CN109598265A - 一种文字识别方法、系统、设备、计算机可读存储介质 - Google Patents

一种文字识别方法、系统、设备、计算机可读存储介质 Download PDF

Info

Publication number
CN109598265A
CN109598265A CN201710945021.4A CN201710945021A CN109598265A CN 109598265 A CN109598265 A CN 109598265A CN 201710945021 A CN201710945021 A CN 201710945021A CN 109598265 A CN109598265 A CN 109598265A
Authority
CN
China
Prior art keywords
information
contact information
text region
result
optional set
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.)
Granted
Application number
CN201710945021.4A
Other languages
English (en)
Other versions
CN109598265B (zh
Inventor
王志成
王宇
高磊
邝展豪
王亮
刘志欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SF Technology Co Ltd
SF Tech Co Ltd
Original Assignee
SF Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SF Technology Co Ltd filed Critical SF Technology Co Ltd
Priority to CN201710945021.4A priority Critical patent/CN109598265B/zh
Publication of CN109598265A publication Critical patent/CN109598265A/zh
Application granted granted Critical
Publication of CN109598265B publication Critical patent/CN109598265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/768—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using context analysis, e.g. recognition aided by known co-occurring patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Character Discrimination (AREA)

Abstract

本发明涉及一种文字识别方法、系统、设备、计算机可读存储介质。该文字识别方法，包括：获取待识别信息图片；对待识别信息图片进行文字识别；对文字识别的结果进行纠偏，得到最终识别结果。通过综合运用文字识别和朴素贝叶斯算法，大大提升文字识别的准确度。本发明的文字识别方法，待识别信息图片为运单图片，通过运单图片识别结果获取匹配通讯信息；根据该信息筛选出与其相对应的联系人信息，得到联系人信息可选集合。根据概率值对可选集合中个体进行筛选，获取最终识别结果，该纠偏结果不仅可以准确识别原始订单数据，还可以对联系人信息纠错补全，经该朴素贝叶斯的关系数据纠偏算法后，手写运单的识别准确度得到了极大的提高。

Description

一种文字识别方法、系统、设备、计算机可读存储介质
技术领域
本发明属于文字识别领域，尤其涉及一种文字识别方法、系统、设备、计算机可读存储介质。
背景技术
近年来，随着机器学习的迅猛发展，各种光学字符识别算法层出不穷。OCR识别文字算法是一种常用的光学字符识别算法，但是OCR识别文字算法精度受图像光照、角度等影响，若识别对象没有模糊、飞白、噪声等的理想状态，则识别精度高，否则则识别精度下降，无法达到使用者的期望。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种文字识别方法、系统、设备、计算机可读存储介质。
根据本发明的一个方面，提供了一种文字识别方法，包括以下步骤：
获取待识别信息图片；
对待识别信息图片进行文字识别；
对文字识别的结果进行纠偏，得到最终识别结果。
进一步的，对文字识别的结果进行纠偏，包括：
根据文字识别结果中的匹配识别信息从数据库中筛选出与该匹配识别信息相对应的目标识别信息的可选集合；
基于该可选集合的概率分布筛选出该可选集合中概率值超过阈值的个体，即为最终识别结果。
进一步的，筛选出该可选集合中概率值超过阈值的个体之前，包括：
通过朴素贝叶斯的关系数据纠偏算法获取所述可选集合的概率分布。
进一步的，待识别信息图片为运单图片。
进一步的，根据文字识别结果中的匹配识别信息从数据库中筛选出与该匹配识别信息相对应的目标识别信息的可选集合，包括：
基于运单图片文字识别的结果获取联系人匹配通讯信息；
根据该匹配通讯信息从数据库中筛选出与其相对应的联系人信息，得到联系人信息可选集合。
进一步的，筛选出该可选集合中概率值超过阈值的个体，包括：
根据联系人信息可选集合计算概率值；
根据概率值对联系人信息可选集合中个体进行筛选，获取最终识别结果。
具体的，筛选出该可选集合中概率值超过阈值的个体，包括：
将联系人信息可选集合输入下述公式计算概率值Pr(Ccandidate)，
计算公式为：
其中，Ccandidate为联系人信息，confidencei是文字识别OCR针对每个结果给出的可信度；n为COCR的数目；
根据Pr(Ccandidate)值对联系人信息可选集合中个体进行筛选，获取最终识别结果。
概率值计算公式，即概率值Pr(Ccandidate)计算公式为：
进一步的，联系人信息包括姓名、电话、地址。
进一步的，联系人匹配通讯信息为电话。
进一步的，根据概率值对联系人信息可选集合中个体进行筛选之前，还包括：
将联系人信息及文字识别出的联系人信息输入概率值计算公式，得到概率值新计算公式；
基于朴素贝叶斯公式，获取联系人信息及文字识别出的联系人信息的关联关系；
将联系人信息及文字识别出的联系人信息的关联关系输入概率值新计算公式，得到概率值最终计算公式；
基于编辑距离计算公式、多项式经所述概率值最终计算公式得到联系人信息可选集合的概率分布。
具体的，所述的文字识别方法，根据Pr(Ccandidate)值对联系人信息可选集合中个体进行筛选之前，还包括：
将联系人信息及文字识别出的联系人信息输入概率值Pr(Ccandidate)计算公式；
基于朴素贝叶斯公式，获取Pr(Ccandidate)最终计算公式：
其中N、P、A分别表示联系人信息中的姓名、电话、地址,
N'i、Pi'、A'i分别表示经由文字识别出来的联系人信息中的姓名、电话、地址；
基于编辑距离计算公式、多项式经Pr(Ccandidate)最终计算公式得到联系人信息可选集合的概率分布。
进一步的，将联系人信息及文字识别出的联系人信息输入概率值Pr(Ccandidate)计算公式，包括：
根据P(N,P,A)＝P(Ccandidate)，得到Pr(Ccandidate)新计算公式：
进一步的，基于朴素贝叶斯公式，获取Pr(Ccandidate)最终计算公式，包括：
基于朴素贝叶斯公式可知：
P(N,P,A,N'i,Pi',A'i)＝P(N,P,A|N'i,Pi',A'i)·P(N,P,A)
P(N’,P,A,N'i,Pi',A'i)＝P(N'|N)·P(P'|P)·P(A'|A)·P(N,P,A)
将其输入Pr(Ccandidate)新计算公式，得到Pr(Ccandidate)最终计算公式。
进一步的，基于编辑距离计算公式、多项式经所述概率值最终计算公式得到联系人信息可选集合的概率分布，包括：
基于联系人信息与相应文字识别出的联系人信息匹配发生的匹配相符处理、添加处理、删除处理、替换处理的关联关系生成多项式；
基于联系人信息与相应文字识别出的联系人信息比对所进行的匹配相符处理、添加处理、删除处理、替换处理的关联关系生成编辑距离计算公式；
当编辑距离取值最小时，得到所发生的匹配相符处理、添加处理、删除处理、替换处理的次数；
将所发生的匹配相符处理、添加处理、删除处理、替换处理的次数输入多项式，得到文字识别出的联系人信息与相应联系人信息对应的概率；
将所述文字识别出的联系人信息与联系人信息对应的概率输入所述概率值最终计算公式得到联系人信息可选集合的概率分布。
匹配相符处理、添加处理、删除处理、替换处理即正确事件、insert事件、delete和replace事件在编辑距离计算公式分别用c,d,i,r表示。
具体的，基于编辑距离计算公式、多项式经Pr(Ccandidate)最终计算公式得到联系人信息可选集合的概率分布，包括：
(1)生成编辑距离计算公式
其中，{c,d,i,r}的和为姓名的长度，pcorrect、pdelete、pinsert、preplace是随机设定的一个初始概率值，c表示发生正确事件(correct)的次数，i表示发生insert事件的次数，d，r分别表示发生delete和replace事件的次数；
(2)在cost值最小时，计算得到{c,d,i,r}；
(3)将{c,d,i,r}输入到多项式，计算得到{姓名，电话，地址}各自的条件概率P(N'i|N)、P(P’i|P)、P(A'i|A)，
其中，多项式为：
P＝exp(c·log(pcorrect)+d·log(pdelete)+
i·log(pinsert)+r·log(preplace))；
(4)将步骤(3)得到的{姓名，电话，地址}各自的条件概率P(N'i|N)、P(P'i|P)、P(A'i|A)输入Pr(Ccandidate)最终计算公式得到概率分布。
进一步的，根据概率值对联系人信息可选集合中个体进行筛选，获取最终识别结果,包括：
选取概率分布中最大概率值对应的结果，即为最终识别结果。
具体的，根据Pr(Ccandidate)值对联系人信息可选集合中个体进行筛选，获取最终识别结果,包括：
选取概率分布中最大概率值对应的结果，即为最终识别结果。
进一步的，将联系人信息可选集合输入公式计算概率值Pr(Ccandidate)，包括：
(1)根据P(N,P,A)＝P(Ccandidate)，将其代入概率值Pr(Ccandidate)计算公式，得到Pr(Ccandidate)新计算公式：
其中{N,P,A}分别代表{姓名，电话，地址}；
(2)由朴素贝叶斯公式可知：
P(N,P,A,N'i,P'i,A'i)＝P(N,P,A|N'i,P'i,A'i)·P(N,P,A)，
P(N,P,A,N'i,P'i,A'i)＝P(N'|N)·P(P'|P)·P(A'|A)·P(N,P,A)，
将其输入Pr(Ccandidate)新计算公式，得到Pr(Ccandidate)最终计算公式：
(3)生成编辑距离计算公式
其中，{c,d,i,r}的和为姓名的长度，pcorrect、pdelete、pinsert、preplace是随机设定的一个初始概率值；
(4)在cost值最小时，计算得到{c,d,i,r}；
(5)将{c,d,i,r}输入到多项式，计算得到{姓名，电话，地址}各自的条件概率P(N'i|N)、P(P'i|P)、P(A'i|A)，
其中，多项式为：
P＝exp(c·log(pcorrect)+d·log(pdelete)+
i·log(pinsert)+r·log(preplace))；
(6)将步骤(5)得到的{姓名，电话，地址}各自的条件概率P(N'i|N)、P(P'i|P)、P(A'i|A)输入Pr(Ccandidate)最终计算公式得到概率分布。
N、P、A表示根据电话号码匹配到数据库的name,phone,address；Ni’、Pi’、Ai’表示经由OCR出来的name,phone,address。
根据本发明的另一个方面，提供了一种文字识别系统，包括：
采集单元，获取待识别信息图片；
文字识别单元，对待识别信息图片进行文字识别；
纠偏单元，对文字识别的结果进行纠偏，得到最终识别结果。
进一步的，对文字识别的结果进行纠偏，包括：
根据文字识别结果中的匹配识别信息从数据库中筛选出与该匹配识别信息相对应的目标识别信息的可选集合；
基于该可选集合的概率分布筛选出该可选集合中概率值超过阈值的个体，即为最终识别结果。
进一步的，待识别信息图片为运单图片。
该系统为基于上述任一一种文字识别方法的系统，其对待识别信息图片进行文字识别；对文字识别的结果进行纠偏，得到最终识别结果等详细步骤如文字识别方法部分所述。
根据本发明的另一个方面，提供了一种设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上任一项所述的方法。
根据本发明的另一个方面，提供了一种存储有计算机程序的计算机可读存储介质，该程序被处理器执行时实现如上任一项所述的方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明示例的文字识别方法，对待识别信息图片进行文字识别；突破性的对文字识别结果进行纠偏后，得到最终识别结果，通过综合运用文字识别和朴素贝叶斯算法，大大提升文字识别的准确度。
2、本发明示例的文字识别方法，待识别信息图片为运单图片，通过基于运单图片文字识别的结果获取联系人匹配通讯信息；根据该匹配通讯信息从数据库中筛选出与其相对应的联系人信息，得到联系人信息可选集合。将联系人信息可选集合输入公式计算概率值；根据概率值对联系人信息可选集合中个体进行筛选，获取最终识别结果，该纠偏结果不仅可以准确识别原始订单数据，而且还可以对联系人信息，如地址进行纠错补全，经该朴素贝叶斯的关系数据纠偏算法后，手写运单的识别准确度得到了极大的提高。
3、本发明示例的文字识别系统，通过采集单元获取待识别信息图片；通过文字识别单元对待识别信息图片进行文字识别；通过纠偏单元，对文字识别的结果进行纠偏，得到最终识别结果。上述单元相互配合，实现对文字识别结果的纠偏，以便提高识别精度。
4、本发明示例的文字识别设备，通过存储有计算机程序的计算机可读介质,所述程序被运行用于对待识别信息图片进行文字识别；对文字识别的结果进行纠偏，得到最终识别结果。通过对文字识别的结果进行纠偏，大大提升文字识别的准确度。
5、本发明示例的存储有计算机程序的计算机可读存储介质，该程序被处理器执行时实现如上的方法，通过综合运用文字识别和朴素贝叶斯算法，大大提升文字识别的准确度，同时可以对识别结果纠偏。
附图说明
图1为实施例一运单的真实联系人信息框图；
图2为实施例一联系人信息可选值范例框图；
图3为实施例一最终结果框图；
图4为实施例一的流程图。
具体实施方式
为了更好的了解本发明的技术方案，下面结合具体实施例、说明书附图对本发明作进一步说明。
实施例一：
本实施例的文字识别方法，包括：
获取待识别信息图片。
对待识别信息图片进行文字识别。
对文字识别的结果进行纠偏，得到最终识别结果。
其中，对文字识别的结果进行纠偏，包括：
根据文字识别结果中的匹配识别信息从数据库中筛选出与该匹配识别信息相对应的目标识别信息的可选集合；
基于该可选集合的概率分布筛选出该可选集合中概率值超过阈值的个体，即为最终识别结果。
筛选出该可选集合中概率值超过阈值的个体之前，包括：
通过朴素贝叶斯的关系数据纠偏算法获取所述可选集合的概率分布。
进一步，待识别信息图片为运单图片。本实施例的总体架构是综合运用人工智能等前沿技术，对输入的手写运单图像信息进行文字识别OCR技术预处理后，再利用基于朴素贝叶斯的关系数据纠偏算法对OCR识别的结果进行纠偏，实现了手写运单的实时处理和准确率的极大提升。
为了改善OCR技术识别文字序列精度准确率较低(实验统计数据为29.65％)的弊端，本算法选取基于朴素贝叶斯的关系数据纠偏算法作为纠偏模型。该文字识别方法，步骤包括：
S1、获取运单图片。
S2、对运单图片进行文字识别。
S3、对文字识别的结果进行纠偏，得到最终识别结果。
该步骤包括：
S31、根据文字识别结果中的匹配识别信息从数据库中筛选出与该匹配识别信息相对应的目标识别信息的可选集合。
具体包括：
S311、基于运单图片文字识别的结果获取联系人匹配通讯信息；
S312、根据该匹配通讯信息从数据库中筛选出与其相对应的联系人信息，得到联系人信息可选集合。联系人信息包括姓名、电话、地址，联系人匹配通讯信息为电话。
S32、基于该可选集合的概率分布筛选出该可选集合中概率值超过阈值的个体，即为最终识别结果。筛选出该可选集合中概率值超过阈值的个体之前，包括：
通过朴素贝叶斯的关系数据纠偏算法获取所述可选集合的概率分布。
具体包括：
S321、将联系人信息可选集合输入下述公式计算概率值Pr(Ccandidate)，
计算公式为：
其中，Ccandidate为联系人信息，confidencei是文字识别OCR针对每个结果给出的可信度；n为COCR的数目。
S322、根据Pr(Ccandidate)值对联系人信息可选集合中个体进行筛选，获取最终识别结果。
所述朴素贝叶斯的关系数据纠偏算法原理如下：
步骤(1)、根据OCR识别结果的电话COCR，从海量地址数据库中匹配该电话对应的数据库联系人信息Ccandidate(包含姓名、电话、地址)，作为联系人信息可选集合，定义Ccandidate为实际输入的概率如下，其中n是COCR的数目，confidencei是OCR针对每个结果给出的可信度。
接着，根据P(N,P,A)＝P(Ccandidate)，代入到公式(1)，得到如下公式(2)，其中{N,P,A}分别代表{Name,Phone,Address}，即{姓名，电话，地址}
步骤(2)、根据朴素贝叶斯公式，存在如下公式：
P(N,P,A,N'i,P'i,A'i)＝P(N,P,A|N'i,P'i,A'i)·P(N,P,A) (3)
P(N,P,A,N'i,P'i,A'i)＝P(N'|N)·P(P'|P)·P(A'|A)·P(N,P,A) (4)
将公式(2)代入到公式(4)，得到公式(5)：
在公式(5)中，confidence会由OCR给出，P(N,P,A)是已知的先验概率(即该条地址在数据库的概率)，而P(N'i|N)、P(P'i|P)、P(A'i|A)的值是未知的。接下来将论证如何求解P(N'i|N)、P(P'i|P)、P(A'i|A)的值。
步骤(3)、根据多项式分布，分别计算Step2中P(N'i|N)、P(P'i|P)、P(A'i|A)的取值。P(N'i|N)的计算公式如下公式(6)，P(P'i|P)、P(A'i|A)的计算公式类似。其中，{c,d,i,r}的和为Name的长度，pcorrect、pdelete、pinsert、preplace是随机设定的一个初始概率值。
P(N'|N)＝exp(c·log(pcorrect)+d·log(pdelete)+
i·log(pinsert)+r·log(preplace)) (6)
步骤(4)、根据编辑距离来计算Step3中{c,d,i,r}的值。
根据上述步骤1-4计算得到Pr(Ccandidate)，即为最高概率的期望识别结果，也就是最终识别结果。
进一步的，将上述基于OCR和朴素贝叶斯的关系数据纠偏算法模型运用到实际的手写运单识别中，对上述文字识别方法做进一步的描述，操作如下：
(1)获取一张纸质快递运单，该运单的真实联系人信息如下图1。
(2)该运单经由OCR处理后，得到如下图2所示的联系人信息可选值范例，其中右侧的数字表征该结果的confidence，即可信度。
(3)将OCR文字识别返回的结果，输入到上述关系数据纠偏算法模型中，具体步骤如下：
Step1，根据OCR识别结果中的电话，来逐一匹配海量地址数据库中该电话对应的地址可选集合。
Step2，将Step2选取出的地址集合根据编辑距离公式(7)，在cost最小的时候，可以计算得到{c,d,i,r}。
Step3，将{c,d,i,r}输入到多项式分布(6)中，计算得到{name,phone,address}各自的条件概率P(N'i|N)、P(P'i|P)、P(A'i|A)。
Step4，再根据贝叶斯公式，以及已知的先验概率P(N,P,A)、OCR给出的confidence,可以计算得到概率分布，如图3所示，选取最大概率值对应的结果(图3中的第一条)，即为地址纠偏的结果，也就是最终识别结果。
可以看到，该纠偏结果不仅可以准确识别原始订单数据，而且还可以对地址进行纠错补全。经过实验证明，经过该朴素贝叶斯的关系数据纠偏算法后，手写运单的识别准确度得到了极大的提高。
本实施例提供了一种文字识别系统，包括：
采集单元，获取待识别信息图片；
文字识别单元，对待识别信息图片进行文字识别；
纠偏单元，对文字识别的结果进行纠偏，得到最终识别结果。
进一步的，对文字识别的结果进行纠偏，包括：
根据文字识别结果中的匹配识别信息从数据库中筛选出与该匹配识别信息相对应的目标识别信息的可选集合；
基于该可选集合的概率分布筛选出该可选集合中概率值超过阈值的个体，即为最终识别结果。
进一步的，待识别信息图片为运单图片。
该系统为基于上述任一一种文字识别方法的系统，其对待识别信息图片进行文字识别；对文字识别的结果进行纠偏，得到最终识别结果等详细步骤如文字识别方法部分所述。
本实施例提供了一种设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上任一项所述的方法。
本实施例提供了提供了一种存储有计算机程序的计算机可读存储介质，该程序被处理器执行时实现如上任一项所述的方法。
实施例二
本实施例与实施例一相同的特征不再赘述，本实施例与实施例一不同的特征在于：
本实施例的文字识别方法，包括：
获取待识别信息图片。
对待识别信息图片进行文字识别。
对文字识别的结果进行纠偏，得到最终识别结果。
其中，对文字识别的结果进行纠偏，包括：
根据文字识别结果中的匹配识别信息从数据库中筛选出与该匹配识别信息相对应的目标识别信息的可选集合；
基于该可选集合的概率分布筛选出该可选集合中概率值超过阈值的个体，即为最终识别结果。
本实施例的文字识别系统，包括：
采集单元，获取待识别信息图片；
文字识别单元，对待识别信息图片进行文字识别；
纠偏单元，对文字识别的结果进行纠偏，得到最终识别结果。
进一步的，对文字识别的结果进行纠偏，包括：
根据文字识别结果中的匹配识别信息从数据库中筛选出与该匹配识别信息相对应的目标识别信息的可选集合；
基于该可选集合的概率分布筛选出该可选集合中概率值超过阈值的个体，即为最终识别结果。
本实施例提供了一种设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上任一项所述的方法。
本实施例提供了提供了一种存储有计算机程序的计算机可读存储介质，该程序被处理器执行时实现如上任一项所述的方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能。

Claims (16)

1.一种文字识别方法，其特征是，包括以下步骤：
获取待识别信息图片；
对待识别信息图片进行文字识别；
对文字识别的结果进行纠偏，得到最终识别结果。
2.根据权利要求1所述的文字识别方法，其特征是，对文字识别的结果进行纠偏，包括：
根据文字识别结果中的匹配识别信息从数据库中筛选出与该匹配识别信息相对应的目标识别信息的可选集合；
基于该可选集合的概率分布筛选出该可选集合中概率值超过阈值的个体，即为最终识别结果。
3.根据权利要求2所述的文字识别方法，其特征是，筛选出该可选集合中概率值超过阈值的个体之前，包括：
通过朴素贝叶斯的关系数据纠偏算法获取所述可选集合的概率分布。
4.根据权利要求1-3任一所述的文字识别方法，其特征是，待识别信息图片为运单图片。
5.根据权利要求4所述的文字识别方法，其特征是，根据文字识别结果中的匹配识别信息从数据库中筛选出与该匹配识别信息相对应的目标识别信息的可选集合，包括：
基于运单图片文字识别的结果获取联系人匹配通讯信息；
根据该匹配通讯信息从数据库中筛选出与其相对应的联系人信息，得到联系人信息可选集合。
6.根据权利要求2所述的文字识别方法，其特征是，筛选出该可选集合中概率值超过阈值的个体，包括：
根据联系人信息可选集合计算概率值；
根据概率值对联系人信息可选集合中个体进行筛选，获取最终识别结果。
7.根据权利要求5所述的文字识别方法，其特征是，联系人信息包括姓名、电话、地址。
8.根据权利要求7所述的文字识别方法，其特征是，联系人匹配通讯信息为电话。
9.根据权利要求6所述的文字识别方法，其特征是，根据概率值对联系人信息可选集合中个体进行筛选之前，还包括：
将联系人信息及文字识别出的联系人信息输入概率值计算公式，得到概率值新计算公式；
基于朴素贝叶斯公式，获取联系人信息及文字识别出的联系人信息的关联关系；
将联系人信息及文字识别出的联系人信息的关联关系输入概率值新计算公式，得到概率值最终计算公式；
基于编辑距离计算公式、多项式经所述概率值最终计算公式得到联系人信息可选集合的概率分布。
10.根据权利要求9所述的文字识别方法，其特征是，基于编辑距离计算公式、多项式经所述概率值最终计算公式得到联系人信息可选集合的概率分布，包括：
基于联系人信息与相应文字识别出的联系人信息匹配发生的匹配相符处理、添加处理、删除处理、替换处理的关联关系生成多项式；
基于联系人信息与相应文字识别出的联系人信息比对所进行的匹配相符处理、添加处理、删除处理、替换处理的关联关系生成编辑距离计算公式；
当编辑距离取值最小时，得到所发生的匹配相符处理、添加处理、删除处理、替换处理的次数；
将所发生的匹配相符处理、添加处理、删除处理、替换处理的次数输入多项式，得到文字识别出的联系人信息与相应联系人信息对应的概率；
将所述文字识别出的联系人信息与联系人信息对应的概率输入所述概率值最终计算公式得到联系人信息可选集合的概率分布。
11.根据权利要求6所述的文字识别方法，其特征是，根据概率值对联系人信息可选集合中个体进行筛选，获取最终识别结果,包括：
选取概率分布中最大概率值对应的结果，即为最终识别结果。
12.一种文字识别系统，其特征是，包括：
采集单元，获取待识别信息图片；
文字识别单元，对待识别信息图片进行文字识别；
纠偏单元，对文字识别的结果进行纠偏，得到最终识别结果。
13.根据权利要求12所述的文字识别系统，其特征是，基于朴素贝叶斯的关系数据纠偏算法对文字识别的结果进行纠偏，包括：
根据文字识别结果中的匹配识别信息从数据库中筛选出与该匹配识别信息相对应的目标识别信息的可选集合；
基于该可选集合的概率分布筛选出该可选集合中概率值超过阈值的个体，即为最终识别结果。
14.根据权利要求12或13所述的文字识别系统，其特征是，待识别信息图片为运单图片。
15.一种设备，其特征是，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1-11中任一项所述的方法。
16.一种存储有计算机程序的计算机可读存储介质，其特征是，该程序被处理器执行时实现如权利要求1-11中任一项所述的方法。
CN201710945021.4A 2017-09-30 2017-09-30 一种文字识别方法、系统、设备、计算机可读存储介质 Active CN109598265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710945021.4A CN109598265B (zh) 2017-09-30 2017-09-30 一种文字识别方法、系统、设备、计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710945021.4A CN109598265B (zh) 2017-09-30 2017-09-30 一种文字识别方法、系统、设备、计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109598265A true CN109598265A (zh) 2019-04-09
CN109598265B CN109598265B (zh) 2021-09-28

Family

ID=65956211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710945021.4A Active CN109598265B (zh) 2017-09-30 2017-09-30 一种文字识别方法、系统、设备、计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109598265B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287963A (zh) * 2019-06-11 2019-09-27 苏州玖物互通智能科技有限公司 用于综合性能试验的ocr识别方法
CN111401221A (zh) * 2020-03-12 2020-07-10 重庆农村商业银行股份有限公司 一种卡票识别方法、装置、设备及存储介质
CN111582169A (zh) * 2020-05-08 2020-08-25 腾讯科技（深圳）有限公司 图像识别数据纠错方法、装置、计算机设备和存储介质
CN112990804A (zh) * 2019-12-16 2021-06-18 菜鸟智能物流控股有限公司 数据处理方法和装置、电子设备以及计算机可读存储介质
CN113505794A (zh) * 2021-07-13 2021-10-15 树蛙信息科技(南京)有限公司 文本识别方法及装置
CN114663878A (zh) * 2022-05-25 2022-06-24 成都飞机工业（集团）有限责任公司 一种成品软件版本检查方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103414821A (zh) * 2013-07-15 2013-11-27 珠海市魅族科技有限公司 图片传递方法及装置
CN104598937A (zh) * 2015-01-22 2015-05-06 百度在线网络技术（北京）有限公司 文字信息的识别方法和装置
CN104794485A (zh) * 2015-04-09 2015-07-22 广东小天才科技有限公司 一种识别书写字的方法及装置
CN106127265A (zh) * 2016-06-22 2016-11-16 北京邮电大学 一种基于激活力模型的图片中文本识别纠错方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103414821A (zh) * 2013-07-15 2013-11-27 珠海市魅族科技有限公司 图片传递方法及装置
CN104598937A (zh) * 2015-01-22 2015-05-06 百度在线网络技术（北京）有限公司 文字信息的识别方法和装置
CN104794485A (zh) * 2015-04-09 2015-07-22 广东小天才科技有限公司 一种识别书写字的方法及装置
CN106127265A (zh) * 2016-06-22 2016-11-16 北京邮电大学 一种基于激活力模型的图片中文本识别纠错方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287963A (zh) * 2019-06-11 2019-09-27 苏州玖物互通智能科技有限公司 用于综合性能试验的ocr识别方法
WO2020248513A1 (zh) * 2019-06-11 2020-12-17 苏州玖物互通智能科技有限公司 用于综合性能试验的ocr识别方法
CN112990804A (zh) * 2019-12-16 2021-06-18 菜鸟智能物流控股有限公司 数据处理方法和装置、电子设备以及计算机可读存储介质
CN111401221A (zh) * 2020-03-12 2020-07-10 重庆农村商业银行股份有限公司 一种卡票识别方法、装置、设备及存储介质
CN111582169A (zh) * 2020-05-08 2020-08-25 腾讯科技（深圳）有限公司 图像识别数据纠错方法、装置、计算机设备和存储介质
CN111582169B (zh) * 2020-05-08 2023-10-10 腾讯科技（深圳）有限公司 图像识别数据纠错方法、装置、计算机设备和存储介质
CN113505794A (zh) * 2021-07-13 2021-10-15 树蛙信息科技(南京)有限公司 文本识别方法及装置
CN113505794B (zh) * 2021-07-13 2023-06-23 树蛙信息科技(南京)有限公司 文本识别方法及装置
CN114663878A (zh) * 2022-05-25 2022-06-24 成都飞机工业（集团）有限责任公司 一种成品软件版本检查方法、装置、设备及介质

Also Published As

Publication number Publication date
CN109598265B (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN109598265A (zh) 一种文字识别方法、系统、设备、计算机可读存储介质
Liu et al. Query2label: A simple transformer way to multi-label classification
Song et al. Uncertain graph neural networks for facial action unit detection
Xu et al. Reasoning-rcnn: Unifying adaptive global reasoning into large-scale object detection
CN112052781B (zh) 特征提取模型训练方法、人脸识别方法、装置、设备及介质
EP3440591B1 (en) Improving optical character recognition (ocr) accuracy by combining results across video frames
US20170300744A1 (en) Method and apparatus for determining identity identifier of face in face image, and terminal
Varma et al. Inferring generative model structure with static analysis
Bian et al. Cross-domain human action recognition
CN111626371B (zh) 一种图像分类方法、装置、设备及可读存储介质
CN107909178B (zh) 电子装置、失联修复率预测方法和计算机可读存储介质
CN110309706A (zh) 人脸关键点检测方法、装置、计算机设备及存储介质
CN109145766A (zh) 模型训练方法、装置、识别方法、电子设备及存储介质
US20220027854A1 (en) Data processing method and apparatus, electronic device and storage medium
CN111028006B (zh) 一种业务投放辅助方法、业务投放方法及相关装置
US8995758B1 (en) Classifying false positive descriptors
CN111782611B (zh) 预测模型建模方法、装置、设备及存储介质
Cao et al. Iterative proposal refinement for weakly-supervised video grounding
TW202125323A (zh) 利用人工智慧模組學習臉部辨識的處理方法
Qin et al. Finger-vein quality assessment based on deep features from grayscale and binary images
CN109558798B (zh) 一种基于卷积特征图匹配的人脸识别方法及系统
CN104881647B (zh) 信息处理方法、信息处理系统和信息处理装置
Wei et al. Calibrating Cross-modal Features for Text-Based Person Searching
CN113962401A (zh) 联邦学习系统、联邦学习系统中的特征选择方法及装置
CN106778568B (zh) 基于web页面的验证码的处理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant