- 资产集市
- 教学
- 实践
- AI说
- 案例库
- 生态合作
- 专区
中国站
简体中文发布于27个月以前
验证码识别 中,我们介绍了文本行识别算法,但是验证码场景只有单行文本,字符集的数量不多,图片中的字符数也是固定的,本文我们继续提高难度:视频字幕识别,需要先进行文本行的定位,再进行文本行识别,需要识别的字符集数量大大增多,文本行中的文字数量也不固定。
视频字幕大家比较熟悉,但是视频字幕识别可能不太理解,有些人甚至不能理解这个任务存在的合理性:不是有独立的字幕文件吗?这个任务就是单纯的技术展示吗?
其实,有些视频是内嵌字幕,没有独立的视频文件;或者有些条件下拿不到字幕文件,此时,字幕识别可以有以下用途:视频内容理解场景,字幕识别可以从文字层面提供内容解析;视频推荐场景,识别的字幕中可以提取出关键词;还有字幕自动翻译,也需要先识别原文本才能搭配机器翻译技术。因此,视频字幕识别还是有其应用场景的。
本文要实现的视频字幕识别效果如下:
可以看到,最新的字幕将显示在右侧最下层,前面时刻的字幕会滚动到上层。
视频字幕识别应用包括文本行定位与文本行识别两个模型。文本行识别可以继续采用CRNN+CTC模型,与 验证码识别 中一样;文本行定位使用的是DBNet,模型的训练与转换教程已经开放在AI Gallery
中,其中包含训练数据、训练代码、模型转换脚本,以及详细的指导文档。开发者如果希望尝试自己训练模型,或者对模板中提供的模型效果不满意,可以进入 【ModelBox】通用文字检测模型训练 页面,点击右上角的Run in ModelArts按钮,跟随教程一步步操作,也可以修改其中的代码、更换新的数据集训练出自己的模型。
视频字幕识别应用已经做成模板放在华为云OBS中,可以用sdk中的solution.bat
工具下载。
在ModelBox
sdk目录下执行.\solution.bat -l
可看到当前公开的技能模板:
PS ███> .\solution.bat -l
...
Solutions name:
mask_det_yolo3
...
caption_recognition_db_crnn
结果中的 caption_recognition_db_crnn 即为视频字幕识别应用模板,可使用如下命令下载模板:
PS ███> .\solution.bat -s caption_recognition_db_crnn
...
solution.bat
工具的参数中,-l
代表list
,即列出当前已有的模板名称;-s
代表solution-name
,即下载对应名称的模板。下载下来的模板资源,将存放在ModelBox
核心库的solution
目录下。
在ModelBox
sdk目录下使用create.bat
创建caption_recognition
工程
PS ███> .\create.bat -t server -n caption_recognition -s caption_recognition_db_crnn
sdk version is modelbox-xxx
success: create caption_recognition in ███\modelbox\workspace
create.bat
工具的参数中,-t
表示创建事务的类别,包括工程(server)、Python功能单元(Python)、推理功能单元(infer)等;-n
代表name
,即创建事务的名称;-s
代表solution-name
,表示将使用后面参数值代表的模板创建工程,而不是创建空的工程。
workspace
目录下将创建出caption_recognition
工程,工程内容如下所示:
caption_recognition
|--bin
│ |--main.bat:应用执行入口
│ |--mock_task.toml:应用在本地执行时的输入输出配置,此应用默认使用本地视频文件为输入源,最终结果输出到另一本地视频文件,可根据需要修改
|--CMake:存放一些自定义CMake函数
|--data:存放应用运行所需要的图片、视频、文本、配置等数据
│ |--character_keys.txt:OCR算法的字符集合
│ |--GB2312.ttf:中文字体文件
│ |--ocr_test.mp4:字幕识别测试用的视频
|--dependence
│ |--modelbox_requirements.txt:应用运行依赖的外部库在此文件定义,本应用依赖pillow等三方库
|--etc
│ |--flowunit:应用所需的功能单元存放在此目录
│ │ |--cpp:存放C++功能单元编译后的动态链接库,此应用没有C++功能单元
│ │ |--collapse_res:合并功能单元,将多个文本行的字幕识别结果合在一起输出
│ │ |--det_post:文本行定位模型的后处理功能单元
│ │ |--draw_res:字幕识别结果画图功能单元
│ │ |--expand_img:展开功能单元,将同一张图的多个文本行检测框展开为多个输出
│ │ |--similarity:文本相似度计算,用于合并相同字幕在多帧的识别结果
|--flowunit_cpp:存放C++功能单元的源代码,此应用没有C++功能单元
|--graph:存放流程图
│ |--caption_recognition.toml:默认流程图,使用data下的测试视频进行推理
│ |--modelbox.conf:modelbox相关配置
|--hilens_data_dir:存放应用输出的结果文件、日志、性能统计信息
|--model:推理功能单元目录
│ |--det:文本行定位推理功能单元
│ │ |--det.toml:文本行定位功能单元的配置文件
│ │ |--det.onnx:文本行定位onnx模型
│ |--ocr:文本行识别推理功能单元
│ │ |--ocr.toml:文本行识别功能单元的配置文件
│ │ |--ocr.onnx:文本行识别onnx模型
|--build_project.sh:应用构建脚本
|--CMakeLists.txt
|--rpm:打包rpm时生成的目录,将存放rpm包所需数据
|--rpm_copyothers.sh:rpm打包时的辅助脚本
mnist
工程graph
目录下存放流程图,默认的流程图caption_recognition.toml
与工程同名,其内容为(以Windows版ModelBox
为例):
[driver]
# 功能单元的扫描路径,包含在[]中,多个路径使用,分隔
# ${HILENS_APP_ROOT} 表示当前应用的实际路径
# ${HILENS_MB_SDK_PATH} 表示ModelBox核心库的实际路径
dir = [
"${HILENS_APP_ROOT}/etc/flowunit",
"${HILENS_APP_ROOT}/etc/flowunit/cpp",
"${HILENS_APP_ROOT}/model",
"${HILENS_MB_SDK_PATH}/flowunit",
]
skip-default = true
[profile]
# 通过配置profile和trace开关启用应用的性能统计
profile = false # 是否记录profile信息,每隔60s记录一次统计信息
trace = false # 是否记录trace信息,在任务执行过程中和结束时,输出统计信息
dir = "${HILENS_DATA_DIR}/mb_profile" # profile/trace信息的保存位置
[flow]
desc = "caption recognition example with local video" # 应用的简单描述
[graph]
format = "graphviz" # 流程图的格式,当前仅支持graphviz
graphconf = """digraph caption_recognition {
node [shape=Mrecord]
queue_size = 1
batch_size = 1
# 定义节点,即功能单元及其属性
input1[type=input,flowunit=input,device=cpu,deviceid=0]
data_source_parser[type=flowunit, flowunit=data_source_parser, device=cpu, deviceid=0]
video_demuxer[type=flowunit, flowunit=video_demuxer, device=cpu, deviceid=0]
video_decoder[type=flowunit, flowunit=video_decoder, device=cpu, deviceid=0, pix_fmt="rgb"]
det_resize[type=flowunit flowunit=resize device=cpu deviceid="0" image_width=640, image_height=640]
det_color_transpose[type=flowunit flowunit=packed_planar_transpose device=cpu deviceid="0"]
det_mean[type=flowunit flowunit=mean device=cpu deviceid="0" mean="123.68,103.53,116.28"]
det_normalize[type=flowunit flowunit=normalize device=cpu deviceid=0 standard_deviation_inverse="0.01712475,0.01742919,0.0175070"]
det[type=flowunit flowunit=det device=cpu deviceid="0"]
det_post[type=flowunit, flowunit=det_post, device=cpu, deviceid=0]
expand_img[type=flowunit, flowunit=expand_img, device=cpu, deviceid=0 img_w=320, img_h=32]
ocr_color_transpose[type=flowunit flowunit=packed_planar_transpose device=cpu deviceid="0"]
ocr_mean[type=flowunit flowunit=mean device=cpu deviceid="0" mean="127.5,127.5,127.5"]
ocr_normalize[type=flowunit flowunit=normalize device=cpu deviceid=0 standard_deviation_inverse="0.007843,0.007843,0.007843"]
ocr[type=flowunit flowunit=ocr device=cpu deviceid="0"]
collapse_res[type=flowunit flowunit=collapse_res device=cpu deviceid="0"]
similarity[type=flowunit flowunit=similarity device=cpu deviceid="0"]
draw_res[type=flowunit flowunit=draw_res device=cpu deviceid="0"]
video_out[type=flowunit, flowunit=video_out, device=cpu, deviceid=0]
# 定义边,即功能间的数据传递关系
input1:input -> data_source_parser:in_data
data_source_parser:out_video_url -> video_demuxer:in_video_url
video_demuxer:out_video_packet -> video_decoder:in_video_packet
video_decoder:out_video_frame -> det_resize:in_image
det_resize:out_image -> det_color_transpose:in_image
det_color_transpose:out_image -> det_mean:in_data
det_mean:out_data -> det_normalize:in_data
det_normalize:out_data -> det:input
det:output -> det_post:in_feat
video_decoder:out_video_frame -> det_post:in_image
det_post:has_box -> expand_img:in_image
expand_img:out_image -> ocr_color_transpose:in_image
ocr_color_transpose:out_image -> ocr_mean:in_data
ocr_mean:out_data -> ocr_normalize:in_data
ocr_normalize:out_data -> ocr:input
ocr:output -> collapse_res:in_feat
collapse_res:out_feat -> similarity:in_feat
det_post:has_box -> similarity:in_image
similarity:out_image -> draw_res: in_image
det_post:no_box -> draw_res: in_image
draw_res:out_image-> video_out:in_video_frame
}"""
这是个视频推理流程图,首先进行文本行定位,再截取文本区域图片进行文本行识别,最后展示结果。因为一句字幕会持续一段时间,应用中增加了文本相似度计算模块,用于对多帧的相同字幕进行合并。
启动应用前执行.\build_project.sh
进行工程构建,该脚本将编译自定义的C++功能单元(本应用不涉及)、将应用运行时会用到的配置文件转码为Unix格式(防止执行过程中的格式错误)、安装第三方依赖库:
PS ███> .\build_project.sh
...
PS ███>
然后执行.\bin\main.bat
运行应用:
PS ███> .\bin\main.bat
...
运行结束后在hilens_data_dir目录下生成了result.mp4文件,可以打开查看,效果与文章开头的图类似。
本教程我们再次增加了难度,使用视频字幕识别这一场景学习了文本行定位+识别算法,这是很多OCR任务的标准流程。前几年OCR领域的很多创新都是在提出更优的文本行定位算法、文本行识别算法,很多新的模型结构被提出。万变不离其宗,我们把握了这一基础流程,已经可以应付很多OCR任务了。