声图片经第一预设OCR识别模型进行识别，获取将所述噪声图片进行识别的过程中所包含的各个识别阶段所对应的多个中间识别矩阵及识别结果矩阵；

所述第三获取单元103包括：

第一计算子单元，用于计算多个所述中间识别矩阵所对应的矩阵均值；

第二计算子单元，用于计算每个所述中间识别矩阵各自与所述矩阵均值的中间差值，并将所有所述中间差值求和，以得到相对应的第一差值；

第三计算子单元，用于计算所述识别结果矩阵与所述第一标签矩阵所对应的第二差值；

求和子单元，用于将所述第一差值与所述第二差值进行求和，以得到所述噪声图片相对于所述OCR标签的损失值。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述OCR训练数据生成装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

同时，上述OCR训练数据生成装置中各个单元的划分和连接方式仅用于举例说明，在其它实施例中，可将OCR训练数据生成装置按照需要划分为不同的单元，也可将OCR训练数据生成装置中各单元采取不同的连接顺序和方式，以完成上述OCR训练数据生成装置的全部或部分功能。

上述OCR训练数据生成装置可以实现为一种计算机程序的形式，该计算机程序可以在如图11所示的计算机设备上运行。

请参阅图11，图11是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是台式机电脑或者服务器等计算机设备，也可以是其他设备中的组件或者部件。

参阅图11，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504，所述存储器也可以为易失性存储介质。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行一种上述OCR训练数据生成方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种上述OCR训练数据生成方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图11所示实施例一致，在此不再赘述。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：获取OCR文本，根据所述OCR文本获取OCR标签，并将所述OCR标签生成相对应的第一标签矩阵；获取噪声图片，将所述噪声图片经第一预设OCR识别模型进行识别，以得到将所述噪声图片进行识别所对应的识别矩阵，其中，所述识别矩阵的格式与所述第一标签矩阵的格式一致；根据所述识别矩阵及所述第一标签矩阵，获取所述噪声图片相对于所述OCR标签的损失值；将所述损失值进行反向传播，并根据所述损失值对所述噪声图片求梯度；利用所述梯度更新所述噪声图片，以将所述OCR标签绘制到所述噪声图片上，从而生成包含所述OCR标签的生成图片，并将所述生成图片作为OCR训练数据。

在一实施例中，所述处理器502在实现所述利用所述梯度更新所述噪声图片，以将所述OCR标签绘制到所述噪声图片上，从而生成包含所述OCR标签的生成图片的步骤时，具体实现以下步骤：

利用所述梯度更新所述噪声图片，以得到更新后的噪声图片；

将所述更新后的噪声图片根据上述更新过程进一步更新，并迭代所述将所述更新后的噪声图片根据上述更新过程进一步更新的步骤，以将所述OCR标签逐渐绘制到所述噪声图片上，从而生成包含所述OCR标签的生成图片。

在一实施例中，所述处理器502在实现所述迭代所述将所述更新后的噪声图片进一步更新的步骤，以将所述OCR标签逐渐绘制到所述噪声图片上，从而生成包含所述OCR标签的生成图片的步骤之后，还实现以下步骤：

将多张所述生成图片分别经所述第一预设OCR识别模型进行识别，以得到每张所述生成图片各自所对应的第一OCR识别结果；

判断每个所述第一OCR识别结果与所述第一OCR识别结果所对应的OCR标签是否一致；

若所述第一OCR识别结果与所述第一OCR识别结果所对应的OCR标签一致，保留所述第一OCR识别结果所对应的生成图片，以得到留存生成图片，并将所述留存生成图片作为OCR训练数据。

在一实施例中，所述处理器502在实现所述若所述第一OCR识别结果与所述第一OCR识别结果所对应的OCR标签一致，保留所述第一OCR识别结果所对应的生成图片，以得到留存生成图片的步骤之后，还实现以下步骤：

将多张所述留存生成图片分别经第二预设OCR识别模型进行识别，以得到每张所述留存生成图片各自所对应的第二OCR识别结果，其中，所述第二预设OCR识别模型与所述第一预设OCR识别模型不相同；

判断每个所述第二OCR识别结果与所述第二OCR识别结果所对应的OCR标签是否一致；

若所述第二OCR识别结果与所述第二OCR识别结果所对应的OCR标签一致，保留所述第二OCR识别结果所对应的生成图片，以得到目标留存图片，并将所述目标留存图片作为OCR训练数据。

在一实施例中，所述处理器502在实现所述若所述第二OCR识别结果与所述第二OCR识别结果所对应的OCR标签一致，保留所述第二OCR识别结果所对应的生成图片，以得到目标留存图片的步骤之后，还实现以下步骤：

获取多张预设参照图片，并获取每张所述预设参照图片各自所对应的参照特征向量；

获取所述目标留存图片所对应的生成特征向量；

计算所述生成特征向量与每个参照特征向量的欧式距离；

根据所述欧式距离，筛选出与所述生成特征向量最接近的预设个数所述参照特征向量；

根据所述生成特征向量及其相对应的预设个数所述参照特征向量，获取所述生成特征向量所对应的目标留存图片的图片质量衡量值；

判断所述图片质量衡量值是否小于预设质量衡量阈值；

若所述图片质量衡量值不小于预设质量衡量阈值，将所述图片质量衡量值所对应的所述目标留存图片作为OCR训练数据。

在一实施例中，所述处理器502在实现所述获取OCR文本，根据所述OCR文本获取OCR标签，并将所述OCR标签生成相对应的第一标签矩阵的步骤时，具体实现以下步骤：

获取随机文本，并将所述随机文本剔除所述随机文本所包含的标点符号，以得到所述随机文本所包含的目标纯文本；

将所述目标纯文本以最小独立单位作为相对应的文本标签，并根据所述文本标签获取所述OCR标签；

将所述OCR标签进行向量转换，以得到所述OCR标签所对应的标签向量；

将所述标签向量转换成预设矩阵格式，以得到所述OCR标签相对应的第一标签矩阵。

在一实施例中，所述处理器502在实现所述将所述噪声图片经第一预设OCR识别模型进行识别，以得到将所述噪声图片进行识别所对应的识别矩阵的步骤时，具体实现以下步骤：

将所述噪声图片经第一预设OCR识别模型进行识别，获取将所述噪声图片进行识别的过程中所包含的各个识别阶段所对应的多个中间识别矩阵及识别结果矩阵；

所述根据所述识别矩阵及所述第一标签矩阵，获取所述噪声图片相对于所述OCR标签的损失值的步骤包括：

计算多个所述中间识别矩阵所对应的矩阵均值；

计算每个所述中间识别矩阵各自与所述矩阵均值的中间差值，并将所有所述中间差值求和，以得到相对应的第一差值；

计算所述识别结果矩阵与所述第一标签矩阵所对应的第二差值；

将所述第一差值与所述第二差值进行求和，以得到所述噪声图片相对于所述OCR标签的损失值。

应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessingUnit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来完成，该计算机程序可存储于一计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本申请还提供一种计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，也可以为易失性的计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时使处理器执行如下步骤：

一种计算机程序产品，当其在计算机上运行时，使得计算机执行以上各实施例中所描述的所述OCR训练数据生成方法的步骤。

所述计算机可读存储介质可以是前述设备的内部存储单元，例如设备的硬盘或内存。所述计算机可读存储介质也可以是所述设备的外部存储设备，例如所述设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述设备的内部存储单元也包括外部存储设备。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、磁碟或者光盘等各种可以存储计算机程序的实体存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本申请实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，终端，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。

以上所述，仅为本申请的具体实施方式，但本申请明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。