CN109766893A - 适于购物小票的图片文字识别方法 - Google Patents
适于购物小票的图片文字识别方法 Download PDFInfo
- Publication number
- CN109766893A CN109766893A CN201910020874.6A CN201910020874A CN109766893A CN 109766893 A CN109766893 A CN 109766893A CN 201910020874 A CN201910020874 A CN 201910020874A CN 109766893 A CN109766893 A CN 109766893A
- Authority
- CN
- China
- Prior art keywords
- character
- picture
- text
- feature
- value
- 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.)
- Pending
Links
Landscapes
- Character Discrimination (AREA)
Abstract
本发明涉及一种适于购物小票的图片文字识别方法,包括下列步骤:1)对图片进行二值化,统计色值数量,将色值数量最多的颜色做为背景色;2)对图片按行切分,获得一行或多行;3)对切分后的每一行沿空白像素纵向切分,得到一个或多个字符区域;4)将每个字符区域生成一张字符图片,将每个字符图片缩放为一个特定尺寸的图片;5)提取每个字符图片的字符图片特征;6)依据字符图片特征进行字符查询,获得相应的字符,采用的特征数据库为体现字符图片特征与相应字符映射关系的数据库;7)将查询获得的字符顺序排列,形成初步的文字识别结果。本发明有利于简化处理过程,降低设备硬件配置要求,方便使用,适于购物小票等的图片文字识别。
Description
技术领域
本发明涉及一种适于购物小票的图片文字识别方法。
背景技术
现有图片文字识别方法有多种,但往往需要较大的数据处理量,采用高性能的计算机或者利用云端服务器进行文字识别,既不便捷,又需要较高的成本。
发明内容
为解决上述技术问题,本发明提供了一种适于购物小票的图片文字识别方法,以简化处理过程,降低设备要求,方便使用。
本发明的技术方案是:一种适于购物小票的图片文字识别方法,包括下列步骤:
1)对图片进行二值化,统计色值数量,将色值数量最多的颜色做为背景色;
2)对图片按行切分,获得一行或多行;
3)对切分后的每一行沿空白像素纵向切分,得到一个或多个字符区域;
4)将每个字符区域生成一张字符图片,将每个字符图片缩放为一个特定尺寸(纵横像素数)的图片;
5)提取每个字符图片的字符图片特征;
6)依据字符图片特征进行字符查询,获得相应的字符,字符查询以特征数据库为数据基础,所述特征数据库为体现字符图片特征与相应字符映射关系的数据库;
7)将查询获得的字符顺序排列,形成初步的文字识别结果。
优选地,将每个字符图片缩放为一个32×32像素的小图片。
所述字符图片特征优选为字符图片中各像素的值顺序排列成的特征字符串。
所述字符图片中各像素的值的顺序排列通常应为同一行的顺序为由左到右,不同行的顺序为由上到下,以适应于现代文字排列习惯。
优选地,以1为字符图片上的前景色像素(通常为黑色)的值,以0为字符图片上的背景色(通常为白色)像素的值。
所述特征数据库的字段通常可以包括dna、width、height和words,其中dna的字段值为字符图片特征,width和height的字段值分别为字符图片的宽和高,words的字段值为所映射的字符。
通常应构建特征数据库的特征索引。
所述特征索引可以包括完全匹配索引和相似性索引。
所述完全匹配索引为针对每个元组,计算dna的hash值hash(dna),将hash(dna)转为36进制数的字符串,再拼接width和height,以由此获得的字值符hash(dna)_width_height作为键,以words作为值,得到一个全量特征数据集。
与上述完全匹配索引不同的是,所述相似性索引为先将dna进行分词再构建特征索引。通常,每个分词的最长长度可以设定为27,长度不足27时取其全部。
优选地,在进行字符查询时,先采用完全匹配索引查询,获得完全匹配的字符,在没有完全匹配的字符的情况下,再采用相似性索引查询,获得相似度最大的字符。
优选地,检测初步的文字识别结果中是否存在同一左右构文字的横向排列字符相互分离的情形。当存在同一左右构文字的横向排列字符相互分离的情形时,将构成左右构文字的横向排列字符合并,替换为相应的文字,由此形成最终的文字识别结果;当不存在同一左右构文字的横向排列字符相互分离的情形时,以初步的文字识别结果作为最终的文字识别结果。
可以依据字符合并字典进行横向排列字符相互分离的左右构文字的横向排列字符合并,所述字符合并字典为体现左右构文字的左、右字符与该文字的映射关系的字典或数据库。
初步的文字识别结果中是否存在同一左右构文字的横向排列字符相互分离的情形的检测中,可以依据常规文字、符号和文字偏旁数据库进行字符的识别,在发现不属于常规文字和符号且属于文字偏旁的字符时,依据字符合并字典查询其是否与相邻字符构成一个左右构文字,如是,将其与与其构成一个左右构文字的相邻字符合并,即替换为相应的左右构文字。
可以采用扫描仪、数码照相机或摄像机等进行小票等待识别图片的采集和/或输入。
本发明的有益效果是:由于以图片二值化后数量最多的颜色做为背景色,适应于不同颜色的小票,降低了分辨误差,降低了分析的数据处理量;由于按空白像素将行切分为若干字符区域,方便了运算;由于全部字符区域均缩放为32×32像素的字符区域图片,更好地适用于小票的文字特点,有利于在保证准确性的同时减少数据处理量,且为后续处理提供了条件;由于采用hash值构建全量特征数据集,适应于小票的语言特点,既减少了数据量,同时也保证了识别的准确性;由于以字符区域图片各像素值组成的字符串作为特征字符串进行完全匹配,在不能完全匹配的情形下进行相似性匹配,匹配精确,且有助于减少数据处理量;由于进行了左右构字符的合并,弥补了字符区域切分导致的左右构文字分体的缺陷。
附图说明
图1是本发明的流程图;
图2是一种小票实例;
图3是图2所示的小票的切分识别结果部分截图;
图4是图2上面的“越”抽取出来的特征字符串;
图5是相似度判断的原理示意图。
具体实施方式
下面,结合附图和实施例,具体说明本发明的实施方式。
图1显示了本发明的一种工作流程。
以图2显示的小票样式为例,经过按行切分和同一行纵向切分,切分效果参见图3。
以图3涉及的“越”为例,将该文字(或符号)对应的字符区域经过缩放后提取特征信息。将该字符图片上的前景色像素点(黑色字迹部分)看作是1,背景色(白色空白部分)看作是0,得到是“越”字的像素图像如图4所示,该像素图像中各点的像素值排列成字符串(可称为特征字符串),作为特征数据,此字符串记作dna,此图片的宽度记为width,高度记为height,以dna、width、height作为一个特征,映射字符“越”记为words,记录在特征数据库。
针对小票或其他待处理图片可能涉及的所有文字和符号,逐一进行上述操作,形成特征数据库。
识别过程说明:
1)构建特征索引
从特征数据库中取出每一条特征信息进行构建索引.特征索引主要分为下面两部分:
完全匹配索引。完全匹配索引构建过程如下:根据特征数据库中的特征字符串dna计算其hash值并转为36进制数的字符串,再拼接宽、高,得到字值符hash(dna)_width_height作为键,words作为值,得到一个全量特征数据集;
相似性索引。相似性匹配索引是把一个特征数据看作是一个文档,对其进行分词,每个词最长长度为27,不足27则取它的全部。
2)识别
输入小票图片后,选择切分方法进行按行、按列切分,缩放为32x32像素小图,然后抽取特征,根据特征先进行完全匹配,如果匹配失败,再进行查询相似性索引,得到一个最相似的结果。
dna相似性索引检索抽象可以为一个向量空间模型,如图5所示。
d(document)表示一篇文档(即一条特征信息,一篇文档包括3个字段dna、width、height);
q(query)表示查询表达式;
f(field)表示一篇文档中的字段(dna,width,height);
t(term)表示27个字符的词;
根据夹角越小余弦值越大的性质,最终通过计算向量间夹角的余弦值作为两个项之间的相似度,公式如下:
score(q,d)表示查询向量q和文档向量d的夹角余弦;
v(q):查询向量
v(d):文档向量
v(q)·v(d)表示查询向量q和文档向量d的点积(可看作交集)
qi表示一个查询中的一个词(由27个0或1组成的字符串)
di表示一个文档中的一个词(由27个0或1组成的字符串)
相似性索引查询,是把dna按27个字符进行分词,以分词及width、height进行模糊检索,得到特征最相似的一个结果。
对所有字符图片的循环完成以后,再做一次字符合并,用“字符合并字典”进行替换操作。
字符合并字典是一个键值格式的文件,如:
讠己=记
亥刂=刻
……
将初步识别结果中这些带有明显特点的字符串替换成正常的汉字,比如“讠己”被替换为“记”,“亥刂”替换为“刻”等等,替换完成后就得到了最终结果。
本发明公开的各优选和可选的技术手段,除特别说明外及一个优选或可选技术手段为另一技术手段的进一步限定外,均可以任意组合,形成若干不同的技术方案。
Claims (10)
1.一种适于购物小票的图片文字识别方法,包括下列步骤:
1)对图片进行二值化,统计色值数量,将色值数量最多的颜色做为背景色;
2)对图片按行切分,获得一行或多行;
3)对切分后的每一行沿空白像素纵向切分,得到一个或多个字符区域;
4)将每个字符区域生成一张字符图片,将每个字符图片缩放为一个特定尺寸的图片;
5)提取每个字符图片的字符图片特征;
6)依据字符图片特征进行字符查询,获得相应的字符,字符查询以特征数据库为数据基础,所述特征数据库为体现字符图片特征与相应字符映射关系的数据库;
7)将查询获得的字符顺序排列,形成初步的文字识别结果。
2.如权利要求1所述的方法,其特征在于将每个字符图片缩放为一个为一个32×32像素的小图片。
3.如权利要求2所述的方法,其特征在于所述字符图片特征为字符图片中各像素的值顺序排列成的特征字符串。
4.如权利要求3所述的方法,其特征在于以1为字符图片上的前景色像素的值,以0为字符图片上的背景色像素的值。
5.如权利要求1所述的方法,其特征在于所述特征数据库的字段包括dna、width、height和words,其中dna的字段值为字符图片特征,width和height的字段值分别为字符图片的宽和高,words的字段值为所映射的字符。
6.如权利要求5所述的方法,其特征在于构建特征数据库的特征索引,所述特征索引包括完全匹配索引和相似性索引。
7.如权利要求6所述的方法,其特征在于在进行字符查询时,先采用完全匹配索引查询,获得完全匹配的字符,在没有完全匹配的字符的情况下,再采用相似性索引查询,获得相似度最大的字符。
8.如权利要求7所述的方法,其特征在于所述完全匹配索引为针对每个元组,计算dna的hash值hash(dna),将hash(dna)转为36进制数的字符串,再拼接width和height,以由此获得的字值符hash(dna)_width_height作为键,以words作为值,得到一个全量特征数据集,所述相似性索引为先将dna进行分词再构建特征索引。
9.如权利要求1-8所述的方法,其特征在于检测初步的文字识别结果中是否存在同一左右构文字的横向排列字符相互分离的情形,当存在同一左右构文字的横向排列字符相互分离的情形时,将构成同一左右构文字的横向排列字符合并,替换为相应的文字,由此形成最终的文字识别结果,当不存在同一左右构文字的横向排列字符相互分离的情形时,以初步的文字识别结果作为最终的文字识别结果。
10.如权利要求9所述的方法,其特征在于依据字符合并字典进行横向排列字符相互分离的左右构文字的横向排列字符合并,所述字符合并字典为体现左右构文字的左、右字符与该文字的映射关系的字典或数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910020874.6A CN109766893A (zh) | 2019-01-09 | 2019-01-09 | 适于购物小票的图片文字识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910020874.6A CN109766893A (zh) | 2019-01-09 | 2019-01-09 | 适于购物小票的图片文字识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109766893A true CN109766893A (zh) | 2019-05-17 |
Family
ID=66453680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910020874.6A Pending CN109766893A (zh) | 2019-01-09 | 2019-01-09 | 适于购物小票的图片文字识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766893A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091128A (zh) * | 2019-12-18 | 2020-05-01 | 北京数衍科技有限公司 | 字符图片分类方法、装置和电子设备 |
CN111814576A (zh) * | 2020-06-12 | 2020-10-23 | 上海品览数据科技有限公司 | 一种基于深度学习的购物小票图片识别方法 |
WO2022116524A1 (zh) * | 2020-12-04 | 2022-06-09 | 北京搜狗科技发展有限公司 | 图片识别方法、装置、电子设备及介质 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0583559A1 (en) * | 1992-07-31 | 1994-02-23 | International Business Machines Corporation | Finding token sequences in a database of token strings |
CN101520851A (zh) * | 2008-02-29 | 2009-09-02 | 富士通株式会社 | 字符信息识别装置和方法 |
CN101887523A (zh) * | 2010-06-21 | 2010-11-17 | 南京邮电大学 | 利用图片文字与局部不变特征检测图像垃圾邮件的方法 |
CN102467653A (zh) * | 2010-10-29 | 2012-05-23 | 方正国际软件(北京)有限公司 | 一种图文识别方法及系统 |
CN102880874A (zh) * | 2012-09-29 | 2013-01-16 | 重庆新媒农信科技有限公司 | 字符识别方法和字符识别器 |
CN103077389A (zh) * | 2013-01-07 | 2013-05-01 | 华中科技大学 | 一种结合字符级分类和字符串级分类的文本检测和识别方法 |
CN104298982A (zh) * | 2013-07-16 | 2015-01-21 | 深圳市腾讯计算机系统有限公司 | 一种文字识别方法及装置 |
CN104331688A (zh) * | 2014-11-05 | 2015-02-04 | 中北大学 | 一种雷管外壳点阵字符识别方法 |
CN105426856A (zh) * | 2015-11-25 | 2016-03-23 | 成都数联铭品科技有限公司 | 一种图像表格文字识别方法 |
CN105678293A (zh) * | 2015-12-30 | 2016-06-15 | 成都数联铭品科技有限公司 | 一种基于cnn-rnn的复杂图像字序列识别方法 |
CN106126574A (zh) * | 2016-06-16 | 2016-11-16 | 深圳市矽伟智科技有限公司 | 图片的识别方法、系统及物联网摄像设备 |
CN106599940A (zh) * | 2016-11-25 | 2017-04-26 | 东软集团股份有限公司 | 图片文字的识别方法及装置 |
CN106778758A (zh) * | 2016-12-29 | 2017-05-31 | 成都数联铭品科技有限公司 | 用于图像文字识别的字符切分方法 |
CN107491730A (zh) * | 2017-07-14 | 2017-12-19 | 浙江大学 | 一种基于图像处理的化验单识别方法 |
CN108509881A (zh) * | 2018-03-22 | 2018-09-07 | 五邑大学 | 一种无切分的脱机手写汉字文本识别方法 |
CN108830278A (zh) * | 2018-05-17 | 2018-11-16 | 河南思维轨道交通技术研究院有限公司 | 一种字符串图像识别方法 |
CN109753967A (zh) * | 2018-12-29 | 2019-05-14 | 北京师范大学 | 一种图片文字识别方法 |
CN110097056A (zh) * | 2018-01-30 | 2019-08-06 | 江苏博智软件科技股份有限公司 | 一种基于智能化图形算法的验证码识别方法 |
-
2019
- 2019-01-09 CN CN201910020874.6A patent/CN109766893A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0583559A1 (en) * | 1992-07-31 | 1994-02-23 | International Business Machines Corporation | Finding token sequences in a database of token strings |
CN101520851A (zh) * | 2008-02-29 | 2009-09-02 | 富士通株式会社 | 字符信息识别装置和方法 |
CN101887523A (zh) * | 2010-06-21 | 2010-11-17 | 南京邮电大学 | 利用图片文字与局部不变特征检测图像垃圾邮件的方法 |
CN102467653A (zh) * | 2010-10-29 | 2012-05-23 | 方正国际软件(北京)有限公司 | 一种图文识别方法及系统 |
CN102880874A (zh) * | 2012-09-29 | 2013-01-16 | 重庆新媒农信科技有限公司 | 字符识别方法和字符识别器 |
CN103077389A (zh) * | 2013-01-07 | 2013-05-01 | 华中科技大学 | 一种结合字符级分类和字符串级分类的文本检测和识别方法 |
CN104298982A (zh) * | 2013-07-16 | 2015-01-21 | 深圳市腾讯计算机系统有限公司 | 一种文字识别方法及装置 |
CN104331688A (zh) * | 2014-11-05 | 2015-02-04 | 中北大学 | 一种雷管外壳点阵字符识别方法 |
CN105426856A (zh) * | 2015-11-25 | 2016-03-23 | 成都数联铭品科技有限公司 | 一种图像表格文字识别方法 |
CN105678293A (zh) * | 2015-12-30 | 2016-06-15 | 成都数联铭品科技有限公司 | 一种基于cnn-rnn的复杂图像字序列识别方法 |
CN106126574A (zh) * | 2016-06-16 | 2016-11-16 | 深圳市矽伟智科技有限公司 | 图片的识别方法、系统及物联网摄像设备 |
CN106599940A (zh) * | 2016-11-25 | 2017-04-26 | 东软集团股份有限公司 | 图片文字的识别方法及装置 |
CN106778758A (zh) * | 2016-12-29 | 2017-05-31 | 成都数联铭品科技有限公司 | 用于图像文字识别的字符切分方法 |
CN107491730A (zh) * | 2017-07-14 | 2017-12-19 | 浙江大学 | 一种基于图像处理的化验单识别方法 |
CN110097056A (zh) * | 2018-01-30 | 2019-08-06 | 江苏博智软件科技股份有限公司 | 一种基于智能化图形算法的验证码识别方法 |
CN108509881A (zh) * | 2018-03-22 | 2018-09-07 | 五邑大学 | 一种无切分的脱机手写汉字文本识别方法 |
CN108830278A (zh) * | 2018-05-17 | 2018-11-16 | 河南思维轨道交通技术研究院有限公司 | 一种字符串图像识别方法 |
CN109753967A (zh) * | 2018-12-29 | 2019-05-14 | 北京师范大学 | 一种图片文字识别方法 |
Non-Patent Citations (1)
Title |
---|
武桐: "基于图像匹配的汉字识别系统研究与实现", 《万方数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091128A (zh) * | 2019-12-18 | 2020-05-01 | 北京数衍科技有限公司 | 字符图片分类方法、装置和电子设备 |
CN111091128B (zh) * | 2019-12-18 | 2023-09-22 | 北京数衍科技有限公司 | 字符图片分类方法、装置和电子设备 |
CN111814576A (zh) * | 2020-06-12 | 2020-10-23 | 上海品览数据科技有限公司 | 一种基于深度学习的购物小票图片识别方法 |
WO2022116524A1 (zh) * | 2020-12-04 | 2022-06-09 | 北京搜狗科技发展有限公司 | 图片识别方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | A large chinese text dataset in the wild | |
Diem et al. | cBAD: ICDAR2017 competition on baseline detection | |
CN112446351B (zh) | 医疗票据智能识别方法 | |
US9727536B2 (en) | Logic processing apparatus and logic processing method for composite graphs in fixed layout document | |
CN103577818B (zh) | 一种图像文字识别的方法和装置 | |
US6621941B1 (en) | System of indexing a two dimensional pattern in a document drawing | |
CN104346615B (zh) | 版式文档中复合图的提取装置和提取方法 | |
US6917708B2 (en) | Handwriting recognition by word separation into silhouette bar codes and other feature extraction | |
Rehman et al. | Document skew estimation and correction: analysis of techniques, common problems and possible solutions | |
US6321232B1 (en) | Method for creating a geometric hash tree in a document processing system | |
Kassis et al. | Vml-hd: The historical arabic documents dataset for recognition systems | |
JPH1166105A (ja) | 手書き文書中の単語の索引付け方法及びマイクロプロセッサベースのシステム | |
JP2009020890A (ja) | 電子書類を認識及び追跡する方法及びシステム | |
CN109766893A (zh) | 适于购物小票的图片文字识别方法 | |
CN102902807A (zh) | 使用多个视觉输入模态的视觉搜索 | |
CN109635808B (zh) | 一种在自然场景图像中对中文关键词及上下文的提取方法 | |
CN108280051A (zh) | 一种文本数据中错误字符的检测方法、装置和设备 | |
Yalniz et al. | Ottoman archives explorer: A retrieval system for digital Ottoman archives | |
CN109685061A (zh) | 适用于结构化的数学公式的识别方法 | |
Lemaitre et al. | A perceptive method for handwritten text segmentation | |
Ramirez et al. | Automatic recognition of square notation symbols in western plainchant manuscripts | |
CN109726369A (zh) | 一种基于标准文献的智能模板化题录技术实现方法 | |
KR20110039900A (ko) | 지능형 인식 라이브러리 및 관리 도구를 활용한 고문서 이미지 데이터 인식 및 처리 방법 | |
Jeong et al. | Multi language text detection using fast stroke width transform | |
CN112396056B (zh) | 对文本图片ocr结果进行高准确率分行的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190517 |
|
RJ01 | Rejection of invention patent application after publication |