CN112784829B - 一种票据信息的提取方法、装置、电子设备及存储介质 - Google Patents

一种票据信息的提取方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112784829B
CN112784829B CN202110084184.4A CN202110084184A CN112784829B CN 112784829 B CN112784829 B CN 112784829B CN 202110084184 A CN202110084184 A CN 202110084184A CN 112784829 B CN112784829 B CN 112784829B
Authority
CN
China
Prior art keywords
bill
identified
visual image
template
image corresponding
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.)
Active
Application number
CN202110084184.4A
Other languages
English (en)
Other versions
CN112784829A (zh
Inventor
钦夏孟
李煜林
黄聚
谢群义
章成全
姚锟
刘经拓
韩钧宇
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110084184.4A priority Critical patent/CN112784829B/zh
Publication of CN112784829A publication Critical patent/CN112784829A/zh
Priority to EP22151884.8A priority patent/EP3968287A3/en
Priority to US17/581,047 priority patent/US20220148324A1/en
Application granted granted Critical
Publication of CN112784829B publication Critical patent/CN112784829B/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
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/18—Extraction of features or characteristics of the image
    • G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
    • G06V30/18019—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections by matching or filtering
    • G06V30/18038—Biologically-inspired filters, e.g. difference of Gaussians [DoG], Gabor filters
    • G06V30/18048—Biologically-inspired filters, e.g. difference of Gaussians [DoG], Gabor filters with interaction between the responses of different filters, e.g. cortical complex cells
    • G06V30/18057—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • 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
    • G06V30/18—Extraction of features or characteristics of the image
    • G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
    • G06V30/18076—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • 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
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G06V30/248—Character recognition characterised by the processing or recognition method involving plural approaches, e.g. verification by template match; Resolving confusion among similar patterns, e.g. "O" versus "Q"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Medical Informatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Image Analysis (AREA)

Abstract

本公开公开了一种票据信息的提取方法、装置、电子设备及存储介质，涉及人工智能领域，具体涉及计算机视觉和深度学习技术。具体实现方案为：将待识别票据输入至预先训练好的深度学习网络中，通过深度学习网络得到待识别票据对应的视觉图；将待识别票据对应的视觉图与预先构建的基础模板库中的各个票据模板对应的视觉图进行匹配；若待识别票据对应的视觉图与基础模板库中的任意一个票据模板对应的视觉图匹配成功，则使用任意一个票据模板提取待识别票据中的结构化信息。本申请实施例可以实现多版式的票据信息提取，扩大票据识别所覆盖的业务范围，从而可以适用于大规模票据自动处理，处理效果更好，识别速度更快。

Description

一种票据信息的提取方法、装置、电子设备及存储介质
技术领域
本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术，尤其涉及一种票据信息的提取方法、装置、电子设备及存储介质。
背景技术
票据是一种重要的结构化信息的文本载体，被广泛用于各种商业场景。尽管电子发票日益发展，传统纸质发票仍然被大量使用。例如，在财务金融部门，每天存在大量票据被审核报销，一张票据需要被多次人工审核，耗时费力，也降低报账效率。票据信息提取技术是将非结构化的票据图像转化为结构化数据，实现票据信息的提取。即借助光学字符识别(Optical Character Recognition，简称OCR)技术，将非结构化图像影像转化为结构化文本信息，实现自动化地票据信息提取，可以极大的提高从业人员处理票据的效率，并支持企业办公智能化进程。
针对票据信息的提取，目前普遍采用如下三种方案来解决：(1)基于人工录入的方案：该方案基于工作人员手动录入。(2)基于模板匹配的方案：该方案通常适用于结构简单的票据证照；其待识别票据一般具有固定的几何版式。通过制作标准模板文件，在指定位置处提取票据信息，并利用OCR技术实现文字的识别。(3)基于关键符号位置的策略搜索方案：该方案通过定位关键符号，在周边进行区域搜索信息。例如，在关键符号“日期”的周边，通过策略搜索文本“周边，通年1月1日”，并作为“日期”字段的属性值。
目前的票据信息提取方案至少存在以下问题：方案(1)不适用大规模票据证照的自动处理；录入容易出现错误，费时费力，人力成本较高。方案(2)需要针对每种版式维护一个标准模板文件，且不能处理非固定版式的票据；模板无法处理具有扭曲形变或者存在打印偏移的票据，应用范围比较有限。方案(3)基于关键符号位置进行策略搜索。由于搜索策略需要人工配置，字段数越多，结构越复杂，策略规则就庞大，维护成本急剧上升。
发明内容
本申请提供了一种票据信息的提取方法、装置、电子设备及存储介质，可以实现多版式的票据信息提取，扩大票据识别所覆盖的业务范围，从而可以适用于大规模票据自动处理，处理效果更好，识别速度更快。
根据本申请的第一方面，提供了一种票据信息的提取方法，所述方法包括：
将待识别票据输入至预先训练好的深度学习网络中，通过所述深度学习网络得到所述待识别票据对应的视觉图；
将所述待识别票据对应的视觉图与预先构建的基础模板库中的各个票据模板对应的视觉图进行匹配；
若所述待识别票据对应的视觉图与所述基础模板库中的任意一个票据模板对应的视觉图匹配成功，则使用所述任意一个票据模板提取所述待识别票据中的结构化信息。
根据本申请的第二方面，提供了一种票据信息的提取装置，所述装置包括：视觉图生成模块、视觉图匹配模块和信息提取模块；其中，
所述视觉图生成模块，用于将待识别票据输入至预先训练好的深度学习网络中，通过所述深度学习网络得到所述待识别票据对应的视觉图；
所述视觉图匹配模块，用于将所述待识别票据对应的视觉图与预先构建的基础模板库中的各个票据模板对应的视觉图进行匹配；
所述信息提取模块，用于若所述待识别票据对应的视觉图与所述基础模板库中的任意一个票据模板对应的视觉图匹配成功，则使用所述任意一个票据模板提取所述待识别票据中的结构化信息。
根据本申请的第三方面，提供了一种电子设备，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，使得所述一个或多个处理器实现本申请任意实施例所述的票据信息的提取方法。
根据本申请的第四方面，提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请任意实施例所述的票据信息的提取方法。
根据本申请的第五方面，提供了一种计算机程序产品，当所述计算机程序产品被计算机设备执行时实现本申请任意实施例所述的票据信息的提取方法。
根据本申请的技术解决了现有技术无法实现多版式的票据信息提取，票据识别所覆盖的业务范围有限，以及无法适用于大规模票据自动处理，处理效果不佳，人力成本高的技术问题，本申请提供的技术方案，可以实现多版式的票据信息提取，扩大票据识别所覆盖的业务范围，从而可以适用于大规模票据自动处理，处理效果更好，识别速度更快。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例提供的票据信息的提取方法的第一流程示意图；
图2是本申请实施例提供的票据信息的提取方法的第二流程示意图；
图3是本申请实施例提供的票据信息的提取方法的第三流程示意图；
图4是本申请实施例提供的票据信息的提取方法的系统框架图；
图5是本申请实施例提供的票据信息的提取装置的结构示意图；
图6是用来实现本申请实施例的票据信息的提取方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本申请实施例提供的票据信息的提取方法的第一流程示意图，该方法可以由票据信息的提取装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，票据信息的提取方法可以包括以下步骤：
S101、将待识别票据输入至预先训练好的深度学习网络中，通过深度学习网络得到待识别票据对应的视觉图。
在本步骤中，电子设备可以将待识别票据输入至预先训练好的深度学习网络中，通过深度学习网络得到待识别票据对应的视觉图。深度学习网络可以包括多个参数，例如：W1、W2和W3，在深度学习网络的训练过程中，这些参数可以更新和调整，在深度学习网络训练好之后，这些就参数可以被固定下来，那么将待识别票据输入至预先训练好的深度学习网络中，就可以通过深度学习网络得到待识别票据对应的视觉图。
较佳地，在本申请的具体实施例中，在将待识别票据输入至预先训练好的深度学习网络中之前，还可以预先对深度学习网络进行训练。具体地，若深度学习网络不满足预先设置的收敛条件，则电子设备可以在预先构建的训练样本库中提取出一张票据照片作为当前训练样本；然后基于当前训练样本的票据类型对预先构建的票据类型对应的初始视觉图进行更新，得到票据类型对应的更新后的视觉图；重复执行上述操作，直到深度学习网络满足预先设置的收敛条件。进一步地，电子设备在基于当前训练样本的票据类型对预先构建的票据类型对应的初始视觉图进行更新之前，还可以针对该票据类型预先构建一个初始视觉图。具体地，电子设备可以先将当前训练样本输入至预先训练好的文本识别模型中，通过文本识别模型得到当前训练样本中的各个检测框的四个顶点坐标；然后基于各个检测框的四个顶点坐标提取各个检测框的表观特征和空间特征；再根据各个检测框的表观特征和空间特征构建出该票据类型对应的初始视觉图。
在本申请的具体实施例中，票据是指出票人依法签发的由自己或指示他人无条件支付一定金额给收款人或持票人的有价证券，即某些可以代替现金流通的有价证券。不同的票据可以分别对应于不同的票据类型，不同的票据类型有不同的票据版式，例如，票据类型可以包括：汇票、本票、支票、提单、存单、股票、债券等等。因此本申请可以针对不同的票据类型，分别构建该票据类型对应的初始视觉图；然后在初始视觉图的基础上进行更新，得到该票据类型对应的更新后的视觉图。
S102、将待识别票据对应的视觉图与预先构建的基础模板库中的各个票据模板对应的视觉图进行匹配。
在本步骤中，电子设备可以将待识别票据对应的视觉图与预先构建的基础模板库中的各个票据模板对应的视觉图进行匹配。具体地，电子设备可以先在基础模板库中提取出一个票据模板对应的视觉图作为当前票据模板对应的视觉图；然后通过预先确定的图匹配算法得到待识别票据对应的视觉图与当前票据模板对应的视觉图的匹配结果；其中，匹配结果包括：匹配成功和未匹配成功；重复执行上述操作，直到待识别票据对应的视觉图与基础模板库中的任意一个票据模板对应的视觉图匹配成功；或者待识别票据对应的视觉图与基础模板库中的各个票据模板对应的视觉图均未匹配成功。
S103、若待识别票据对应的视觉图与基础模板库中的任意一个票据模板对应的视觉图匹配成功，则使用该任意一个票据模板提取待识别票据中的结构化信息。
在本步骤中，若待识别票据对应的视觉图与基础模板库中的任意一个票据模板对应的视觉图匹配成功，则电子设备可以使用该任意一个票据模板提取待识别票据中的结构化信息。若待识别票据对应的视觉图与基础模板库中的各个票据模板对应的视觉图均未匹配成功，则电子设备可以基于待识别票据对应的视觉图构建待识别票据对应的票据模板，并将待识别票据对应的票据模板注册到基础模板库中，这样，后续如果将另外一个与当前的待识别票据相似的票据输入至深度学习网络，那么通过新注册到基础模板库中的票据模板即可实现票据信息的提取。
本申请实施例提出的票据信息的提取方法，先将待识别票据输入至预先训练好的深度学习网络中，通过深度学习网络得到待识别票据对应的视觉图；然后将待识别票据对应的视觉图与基础模板库中的各个票据模板对应的视觉图进行匹配；若待识别票据对应的视觉图与基础模板库中的任意一个票据模板对应的视觉图匹配成功，则使用该任意一个票据模板提取待识别票据中的结构化信息。也就是说，本申请通过深度学习网络得到待识别票据对应的视觉图；然后基于待识别票据对应的视觉图和基础模板库中的各个票据模板对应的视觉图实现票据信息的提取。而在现有的票据信息的提取方法中，采用基于人工录入的方案或者基于模板匹配的方案或者基于关键符号位置的策略搜索方案。因为本申请采用了通过深度学习网络提取票据信息的技术手段，克服了现有技术无法实现多版式的票据信息提取，票据识别所覆盖的业务范围有限，以及无法适用于大规模票据自动处理，处理效果不佳，人力成本高的技术问题，本申请提供的技术方案，可以实现多版式的票据信息提取，扩大票据识别所覆盖的业务范围，从而可以适用于大规模票据自动处理，处理效果更好，识别速度更快；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例二
图2是本申请实施例提供的票据信息的提取方法的第二流程示意图。基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图2所示，票据信息的提取方法可以包括以下步骤：
S201、将待识别票据输入至预先训练好的深度学习网络中，通过深度学习网络得到待识别票据对应的视觉图。
S202、在基础模板库中提取出一个票据模板作为当前票据模板。
在本步骤中，电子设备可以在基础模板库中提取出一个票据模板作为当前票据模板。本申请中的基础模板库可以包括多个票据类型对应的票据模板，例如，汇票模板、支票模板、股票模板、债券模板等等。电子设备可以分别将待识别票据对应的视觉图与基础模板库中的各个票据模板对应的视觉图进行匹配，因此需要在基础模板库中分别提取出不同类型的票据模板作为当前票据模板。
S203、通过预先确定的图匹配算法得到待识别票据对应的视觉图与当前票据模板对应的视觉图的匹配结果；重复执行上述操作，直到待识别票据对应的视觉图与基础模板库中的任意一个票据模板对应的视觉图匹配成功；或者待识别票据对应的视觉图与基础模板库中的各个票据模板对应的视觉图均未匹配成功。
在本步骤中，电子设备可以通过预先确定的图匹配算法得到待识别票据对应的视觉图与当前票据模板对应的视觉图的匹配结果；重复执行上述操作，直到待识别票据对应的视觉图与基础模板库中的任意一个票据模板对应的视觉图匹配成功；或者待识别票据对应的视觉图与基础模板库中的各个票据模板对应的视觉图均未匹配成功。在一个实施例中，电子设备可以使用图匹配算法(Graph Match)来进行两个视觉图的匹配。具体地，电子设备可以通过图匹配算法计算待识别票据对应的视觉图与当前票据模板对应的视觉图的节点匹配矩阵和边匹配矩阵；然后基于待识别票据对应的视觉图与当前票据模板对应的视觉图的节点匹配矩阵和边匹配矩阵，得到待识别票据对应的视觉图与当前票据模板对应的视觉图的匹配结果。进一步地，Graph Match的方法可以表示如下：{i∈K1，j∈K2}；其中，xi′∈X′，/>K1和K2分别表示融合的两个图节点的个数。fa可以设置为一个双线性映射，具体可以表示如下：
其中，/>是可学习的矩阵参数，τ是数值问题的超参数。通过GraphMatch算法可以得到两个视觉图的节点匹配矩阵/>同理，还可以得到两个视觉图的边匹配矩阵/>
S204、若待识别票据对应的视觉图与基础模板库中的任意一个票据模板对应的视觉图匹配成功，则使用该任意一个票据模板提取待识别票据中的结构化信息。
本申请实施例提出的票据信息的提取方法，先将待识别票据输入至预先训练好的深度学习网络中，通过深度学习网络得到待识别票据对应的视觉图；然后将待识别票据对应的视觉图与基础模板库中的各个票据模板对应的视觉图进行匹配；若待识别票据对应的视觉图与基础模板库中的任意一个票据模板对应的视觉图匹配成功，则使用该任意一个票据模板提取待识别票据中的结构化信息。也就是说，本申请通过深度学习网络得到待识别票据对应的视觉图；然后基于待识别票据对应的视觉图和基础模板库中的各个票据模板对应的视觉图实现票据信息的提取。而在现有的票据信息的提取方法中，采用基于人工录入的方案或者基于模板匹配的方案或者基于关键符号位置的策略搜索方案。因为本申请采用了通过深度学习网络提取票据信息的技术手段，克服了现有技术无法实现多版式的票据信息提取，票据识别所覆盖的业务范围有限，以及无法适用于大规模票据自动处理，处理效果不佳，人力成本高的技术问题，本申请提供的技术方案，可以实现多版式的票据信息提取，扩大票据识别所覆盖的业务范围，从而可以适用于大规模票据自动处理，处理效果更好，识别速度更快；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例三
图3是本申请实施例提供的票据信息的提取方法的第三流程示意图。基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图3所示，票据信息的提取方法可以包括以下步骤：
S301、将待识别票据输入至预先训练好的深度学习网络中，通过深度学习网络得到待识别票据对应的视觉图。
S302、在基础模板库中提取出一个票据模板作为当前票据模板。
S303、通过图匹配算法计算待识别票据对应的视觉图与当前票据模板对应的视觉图的节点匹配矩阵和边匹配矩阵。
S304、基于待识别票据对应的视觉图与当前票据模板对应的视觉图的节点匹配矩阵和边匹配矩阵，得到待识别票据对应的视觉图与当前票据模板对应的视觉图的匹配结果；重复执行上述操作，直到待识别票据对应的视觉图与基础模板库中的任意一个票据模板对应的视觉图匹配成功；或者待识别票据对应的视觉图与基础模板库中的各个票据模板对应的视觉图均未匹配成功。
在本步骤中，电子设备可以基于待识别票据对应的视觉图与当前票据模板对应的视觉图的节点匹配矩阵和边匹配矩阵，得到待识别票据对应的视觉图与当前票据模板对应的视觉图的匹配结果；重复执行上述操作，直到待识别票据对应的视觉图与基础模板库中的任意一个票据模板对应的视觉图匹配成功；或者待识别票据对应的视觉图与基础模板库中的各个票据模板对应的视觉图均未匹配成功。具体地，在模型训练的过程中，最小化节点匹配矩阵和边匹配矩阵。在模型预测的过程中，直接找最小的节点匹配矩阵和边匹配矩阵即可。
S305、若待识别票据对应的视觉图与基础模板库中的任意一个票据模板对应的视觉图匹配成功，则使用该任意一个票据模板提取待识别票据中的结构化信息。
图4是本申请实施例提供的票据信息的提取方法的系统框架图。如图4所示，票据信息的提取框架可以包括：模型训练和模型预测两个部分；其中，虚线的上半部分为模型训练；虚线的下半部分为模型预测。进一步的，模型训练的过程可以包括：构建初始视觉图和更新视觉图两个过程。在构建初始视觉图的过程中，电子设备可以先将当前训练样本输入至预先训练好的文本识别模型中，通过文本识别模型得到当前训练样本中的各个检测框的四个顶点坐标；然后基于各个检测框的四个顶点坐标提取各个检测框的表观特征和空间特征；再根据各个检测框的表观特征和空间特征构建出票据类型对应的初始视觉图。在更新视觉图的过程中，若深度学习网络不满足预先设置的收敛条件，则电子设备可以在预先构建的训练样本库中提取出一张票据照片作为当前训练样本；然后基于当前训练样本的票据类型对预先构建的票据类型对应的初始视觉图进行更新，得到该票据类型对应的更新后的视觉图；重复执行上述操作，直到深度学习网络满足预先设置的收敛条件。
如图4所示，在构建初始视觉图的过程中，电子设备可以先输入一张火车票作为当前训练样本，通过深度学习网络提取出该火车票的视觉特征；具体地，模型训练模块可以通过EAST模型输出火车票中文字行的四角点坐标，并以顺时针方向排序，获取到所有检测框的集合P＝{pi；i∈N*}；其中，N*为检测框的数量；同时还可以提取出各个检测框在整个视觉图上的表观特征和空间特征/>图4中的视觉特征至少可以包括各个检测框在整个视觉图上的表观特征和空间特征；再将各个检测框在整个视觉图上的表观特征和空间特征合并起来作为视觉图的节点特征；其中，节点特征可以表示为：Vm＝{F||S}。此外，视觉图的边是一种二进制的表示/>它是通过图像中两个目标坐标之间的距离判断的，在构建的过程中，可以采用排序的方式(例如top K)进行初始化。通过上述这种方式可以构建出视觉图G1＝{Vm，Em}。
此外，在更新视觉图的过程中，模型训练模型的输入可以是一个图(以下称为输入图)：G＝{V,E}；首先使用一个全连接层(FC)将输入图的节点特征V映射成特征维度为d的特征X，具体表示如下：X＝σ(W1*V)；再根据输入图的边E，使用一个图卷积层进行图节点特征的更新和隐式关系的学习；具体地，更新策略定义如下：X′＝σ(W2(X+W3(LX)))；L＝(D)-1/2E(D)1/2；其中，是一个对角矩阵，/>eij∈E；W1、W2和W3均为深度学习网络的参数。经过图卷积网络后，整个图卷积网络的输出是一个更新过后的图G′＝{X′,E′}。
如图4所示，在模型预测的过程中，输入模块可以将待识别票据输入至预先训练好的深度学习网络中，深度学习网络通过各个训练样本与待识别票据的共享特征得到待识别票据对应的视觉图；然后将待识别票据对应的视觉图输入至图匹配模块，图匹配模块可以将待识别票据对应的视觉图与预先构建的基础模板库中的各个票据模板对应的视觉图进行匹配，从而通过输出模块可以在待识别票据中提取出结构化信息。
本申请实施例提出的票据信息的提取方法，先将待识别票据输入至预先训练好的深度学习网络中，通过深度学习网络得到待识别票据对应的视觉图；然后将待识别票据对应的视觉图与基础模板库中的各个票据模板对应的视觉图进行匹配；若待识别票据对应的视觉图与基础模板库中的任意一个票据模板对应的视觉图匹配成功，则使用该任意一个票据模板提取待识别票据中的结构化信息。也就是说，本申请通过深度学习网络得到待识别票据对应的视觉图；然后基于待识别票据对应的视觉图和基础模板库中的各个票据模板对应的视觉图实现票据信息的提取。而在现有的票据信息的提取方法中，采用基于人工录入的方案或者基于模板匹配的方案或者基于关键符号位置的策略搜索方案。因为本申请采用了通过深度学习网络提取票据信息的技术手段，克服了现有技术无法实现多版式的票据信息提取，票据识别所覆盖的业务范围有限，以及无法适用于大规模票据自动处理，处理效果不佳，人力成本高的技术问题，本申请提供的技术方案，可以实现多版式的票据信息提取，扩大票据识别所覆盖的业务范围，从而可以适用于大规模票据自动处理，处理效果更好，识别速度更快；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例四
图5是本申请实施例提供的票据信息的提取装置的结构示意图。如图5所示，所述装置500包括：视觉图生成模块501、视觉图匹配模块502和信息提取模块503；其中，
所述视觉图生成模块501，用于将待识别票据输入至预先训练好的深度学习网络中，通过所述深度学习网络得到所述待识别票据对应的视觉图；
所述视觉图匹配模块502，用于将所述待识别票据对应的视觉图与预先构建的基础模板库中的各个票据模板对应的视觉图进行匹配；
所述信息提取模块503，用于若所述待识别票据对应的视觉图与所述基础模板库中的任意一个票据模板对应的视觉图匹配成功，则使用所述任意一个票据模板提取所述待识别票据中的结构化信息。
进一步的，所述装置还包括：模板注册模块504(图中未示出)，用于若所述待识别票据对应的视觉图与所述基础模板库中的各个票据模板对应的视觉图均未匹配成功，则基于所述待识别票据对应的视觉图构建所述待识别票据对应的票据模板，并将所述待识别票据对应的票据模板注册到所述基础模板库中。
进一步的，所述视觉图匹配模块502，具体用于在所述基础模板库中提取出一个票据模板作为当前票据模板；通过预先确定的图匹配算法得到所述待识别票据对应的视觉图与所述当前票据模板对应的视觉图的匹配结果；重复执行上述操作，直到所述待识别票据对应的视觉图与所述基础模板库中的任意一个票据模板对应的视觉图匹配成功；或者所述待识别票据对应的视觉图与所述基础模板库中的各个票据模板对应的视觉图均未匹配成功。
进一步的，所述视觉图匹配模块502，具体用于通过所述图匹配算法计算所述待识别票据对应的视觉图与所述当前票据模板对应的视觉图的节点匹配矩阵和边匹配矩阵；基于所述待识别票据对应的视觉图与所述当前票据模板对应的视觉图的节点匹配矩阵和边匹配矩阵，得到所述待识别票据对应的视觉图与所述当前票据模板对应的视觉图的匹配结果。
进一步的，所述装置还包括：模型训练模块505(图中未示出)，用于若所述深度学习网络不满足预先设置的收敛条件，则在预先构建的训练样本库中提取出一张票据照片作为当前训练样本；基于所述当前训练样本的票据类型对预先构建的所述票据类型对应的初始视觉图进行更新，得到所述票据类型对应的更新后的视觉图；重复执行上述操作，直到所述深度学习网络满足所述预先设置的收敛条件。
进一步的，所述模型训练模块505，还用于将所述当前训练样本输入至预先训练好的文本识别模型中，通过所述文本识别模型得到所述当前训练样本中的各个检测框的四个顶点坐标；基于各个检测框的四个顶点坐标提取各个检测框的表观特征和空间特征；根据各个检测框的表观特征和空间特征构建出所述票据类型对应的初始视觉图。
上述票据信息的提取装置可执行本申请任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请任意实施例提供的票据信息的提取方法。
实施例五
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如票据信息的提取方法。例如，在一些实施例中，票据信息的提取方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的票据信息的提取方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行票据信息的提取方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种票据信息的提取方法，所述方法包括：
将待识别票据输入至预先训练好的深度学习网络中，通过所述深度学习网络基于各个训练样本与所述待识别票据的共享特征得到所述待识别票据对应的视觉图；其中，所述待识别票据对应的视觉图至少包括所述待识别票据中各个检测框在对应的视觉图上的表观特征和空间特征；所述深度学习网络采用如下方式训练得到：若所述深度学习网络不满足预先设置的收敛条件，则在预先构建的训练样本库中提取出一张票据照片作为当前训练样本；基于所述当前训练样本的票据类型对预先构建的所述票据类型对应的初始视觉图进行更新，得到所述票据类型对应的更新后的视觉图；重复执行上述训练所述深度学习网络的操作，直到所述深度学习网络满足所述预先设置的收敛条件；
通过预先确定的图匹配算法，计算所述待识别票据对应的视觉图与预先构建的基础模板库中的各个票据模板对应的视觉图的节点匹配矩阵和边匹配矩阵，并基于所述待识别票据对应的视觉图与预先构建的基础模板库中的各个票据模板对应的视觉图的节点匹配矩阵和边匹配矩阵，将所述待识别票据对应的视觉图与预先构建的基础模板库中的各个票据模板对应的视觉图进行匹配；
若所述待识别票据对应的视觉图与所述基础模板库中的任意一个票据模板对应的视觉图匹配成功，则使用所述任意一个票据模板提取所述待识别票据中的结构化信息。
2.根据权利要求1所述的方法，所述方法还包括：
若所述待识别票据对应的视觉图与所述基础模板库中的各个票据模板对应的视觉图均未匹配成功，则基于所述待识别票据对应的视觉图构建所述待识别票据对应的票据模板，并将所述待识别票据对应的票据模板注册到所述基础模板库中。
3.根据权利要求1所述的方法，其中，所述将所述待识别票据对应的视觉图与预先构建的基础模板库中的各个票据模板对应的视觉图进行匹配，包括：
在所述基础模板库中提取出一个票据模板作为当前票据模板；
通过所述图匹配算法得到所述待识别票据对应的视觉图与所述当前票据模板对应的视觉图的匹配结果；重复执行上述在所述基础模板库中提取出一个票据模板作为当前票据模板；通过所述图匹配算法得到所述待识别票据对应的视觉图与所述当前票据模板对应的视觉图的匹配结果的操作，直到所述待识别票据对应的视觉图与所述基础模板库中的任意一个票据模板对应的视觉图匹配成功；或者所述待识别票据对应的视觉图与所述基础模板库中的各个票据模板对应的视觉图均未匹配成功。
4.根据权利要求1所述的方法，在所述基于所述当前训练样本的票据类型对预先构建的所述票据类型对应的初始视觉图进行更新之前，所述方法还包括：
将所述当前训练样本输入至预先训练好的文本识别模型中，通过所述文本识别模型得到所述当前训练样本中的各个检测框的四个顶点坐标；
基于各个检测框的四个顶点坐标提取各个检测框的表观特征和空间特征；
根据各个检测框的表观特征和空间特征构建出所述票据类型对应的初始视觉图。
5.一种票据信息的提取装置，所述装置包括：视觉图生成模块、视觉图匹配模块和信息提取模块；其中，
所述视觉图生成模块，用于将待识别票据输入至预先训练好的深度学习网络中，通过所述深度学习网络基于各个训练样本与所述待识别票据的共享特征得到所述待识别票据对应的视觉图；其中，所述待识别票据对应的视觉图至少包括所述待识别票据中各个检测框在对应的视觉图上的表观特征和空间特征；所述深度学习网络采用如下方式训练得到：若所述深度学习网络不满足预先设置的收敛条件，则在预先构建的训练样本库中提取出一张票据照片作为当前训练样本；基于所述当前训练样本的票据类型对预先构建的所述票据类型对应的初始视觉图进行更新，得到所述票据类型对应的更新后的视觉图；重复执行上述训练所述深度学习网络的操作，直到所述深度学习网络满足所述预先设置的收敛条件；
所述视觉图匹配模块，用于通过预先确定的图匹配算法，计算所述待识别票据对应的视觉图与预先构建的基础模板库中的各个票据模板对应的视觉图的节点匹配矩阵和边匹配矩阵，并基于所述待识别票据对应的视觉图与预先构建的基础模板库中的各个票据模板对应的视觉图的节点匹配矩阵和边匹配矩阵，将所述待识别票据对应的视觉图与预先构建的基础模板库中的各个票据模板对应的视觉图进行匹配；
所述信息提取模块，用于若所述待识别票据对应的视觉图与所述基础模板库中的任意一个票据模板对应的视觉图匹配成功，则使用所述任意一个票据模板提取所述待识别票据中的结构化信息。
6.根据权利要求5所述的装置，所述装置还包括：模板注册模块，用于若所述待识别票据对应的视觉图与所述基础模板库中的各个票据模板对应的视觉图均未匹配成功，则基于所述待识别票据对应的视觉图构建所述待识别票据对应的票据模板，并将所述待识别票据对应的票据模板注册到所述基础模板库中。
7.根据权利要求5所述的装置，所述视觉图匹配模块，具体用于在所述基础模板库中提取出一个票据模板作为当前票据模板；通过所述图匹配算法得到所述待识别票据对应的视觉图与所述当前票据模板对应的视觉图的匹配结果；重复执行上述在所述基础模板库中提取出一个票据模板作为当前票据模板；通过所述图匹配算法得到所述待识别票据对应的视觉图与所述当前票据模板对应的视觉图的匹配结果的操作，直到所述待识别票据对应的视觉图与所述基础模板库中的任意一个票据模板对应的视觉图匹配成功；或者所述待识别票据对应的视觉图与所述基础模板库中的各个票据模板对应的视觉图均未匹配成功。
8.根据权利要求5所述的装置，所述装置还包括：模型训练模块，用于将所述当前训练样本输入至预先训练好的文本识别模型中，通过所述文本识别模型得到所述当前训练样本中的各个检测框的四个顶点坐标；基于各个检测框的四个顶点坐标提取各个检测框的表观特征和空间特征；根据各个检测框的表观特征和空间特征构建出所述票据类型对应的初始视觉图。
9. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
CN202110084184.4A 2021-01-21 2021-01-21 一种票据信息的提取方法、装置、电子设备及存储介质 Active CN112784829B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110084184.4A CN112784829B (zh) 2021-01-21 2021-01-21 一种票据信息的提取方法、装置、电子设备及存储介质
EP22151884.8A EP3968287A3 (en) 2021-01-21 2022-01-17 Method and apparatus for extracting information about a negotiable instrument, electronic device and storage medium
US17/581,047 US20220148324A1 (en) 2021-01-21 2022-01-21 Method and apparatus for extracting information about a negotiable instrument, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110084184.4A CN112784829B (zh) 2021-01-21 2021-01-21 一种票据信息的提取方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112784829A CN112784829A (zh) 2021-05-11
CN112784829B true CN112784829B (zh) 2024-05-21

Family

ID=75758351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110084184.4A Active CN112784829B (zh) 2021-01-21 2021-01-21 一种票据信息的提取方法、装置、电子设备及存储介质

Country Status (3)

Country Link
US (1) US20220148324A1 (zh)
EP (1) EP3968287A3 (zh)
CN (1) CN112784829B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11481823B1 (en) * 2021-10-27 2022-10-25 Zaru, Inc. Collaborative text detection and text recognition

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6400845B1 (en) * 1999-04-23 2002-06-04 Computer Services, Inc. System and method for data extraction from digital images
CN204576535U (zh) * 2014-12-22 2015-08-19 深圳中兴网信科技有限公司 一种票据识别装置
CN111275037A (zh) * 2020-01-09 2020-06-12 上海知达教育科技有限公司 票据识别方法及装置
CN111275070A (zh) * 2019-12-26 2020-06-12 厦门商集网络科技有限责任公司 一种基于局部特征匹配的签名验证方法及设备
CN111782838A (zh) * 2020-06-30 2020-10-16 北京百度网讯科技有限公司 图像问答方法、装置、计算机设备和介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110131253A1 (en) * 2009-11-30 2011-06-02 Sap Ag System and Method of Schema Matching
US20180314945A1 (en) * 2017-04-27 2018-11-01 Advanced Micro Devices, Inc. Graph matching for optimized deep network processing
CN111666885A (zh) * 2020-06-08 2020-09-15 成都知识视觉科技有限公司 一种医疗单证结构化知识提取的模板构建与匹配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6400845B1 (en) * 1999-04-23 2002-06-04 Computer Services, Inc. System and method for data extraction from digital images
CN204576535U (zh) * 2014-12-22 2015-08-19 深圳中兴网信科技有限公司 一种票据识别装置
CN111275070A (zh) * 2019-12-26 2020-06-12 厦门商集网络科技有限责任公司 一种基于局部特征匹配的签名验证方法及设备
CN111275037A (zh) * 2020-01-09 2020-06-12 上海知达教育科技有限公司 票据识别方法及装置
CN111782838A (zh) * 2020-06-30 2020-10-16 北京百度网讯科技有限公司 图像问答方法、装置、计算机设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于模板匹配的苹果果实识别;黄敏;计算机应用与软件;20100515;第27卷(第5期);第240-242页 *

Also Published As

Publication number Publication date
EP3968287A2 (en) 2022-03-16
US20220148324A1 (en) 2022-05-12
EP3968287A3 (en) 2022-07-13
CN112784829A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
KR102610518B1 (ko) 문자 구조화 추출 방법, 장치, 기기 및 저장 매체
CN112949415B (zh) 图像处理方法、装置、设备和介质
WO2023015922A1 (zh) 图像识别模型的训练方法、装置、设备及存储介质
CN111709339A (zh) 一种票据图像识别方法、装置、设备及存储介质
CN112966522A (zh) 一种图像分类方法、装置、电子设备及存储介质
WO2023024614A1 (zh) 文档分类的方法、装置、电子设备和存储介质
US20220309549A1 (en) Identifying key-value pairs in documents
CN110874618B (zh) 基于小样本的ocr模板学习方法、装置、电子设备及介质
CN113313113B (zh) 证件信息获取方法、装置、设备以及存储介质
CN113723270A (zh) 基于rpa及ai的文件处理方法及装置
JP7390445B2 (ja) 文字位置決めモデルのトレーニング方法及び文字位置決め方法
CN113780098A (zh) 文字识别方法、装置、电子设备以及存储介质
CN112784829B (zh) 一种票据信息的提取方法、装置、电子设备及存储介质
CN114092948B (zh) 一种票据识别方法、装置、设备以及存储介质
CN113313114B (zh) 证件信息获取方法、装置、设备以及存储介质
US11881044B2 (en) Method and apparatus for processing image, device and storage medium
CN113326766A (zh) 文本检测模型的训练方法及装置、文本检测方法及装置
CN113032443B (zh) 用于处理数据的方法、装置、设备和计算机可读存储介质
CN114398434A (zh) 结构化信息抽取方法、装置、电子设备和存储介质
CN113742485A (zh) 一种处理文本的方法和装置
CN114155540A (zh) 基于深度学习的文字识别方法、装置、设备及存储介质
CN113627350A (zh) 一种表格检测方法、装置、设备以及存储介质
CN114821603B (zh) 票据识别方法、装置、电子设备以及存储介质
CN114419640B (zh) 文本处理方法、装置、电子设备及存储介质
CN115497112B (zh) 表单识别方法、装置、设备以及存储介质

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