CN103996055B - 基于影像档案电子资料识别系统中分类器的识别方法 - Google Patents
基于影像档案电子资料识别系统中分类器的识别方法 Download PDFInfo
- Publication number
- CN103996055B CN103996055B CN201410262741.7A CN201410262741A CN103996055B CN 103996055 B CN103996055 B CN 103996055B CN 201410262741 A CN201410262741 A CN 201410262741A CN 103996055 B CN103996055 B CN 103996055B
- Authority
- CN
- China
- Prior art keywords
- information
- identification
- item
- image
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Character Discrimination (AREA)
- Character Input (AREA)
Abstract
本发明提供一种基于影像档案电子资料识别系统中分类器的识别方法,在识别系统中设置分类器,对图像的识别信息进行分类得到不同的信息项,为每个信息项构建相应的查找表,以查找表中的内容对识别信息进行比对。本发明能够自动识别扫描图像,从中提取有用信息,并按照一定的分类规则保存到数据库中,供用户检索、查询,最大程度减少用户的工作量。本发明利用多分类器融合方法来提高字符的识别率;利用格式模板,并运用多区域多内容冗余校验的方法对不同信息项内容进行比对,保证识别结果的充分可信赖性,提高了识别效率。
Description
技术领域
本发明涉及数据管理系统领域,特别涉及一种基于影像档案电子资料识别系统中分类器的识别方法。
背景技术
现代社会中,纸质文档(例如银行票据凭证、个人信息表等等)仍然被广泛使用,对纸质文档的存储、管理及文件上的信息归类、查找都十分困难。计算机和智能手机的普及,使得通过电子方法对纸质文档进行管理成为可能,但是将纸质文档上的信息通过人工输入电子系统需要耗费大量的时间和人力;而通过智能系统自动识别票据内容还存在很多局限。
诸如银行业务中,票据上的大量信息都是打印上去的印刷体的数字及中英文字符,准确提取并识别这些信息对票据自动处理有着重要作用。然而,由于票据版面的复杂性和识别要求的特殊性,在实际系统中可能会遇到各种困难:票据版面上存在印章、油墨、手写信息、背景图案等等干扰信息;另外票据上还会出现字符粘连、字体字号变化频繁、识别信息不全等问题。针对于银行系统中的兑付业务而言,其过程是将每个柜员办理的业务票据与电脑中存储的流水信息进行比对,以检查操作员是否进行了误操作;如果票据内容识别错误会导致账目不平的后果。
近些年来,相对于设计更复杂的分类器来提高识别率来说,人们更倾向于将一些单个的分类器融合起来以获得更高的性能。多分类器融合算法包括两个基本途径:多个分类器的融合,也就是将每个分类器的输出结果按照特定的融合规则进行融合来得到最终的分类结果;动态分类器选择,也就是对于特定类型的待识别模式动态选择最有可能分类正确的分类器进行分类。目前在自动识别系统中,多分类器融合方法得到了很好地应用。
发明内容
为了解决上述现有问题,本发明提供了一种基于影像档案电子资料识别系统中分类器的识别方法,对识别结果进行分类后按相应的格式模板进行识别,有效提高识别效率和准确性。
为了达到上述目的,本发明的技术方案是提供一种基于影像档案电子资料识别系统中分类器的识别方法,在识别系统中设置分类器,对图像的识别信息进行分类得到不同的信息项,为每个信息项构建相应的查找表,以查找表中的内容对识别信息进行比对。
可选地,将信息项划分为具有上下顺位的不同类别,为不同类别的信息项对应设置有对应级别的查找表。
可选地,记录信息项之间的关联情况,对任意一个信息项的内容通过与之关联的信息项的内容进行验证。
可选地,通过与信息项对应的格式模板进行信息识别;
所述格式模板中定义了信息项的固有位置、固有格式、固有内容、固有表达方式中的一项或若干项的组合。
可选地,所述识别系统中设置有信息识别模块,对图像中的信息进行初步识别;
再通过所述分类器,对初步识别后的信息进行分类;
之后,将分类结果反馈至所述信息识别模块进行精确识别。
可选地,所述识别系统中设置有信息校正模块,基于信息分类结果及其查找表、信息项关联情况、格式模板,对识别信息进行校正。
可选地,在查找表中预先设置与识别信息中格式及内容固定的信息项对应的内容;还将经过精确识别或校正后的信息项的内容在查找表中进行更新。
可选地,通过与所述信息校正模块信号连接的信息补录模块,对遗漏或错误识别的信息进行校正。
可选地,所述识别系统中设置有预处理模块,对图像进行包含二值化的预处理;还设置有版面分析模块,从预处理过的图像中提取出识别区域,使信息识别模块对识别区域信进行信息识别。
可选地,所述识别系统中设置有多个分类器,以不同的特征各自进行信息分类;对各分类器分别设置阈值来筛选其信息分类结果,将多个分类器的信息分类结果融合后输出。
本发明提供的基于影像档案电子资料识别系统中分类器的识别方法,其优点在于:本发明能够自动识别扫描图像,从中提取有用信息,并按照一定的分类规则保存到数据库中,供用户检索、查询,最大程度减少用户的工作量。本发明利用多分类器融合方法来提高字符的识别率;运用多区域多内容冗余校验的方法对不同信息项内容进行比对,保证识别结果的充分可信赖性,提高了识别效率。
附图说明
图1是本发明中影像档案电子资料的识别系统的示意图;
图2是本发明识别系统中信息分类过程的示意图。
具体实施方式
本发明通过使用如图1所示的影像档案电子资料的识别系统,对扫描纸质文档得到的图像进行信息识别,形成与该信息相匹配的电子档案存入数据库,供用户后续查询使用。该识别系统主要包含:对扫描获得的图像进行包含二值化等预处理的预处理模块;从图像中提取出识别区域,切分出文字行,并去除干扰信息(例如印章、手写体、背景图案、底纹、噪音等)的版面分析模块;对图像中识别区域的字符进行识别的信息识别模块;将识别出的信息按照不同类型进行分类的分类器;对识别出的信息根据分类结果进行校正的信息校正模块。
本发明所述的版面分析模块,以图像版面内的连通体分析为基础,采用区域生长算法对连通体行进行聚类,从而确定所需的识别区域。具体地,所述连通体由版面中同颜色像素点(白像素或黑像素)连通构成:从一个像素点出发,若其相邻的4个或8个方向上有相邻的同颜色像素点,则将两者连接起来,直到找不到相邻的同颜色像素点,则将已经找到的同颜色像素点作为一个连通体。这里可以通过BAG(block adjacency graph)来寻找图像中的连通体。图像中不同特征的连通体往往混杂在一起。其中,背景纹理产生的连通体通常表现为小的点或者窄长的线,手写字产生的连通体往往形状不规则;而本发明中需要识别的由连续的印刷字产生的连通体,一般是比较规则的方块或者较宽的条带。因而,对连通体的长度、宽度、倾斜角度等参数设置阈值,来去掉那些明显不符合规则的连通体。之后,根据位置关系,将位置相邻的连通体组成连通体行。再对这些连通体进行聚类,确定需要识别的信息域。
本发明所述的分类器,利用某个领域内使用的纸质文档具有相对固定的格式与内容的特点,可以预先将一些常见信息项的内容分别添加在不同的查找表中,然后把要识别的信息到查找表中比对,找到最符合的项目。如果没有找到,可以在查找表中增加新的项目,以备以后查找之用。
例如,有的纸质文档中包含个人基本信息:姓名、出生年月、身份证号、毕业学校、专业、籍贯、住址等。则诸如其中毕业学校、专业、籍贯的内容较为固定,一般可以在各自的查找表中全部列出,提供识别比对。分类器中的分类规则,主要基于上下文或其他自然语言理解方法实现。举例来说,
(1) 姓氏、地址中的省市名称等一般都是某些固定的文字;
(2) 邮编、电话号、身份证号等一般都是数字格式;
(3) 由于表达上的习惯,地址、日期等信息的书写有固定的格式及次序;
(4) 由于表达上的习惯,姓氏一般在名字前面,等等。
另外,可以对不同查找表中的信息进行关联,将不同信息项之间的对应关系进行记录,供冗余校验使用。例如,地址与邮编之间,金额的大小写之间,年龄与出生年月之间等等,往往都存在对应关系,因此可以通过一个信息项内容来验证另一个信息项内容,来判断识别出的内容是否正确。
本发明的分类器,先将初步识别出的信息按照大类划分后利用一级查找表进行比对,例如将某个图像上的信息划分为文字类和数字类;或者按照不同的字符长度划分,等等;在某个大类下可以再具体按照小类划分后以二级查找表进行识别,例如在数字类下设电话号、邮编类、身份证号类等等。根据实际情况,可以进一步将信息细分至下一类别,并以相应的查找表识别。初步识别并经过分类的信息可以再反馈给信息识别模块,进行精准识别。
在精确识别中,本发明中分好类型的不同信息项,按照对应的格式模板进行匹配,使识别更快速准确。并且,根据信息分类的结果、查找表、格式模板、验证结果等进行信息识别后的校正也可有效提升效率;可以进一步使用经过精确识别及校正后的信息内容来更新查找表中的内容,供其他图像的识别使用。例如,分类器中可以通过判断识别区域在纸质文档上所处的固定位置,或根据信息项的固有格式、固有字符长度、固有表达方式等等规则或规则的组合,来对信息进行分类。
比方说,若第一信息域被识别为提示语“邮编”时,系统可以根据固有位置的规则判断紧跟着第一信息域的第二信息域为固有长度(6位字符)的数字,即邮编的具体内容;因而,在对第二信息域的内容进行识别时,套用的格式模板将只按照数字格式进行识别;并且,假设该第二信息域识别出的数字对应数字类下设的某一级查找表,该查找表还与地址类查找表中的地址信息相互关联,可互相进行验证。对应不同信息项的格式模板中,可以同时定义一种或几种字符格式:例如某个格式模板中设定了其中若干位的字符为字母格式而另外的几位字符为数字格式,等等。
本发明中的信息校正模块,基于信息分类的结果,查找表信息,信息项关联情况,格式模板等等,对识别出的信息进行校正。对于可以确定唯一匹配内容的信息项的,可以自动进行校正(例如在提示语为“国家”的信息域之后的内容被识别为“中囯”时,可以直接将其校正为“中国”;在对邮编内容使用数字类的格式模板进行校正时,若识别出字母“O”的则自动校正为数字0,等等)。对于不能确定唯一匹配内容的信息项,则可以提交工作人员进一步判断或进行手动校正。工作人员可以通过本发明提供的信息补录模块,对遗漏或错误识别的信息进行手动输入及编辑操作。本发明中提供图像存储器至信息校正模块的传输接口,以便从图像存储器中调取保存的原始扫描图像,供工作人员在信息校正时与识别出的信息进行比对。
某个图像上通过本发明识别系统中各模块处理后的数据,即识别、校正、补录后得到的信息及其相关的分类信息项、查找表内容等等,一起构成了与该图像对应的电子档案,被存入数据库中,供接入的用户终端或外部系统对其进行查询、分析等处理。按照信息分类结果、查找表级别划分的情况等等,对所述电子档案的检索条件进行设置,可以有效提升以后查找电子档案的效率。
本发明中还可以进一步生成索引信息,为扫描的图像与其识别出的信息及电子档案等进行匹配。该索引信息可以是文字、图形或语音等各种格式,例如,是复制于图像上某一部分的图形,或者是识别信息中的一部分文字,或者是分类后的某个信息项内容,又或者是用以表示该图像特征的一些语音,由扫描人员或补录人员等人工添加,或由系统根据识别出的文字转化成语音数据后自动添加成为索引。因而,当图像保存在图像存储器之后,可以根据各种格式的索引信息或其组合作为搜索条件进行智能查询,来调取原始图像。该索引信息也可以存入到图像对应的电子档案中,方便统一管理。
一个示例的识别系统中,用到了两个分类器:一个是以方向元素为特征的最小欧式距离分类器,方向元素特征(DEF)是从字符的轮廓线上提取的特征,其提取过程主要包括字符轮廓提取,点定位以及向量构造等步骤。另一个是以标准数字样本为模板的模板匹配分类器,将待识别字符图像与标准模板的图像的重心重合,在此基础上进行匹配。本发明中对两个分类器的输出结果分别设置阈值,根据具体的应用情况,可以选择两者中分类效果较好的一个输出,或者可以选择二者融合后最优的分类效果输出。
综上所述,本发明提供的影像档案电子资料的识别系统,能够自动识别扫描图像,从中提取有用信息,并按照一定的分类规则保存到数据库中,供用户检索、查询,最大程度减少用户的工作量。本发明利用多分类器融合方法来提高字符的识别率;运用多区域多内容冗余校验的方法对不同信息项内容进行比对,保证识别结果的充分可信赖性,提高了识别效率。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (6)
1.一种基于影像档案电子资料识别系统中分类器的识别方法,其特征在于,
在识别系统中设置分类器,对图像的识别信息进行分类得到不同的信息项,为每个信息项构建相应的查找表,以查找表中的内容对识别信息进行比对;
将信息项划分为具有上下顺位的不同类别,为不同类别的信息项对应设置有对应级别的查找表;
记录信息项之间的关联情况,对任意一个信息项的内容通过与之关联的信息项的内容进行验证;
通过与信息项对应的格式模板进行信息识别;所述格式模板中定义了信息项的固有位置、固有格式、固有内容、固有表达方式中的一项或若干项的组合;
所述识别系统中设置有信息识别模块,对图像中的信息进行初步识别;再通过所述分类器,对初步识别后的信息进行分类;之后,将分类结果反馈至所述信息识别模块进行精确识别;
生成索引信息,对图像、图像的识别信息及电子档案进行匹配,所述索引信息是文字、图形或语音格式;图形格式的索引信息包含从图像上设定部分复制得到的图形;文字格式的索引信息包含图像中识别出的文字,或分类后的信息项的内容;语音格式的索引信息包含人工添加的语音,或根据识别出的文字转化得到的语音。
2.如权利要求1所述的识别方法,其特征在于,
所述识别系统中设置有信息校正模块,基于信息分类结果及其查找表、信息项关联情况、格式模板,对识别信息进行校正。
3.如权利要求2所述的识别方法,其特征在于,
在查找表中预先设置与识别信息中格式及内容固定的信息项对应的内容;还将经过精确识别或校正后的信息项的内容在查找表中进行更新。
4.如权利要求2所述的识别方法,其特征在于,
通过与所述信息校正模块信号连接的信息补录模块,对遗漏或错误识别的信息进行校正。
5.如权利要求1所述的识别方法,其特征在于,
所述识别系统中设置有预处理模块,对图像进行包含二值化的预处理;还设置有版面分析模块,从预处理过的图像中提取出识别区域,使信息识别模块对识别区域信进行信息识别。
6.如权利要求1所述的识别方法,其特征在于,
所述识别系统中设置有多个分类器,以不同的特征各自进行信息分类;对各分类器分别设置阈值来筛选其信息分类结果,将多个分类器的信息分类结果融合后输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410262741.7A CN103996055B (zh) | 2014-06-13 | 2014-06-13 | 基于影像档案电子资料识别系统中分类器的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410262741.7A CN103996055B (zh) | 2014-06-13 | 2014-06-13 | 基于影像档案电子资料识别系统中分类器的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103996055A CN103996055A (zh) | 2014-08-20 |
CN103996055B true CN103996055B (zh) | 2017-06-09 |
Family
ID=51310216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410262741.7A Expired - Fee Related CN103996055B (zh) | 2014-06-13 | 2014-06-13 | 基于影像档案电子资料识别系统中分类器的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103996055B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709483A (zh) * | 2015-07-21 | 2017-05-24 | 深圳市唯德科创信息有限公司 | 根据指定位置进行图像识别的方法 |
CN105808742A (zh) * | 2016-03-11 | 2016-07-27 | 北京天创征腾信息科技有限公司 | 一种影像池系统及使用影像池的方法 |
CN106127198A (zh) * | 2016-06-20 | 2016-11-16 | 华南师范大学 | 一种基于多分类器集成的图像文字识别方法 |
CN106446192B (zh) * | 2016-09-29 | 2020-02-21 | 恒大智慧科技有限公司 | 签核文件管理方法及装置 |
JP6751072B2 (ja) * | 2017-12-27 | 2020-09-02 | 株式会社日立製作所 | 生体認証システム |
CN109002768A (zh) * | 2018-06-22 | 2018-12-14 | 深源恒际科技有限公司 | 基于神经网络文本检测识别的医疗票据类文字提取方法 |
CN110956022A (zh) * | 2019-12-04 | 2020-04-03 | 青岛盈智科技有限公司 | 一种单据文档的处理方法及其系统 |
CN111325240A (zh) * | 2020-01-23 | 2020-06-23 | 杭州睿琪软件有限公司 | 与杂草相关的计算机可执行的方法和计算机系统 |
CN113610117B (zh) * | 2021-07-19 | 2024-04-02 | 上海德衡数据科技有限公司 | 基于深度数据的水下传感数据处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1916940A (zh) * | 2005-08-18 | 2007-02-21 | 北大方正集团有限公司 | 模板优化的字符识别方法和系统 |
CN101122952A (zh) * | 2007-09-21 | 2008-02-13 | 北京大学 | 一种图片文字检测的方法 |
CN101149790A (zh) * | 2007-11-14 | 2008-03-26 | 哈尔滨工程大学 | 中文印刷体公式识别方法 |
CN103235803A (zh) * | 2013-04-17 | 2013-08-07 | 北京京东尚科信息技术有限公司 | 一种从文本中获取物品属性值的方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4181310B2 (ja) * | 2001-03-07 | 2008-11-12 | 昌和 鈴木 | 数式認識装置および数式認識方法 |
-
2014
- 2014-06-13 CN CN201410262741.7A patent/CN103996055B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1916940A (zh) * | 2005-08-18 | 2007-02-21 | 北大方正集团有限公司 | 模板优化的字符识别方法和系统 |
CN101122952A (zh) * | 2007-09-21 | 2008-02-13 | 北京大学 | 一种图片文字检测的方法 |
CN101149790A (zh) * | 2007-11-14 | 2008-03-26 | 哈尔滨工程大学 | 中文印刷体公式识别方法 |
CN103235803A (zh) * | 2013-04-17 | 2013-08-07 | 北京京东尚科信息技术有限公司 | 一种从文本中获取物品属性值的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103996055A (zh) | 2014-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103996055B (zh) | 基于影像档案电子资料识别系统中分类器的识别方法 | |
CN103995904B (zh) | 一种影像档案电子资料的识别系统 | |
US10846553B2 (en) | Recognizing typewritten and handwritten characters using end-to-end deep learning | |
Eskenazi et al. | A comprehensive survey of mostly textual document segmentation algorithms since 2008 | |
CN107622255B (zh) | 基于位置模板与语义模板的票据图像字段定位方法及系统 | |
CN102750541B (zh) | 一种文档图像分类识别方法及装置 | |
KR101446376B1 (ko) | 고유 이미지 프로세스에 따른 미지 문서의 식별 및 검증 | |
KR101515256B1 (ko) | 동적 문서 식별 프레임워크를 사용한 문서 검증 | |
Singh | Optical character recognition techniques: a survey | |
JP5500480B2 (ja) | 帳票認識装置及び帳票認識方法 | |
AU2010311066B2 (en) | System and method for obtaining document information | |
CA3027038A1 (en) | Document field detection and parsing | |
JP5492205B2 (ja) | 印刷媒体ページの記事へのセグメント化 | |
CN112508011A (zh) | 一种基于神经网络的ocr识别方法及设备 | |
US11379690B2 (en) | System to extract information from documents | |
CN112101367A (zh) | 文本识别方法、图像识别分类方法、文档识别处理方法 | |
US20150310269A1 (en) | System and Method of Using Dynamic Variance Networks | |
CN113901952A (zh) | 一种基于深度学习的印刷体与手写体分开文字识别方法 | |
US20210240932A1 (en) | Data extraction and ordering based on document layout analysis | |
CN116740723A (zh) | 一种基于开源Paddle框架的PDF文档识别方法 | |
CN114937278A (zh) | 基于行文本框分词算法的文本内容提取识别方法 | |
Hung et al. | Automatic vietnamese passport recognition on android phones | |
KR20080080112A (ko) | 논리 구조 및 레이아웃 기반의 오프라인 문자 인식을 위한방법, 시스템, 및 장치 판독 가능 매체 | |
CN116030469A (zh) | 一种处理方法、装置、设备和计算机可读存储介质 | |
Kumar et al. | Line based robust script identification for indianlanguages |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170609 Termination date: 20190613 |