CN114663899A - 金融票据的处理方法、装置、设备及介质 - Google Patents

Abstract

本公开提供了一种金融票据的处理方法，可以应用于人工智能技术领域。该方法包括：采集目标金融票据的第一图像；对第一图像分别进行图案识别和文字识别，得到识别结果信息；基于识别结果信息与数据库中存储的金融票据的开票信息的比对，确定目标金融票据的真实性；以及在确定目标金融票据真实的情况下，基于识别结果信息生成目标金融票据对应的电子报表。本公开还提供了一种金融票据的处理装置、设备、存储介质和程序产品。

Description

金融票据的处理方法、装置、设备及介质

技术领域

本公开涉及人工智能领域，更具体地涉及一种金融票据的处理方法、装置、设备、介质和程序产品。

背景技术

金融票据又称融通票据或空票据，作为一种支付工具，在商业活动中使用比较广泛。在客户使用金融票据确认收款时，需要到银行网点出示金融票据，由银行网点确认金融票据的真实性后，再进行账务处理，完成支付收款的转账过程。目前金融票据的自助识别率不高，使得票据真假难辨，这导致在银行网点往往需要由工作人员人工核验真假，自动化办公率低。

发明内容

鉴于上述问题，本公开提供了提高银行票据业务自动化办公率的金融票据的处理方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种金融票据的处理方法，包括：采集目标金融票据的第一图像；对所述第一图像分别进行图案识别和文字识别，得到识别结果信息；基于所述识别结果信息与数据库中存储的金融票据的开票信息的比对，确定所述目标金融票据的真实性；以及在确定所述目标金融票据真实的情况下，基于所述识别结果信息生成所述目标金融票据对应的电子报表。

根据本公开的实施例，所述对所述第一图像进行图案识别包括识别以下至少一项：印章图案、票据类型图案、商标或徽标图案、以及条形码图案。

根据本公开的实施例，所述对所述第一图像进行图案识别包括：提取所述第一图像的特征向量，包括通过方向直方图算法或者尺度不变特征变换算法提取所述第一图像的特征向量；以及利用训练好的分类器对所述第一图像的特征向量进行分类，得到分类结果，其中，所述分类器的分类类别至少包括所述第一图像中的图案真实或不真实两大类；所述识别结果信息包括所述分类结果。

根据本公开的实施例，所述识别结果信息还包括对所述第一图像进行文字识别所得的文字信息；所述基于所述识别结果信息与数据库中存储的金融票据的开票信息的比对，确定所述目标金融票据的真实性包括：在所述分类结果表明所述第一图像中的图案真实的情况下，将所述文字信息与所述数据库中存储的开票信息比对；以及当所述数据库中存在与所述文字信息一致的开票信息时，确定所述目标金融票据是真实的。

根据本公开的实施例，所述方法还包括：对所述第一图像进行预处理，得到特征图像；所述对所述第一图像分别进行图案识别和文字识别包括：对所述特征图像分别进行图案识别和文字识别。

根据本公开的实施例，所述对所述第一图像进行预处理包括对所述第一图像进行伽马变换，具体包括：将所述第一图像中的每个像素的像素值归一化处理为位于区间[0，1]中的实数；计算所述归一化处理后每个像素的像素值以γ为指数的对应值，得到每个像素的伽马变换值，其中，γ大于1；以及对每个像素的所述伽马变换值进行反归一化处理，其中，所述反归一化处理为所述归一化处理的逆运算。

根据本公开的实施例，所述对所述第一图像进行预处理包括对所述第一图像进行灰度变换，具体包括：获取第一灰度值和第二灰度值，其中，所述第一灰度值为对所述目标金融票据同类型的金融票据中的表格线条的灰度值进行统计确定的灰度值；所述第二灰度值为对所述目标金融票据同类型的金融票据中的图案的灰度值进行统计确定的灰度值；其中，所述第一灰度值被设置为小于所述第二灰度值；获取所述第一图像对应的原始灰度图像；以及通过所述灰度变换，减小所述原始灰度图像中小于或等于所述第一灰度值的像素的灰度值，并增大所述原始灰度图像中大于所述第二灰度值的像素的灰度值。

根据本公开的实施例，所述对所述第一图像进行预处理包括：计算所述第一图像中每个像素的梯度；基于每个像素的梯度，通过轮廓捕获查找表格线；以及减小查找到的表格线的像素值。

根据本公开的实施例，所述对所述第一图像进行文字识别包括：对所述第一图像进行二值化处理；在二值化处理后的图像中通过轮廓查找去除表格线，得到第二图像；以及利用文字识别算法识别所述第二图像中的文字信息。

根据本公开的实施例，所述方法应用于物联网系统，所述采集目标金融票据的第一图像包括：利用集成于所述物联网系统的图像采集终端采集所述第一图像。

本公开实施例的第二方面，提供了一种金融票据的处理装置。所述处理装置包括数据采集单元、识别检测单元、信息汇总单元以及报表生成单元。数据采集单元用于采集目标金融票据的第一图像。识别检测单元用于对所述第一图像分别进行图案识别和文字识别，得到识别结果信息。信息汇总单元用于基于所述识别结果信息与数据库中存储的金融票据的开票信息的比对，确定所述目标金融票据的真实性。报表生成单元用于在确定所述目标金融票据真实的情况下，基于所述识别结果信息生成所述目标金融票据对应的电子报表。

根据本公开的实施例，所述识别检测单元包括图案识别模块。所述图案识别模块用于：提取所述第一图像的特征向量，包括通过方向直方图算法或者尺度不变特征变换算法提取所述第一图像的特征向量；以及利用训练好的分类器对所述第一图像的特征向量进行分类，得到分类结果，其中，所述分类器的分类类别至少包括所述第一图像中的图案真实或不真实两大类；所述识别结果信息包括所述分类结果。

根据本公开的实施例，所述识别检测单元包括文字识别模块。所述文字识别模块用于：对所述第一图像进行二值化处理；在二值化处理后的图像中通过轮廓查找去除表格线，得到第二图像；以及利用文字识别算法识别所述第二图像中的文字信息。

根据本公开的实施例，所述信息汇总单元用于在所述分类结果表明所述第一图像中的图案真实的情况下，将所述文字信息与所述数据库中存储的开票信息比对；以及当所述数据库中存在与所述文字信息一致的开票信息时，确定所述目标金融票据是真实的。

根据本公开的实施例，所述处理装置还包括图像预处理单元。所述图像预处理单元用于对所述第一图像进行预处理，得到特征图像。相应地，所述识别检测单元用于对所述特征图像分别进行图案识别和文字识别。

本公开实施例的第三方面，提供了一种电子设备。所述电子设备包括图像采集装置、一个或多个处理器以及存储器。所述图像采集装置用于采集目标金融票据的第一图像。所述存储器用于存储一个或多个程序。其中，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上述方法。

本公开实施例的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述方法。

本公开实施例的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法。

上述一个或多个实施例具有如下优点或益效果：在进行金融票据的处理时，可以对金融票据中的图案信息和文字信息分别进行识别，并结合二者的识别结果来辨别金融票据的真伪，并在票据真实的情况下形成对应的电子报表，可以实现金融票据处理的全流程自动化。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的金融票据的处理方法、装置、设备、介质和程序产品的系统架构图；

图2示意性示出了根据本公开实施例的金融票据的处理方法的流程图；

图3示意性示出了根据本公开实施例的金融票据的处理方法中图案识别的流程图；

图4示意性示出了根据本公开实施例的金融票据的处理方法中文字识别的流程图；

图5示意性示出了根据本公开实施例的金融票据的处理方法中确定金融票据的真实性的流程图；

图6示意性示出了根据本公开另一实施例的金融票据的处理方法的流程图；

图7示意性示出了根据本公开一实施例的金融票据的处理方法中提取金融票据的图像的特征的流程图；

图8示意性示出了根据本公开再一实施例的金融票据的处理方法的流程图；

图9示意性示出了根据本公开实施例的金融票据的处理装置的方框图；以及

图10示意性示出了适于实现根据本公开实施例的金融票据的处理方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开的实施例提供了一种金融票据的处理方法、装置、设备、介质和程序产品。该金融票据的处理方法包括：首先采集目标金融票据的第一图像；然后对第一图像分别进行图案识别和文字识别，得到识别结果信息；接着基于识别结果信息与数据库中存储的金融票据的开票信息的比对，确定目标金融票据的真实性；接下来在确定目标金融票据真实的情况下，基于识别结果信息生成目标金融票据对应的电子报表。

在进行图案识别时，可以利用图像识别算法，识别金融票据中所包含的印章图案、票据类型图案、商标或徽标图案、或者条形码图案等。然后可以通过与数据库中记录的标准图案信息的对比或分类器进行分类识别等方式，从票据图案层面辨别金融票据的真伪，甄别出通过伪造印章、伪造票据等方式形成的虚假票据。

在进行文字识别时，可以利用文字识别算法，识别金融票据中的文字信息，例如票据类型、开票时间、开票人、收款人、开票金额等信息。然后可以将这些文字信息与银行中存储的开票记录等信息进行对比，从票据内容信息层面确认金融票据的真伪。

可见，根据本公开的实施例，在进行金融票据的处理时，可以对金融票据中的图案信息和文字信息分别进行识别，并结合二者的识别结果来辨别金融票据的真伪，并在票据真实的情况下形成对应的电子报表，可以实现金融票据处理的全流程自动化。

相关技术中，进行票据识别时仅针对文字进行识别，而票据的真伪辨别等还需要人工处理的方式。对比可以明显看出，本公开实施例的方法，可以有效提高金融票据的识别的效率和准确率，有助于提升金融票据业务的办公自动化程度。

需要说明的是，本公开实施例提供的金融票据的处理方法、装置、设备、介质和程序产品可用于金融领域，也可用于除金融领域之外的任意领域，本公开对应用领域不做限定。

图1示意性示出了根据本公开实施例的金融票据的处理方法、装置、设备、介质和程序产品的系统架构图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括图像采集终端101、网络102和服务器103。网络102用以在图像采集终端101和服务器103之间提供通信链路。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

该系统架构100可以是布设在金融机构(例如，银行)的物联网系统，其中，图像采集终端101可以设置在银行网点，图像采集终端101可以是摄像头、照相机等。

图像采集终端101可以采集目标金融票据1的图像，并通过网络102上传到服务器103。服务器103可以执行本公开实施例的金融票据的处理方法，自动化地识别目标金融票据1的真伪，并在验证目标金融票据1为真实的情况下，自动生成金融票据的电子报表。相应地，本公开实施例所提供的金融票据的处理装置也可以设置于服务器103中。

可以理解，本公开实施例所提供的金融票据的处理方法也可以由不同于服务器103且能够与图像采集终端102和/或服务器103通信的服务器或服务器集群执行。相应地，本公开实施例所提供的金融票据的处理装置也可以设置于不同于服务器103且能够与图像采集终端102和/或服务器103通信的服务器或服务器集群中。

需要说明的是，图1中的图像采集终端、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的图像采集终端、网络和服务器。

以下将基于图1描述的场景，通过图2～图6对本公开实施例的金融票据的处理方法进行详细描述。

图2示意性示出了根据本公开实施例的金融票据的处理方法的流程图。

如图2所示，根据该实施例的金融票据的处理方法可以包括操作S210～操作S240。

首先在操作S210，采集目标金融票据1的第一图像。本文中，“第一图像”用于指对纸质的目标金融票据1进行图像采集所得到的图像。

可以利用集成于物联网系统的图像采集终端101采集该第一图像。例如，当客户持金融票据到银行网点办理收款确认等业务时，可以有银行网点的工作人员操作图像采集终端101来采集该第一图像，或者也可以引导客户将金融票据按照规定方式放置在图像采集终端101的拍摄范围内的特定位置，然后可以通过光敏感应等技术自动触发图像采集终端101采集该第一图像。

然后在操作S220，对第一图像分别进行图案识别和文字识别，得到识别结果信息。

该识别结果信息同时包括了经过图案识别所得到的图案信息和经过文字识别所得到的文字信息。

经过图案识别所得到的图案信息例如可以包括金融票据中所包括的图案的内容(诸如，印章图案、票据类型图案、商标或徽标图案、或条形码图案)以及每个图案的特征信息。在另一些实施例中，该图案信息还可以包括每个图案真实与否的信息(例如，印章是否真实)。在实际应用时，可以根据识别需求，训练相应的机器学习算法模型来识别出对应的信息。在一个实施例中，可以针对不同的图案分别训练对应的机器学习算法模型，来实现对特定的图案信息的识别。

经过文字识别所得到的文字信息可以包括票据类型、开票时间、开票人、收款人、开票金额等内容信息。

接下来在操作S230，基于识别结果信息与数据库中存储的金融票据的开票信息的比对，确定目标金融票据1的真实性。

当识别结果信息中的图案信息包括图案的内容以及每个图案的特征信息时，可以将图案信息与数据库中存储的开票信息中的各种标准图案进行特征对比识别，确定图案信息的真实性。与此并行地，可以基于文字信息的对比，来验证模板金融票据中的文字信息的真实性。

当识别结果信息中的图案信息包括每个图案真实与否的信息时，可以仅在第一图像中所有的图案均为真实的情况下，再基于文字信息进行对比。

其中，所谓基于文字信息的对比可以是，将文字信息与数据库中存储开票信息中的开票记录进行对比，查看是否存在该目标金融票据1的文字信息一致的开票记录。

当且仅当目标金融票据1的所有图案均为真实的，而且数据库中也存在与目标金融票据1的文字信息一致的开票记录时，确定目标金融票据1是真实的。

然后在操作S240，在确定目标金融票据1真实的情况下，基于识别结果信息生成目标金融票据1对应的电子报表。可以根据识别结果信息生成报表在数据库中存储，并提供给工作人员的终端设备上显示，避免了工作人员手动操作生成电子报表。

以此方式，本公开实施例结合对金融票据中的图案信息和文字信息的撒双重识别，可以高效地辨别金融票据的真伪，进而在票据真实的情况下形成对应的电子报表，有效提高金融票据的识别的效率和准确率，有助于提升金融票据业务的办公自动化程度。

图3示意性示出了根据本公开实施例的金融票据的处理方法中图案识别的流程图。

本公开实施例的金融票据处理方法中操作S220包括图案识别和文字识别。如图3所示，在一个实施中，图案识别可以包括操作S301和操作S302。

在操作S301，提取第一图像的特征向量。具体地，可以通过方向直方图(Histogramof oriented gradients，缩写HOG)算法或者尺度不变特征变换(Scale-invariantfeature transform，缩写SIFT)算法提取第一图像的特征向量。

通过HOG算法提取第一图像的特征向量的过程大致可以包括：首先以将第一图像划分成M个单元并统计每个单元的梯度直方图，其中，M为大于2的整数，然后将M个单元中相邻的每N个单元组成一个块，其中，N为整数，且2≤N＜M，接下来基于每个块中的所有单元的梯度直方图，得到每个块的特征向量，最后将第一图像中的所有块的特征向量进行串联操作，得到第一图像的特征向量。

通过SIFT算法提取第一图像的特征向量的过程大致可以包括：先构建第一图像的高斯金字塔，再构建高斯差分金字塔，接下来在高斯差分(Difference of Gaussian，缩写DOG)空间中寻找关键点。然后是把关键点邻域划分成块，计算块内梯度直方图，然后生成具有唯一性的特征。基于局部的梯度方向，对每个关键点分配一个或多个方向；在关键点邻域内，在选的尺度上计算图像局部梯度，将这些梯度组织起来，变换成一种允许比较大的局部形变和关照变化的表示，并据此得到第一图像的特征向量。其中，SIFT算法在确定关键点时，可以通过搜索所有尺度上的图像位置，利用高效的高斯微分函数识别潜在的关键点。为了计算极值点，每个像素点不仅要和本图像邻域内的点比较，还要和同组相邻层的图像邻域进行比较，查看该点是否为极值点。如果是极值点，则选为关键点，否则不选。

在操作S302，利用训练好的分类器对第一图像的特征向量进行分类，得到分类结果，其中，分类器的分类类别至少包括第一图像中的图案真实或不真实两大类。

金融票据通常都是定制化的，从而每一种类型的金融票据中允许出现的图案的种类和数量通常是预制的、或者预先约定好的。

鉴于金融票据的该特点，在一个实施例中可以针对每一种图案训练相应的分类器(下文简称“图案分类器”)，来识别该种图案的真实与否。然后可以将训练得到的多个图案分类器集成在一起，形成操作S302中可以用于识别图案真伪的分类器。

从而，当操作S302中将第一图像的特征向量输入给分类器后，可以通过其中集成的各种图案分类器分别识别出第一图像中是否包含相应的图案，以及该图案真实与否的信息。这样，每个图案分类器要么输出为第一图像中不包含该图案，要么输出该图案真实或不真实的分类结果。这样，当每个图案分类器的分类结果均不存在图案不真实的情况下，在操作S302中得到第一图像中的图案真实的分类结果，否则得到第一图像中的图案不真实的分类结果。

在另一些实施例中，操作S302中所使用的分类器可以包括图像类型识别算法模型(例如，ImageNet模型)和上述的各种图案分类器的集成。例如，可以先使用图像识别算法模型识别出第一图像中的图案的类型，然后在将每个图案的特征向量输入到对应的图案分类器进行分类。

根据本公开实施例，可以通过人工智能算法自动地识别金融票据中的图案的真实性，从票据图案层面辨别金融票据的真伪，甄别出通过伪造印章、伪造票据等方式形成的虚假票据，提高自动甄别金融票据真伪的效率。

图4示意性示出了根据本公开实施例的金融票据的处理方法中文字识别的流程图。

本公开实施例的金融票据的处理方法中，操作S220包括图案识别和文字识别。如图4所示，在一个实施例中，文字识别可以包括操作S401～操作S403。

在操作S401，对第一图像进行二值化处理。在一些实施例中，当第一图像为彩色图像时可以在二值化处理之前，先将第一图像转换为灰度图。在另一些实施例中，为了提高后续文字识别的准确率，降低识别干扰，可以对灰度图先降噪后再进行二值化处理。

在操作S402，在二值化处理后的图像中通过轮廓查找去除表格线，得到第二图像。在一些实施例中，为了更准确地确定出表格线，可以对二值化处理后的图像进行膨胀、腐蚀等操作，突出轮廓线，然后通过查找轮廓来去除不符合文字特点的线条。

在操作S403，利用文字识别算法识别第二图像中的文字信息。文字识别算法可以本领域的任意的识别算法。识别文字信息时可以包括字符识别，还可以包括文本行识别或字段识别等，对此本公开不予限定。

图5示意性示出了根据本公开实施例的金融票据的处理方法中确定金融票据的真实性的流程图。

如图5所示，结合图3，根据该实施例操作S230可以包括操作S501和操作S502。

在操作S501，在操作S302中的分类结果表明第一图像中的图案真实的情况下，将文字信息与数据库中存储的开票信息比对。

在操作S502，当数据库中存在与文字信息一致的开票信息时，确定目标金融票据1是真实的。

以此方式，结合对目标金融票据1的图案信息和文字信息的双重识别处理，自动地鉴别目标金融票据1的真实性，提高了自动甄别金融票据真伪的准确率和效率。

图6示意性示出了根据本公开另一实施例的金融票据的处理方法的流程图。

如图6所示，根据该实施例的金融票据的处理方法除了操作S210～操作S240以外还可以包括操作S620。其中操作S620在操作S210之后、操作S220之前执行。

首先在操作S210，采集目标金融票据1的第一图像。

然后在操作S620，对第一图像进行预处理，得到特征图像。本文中“特征图像”指对第一图像进行预处理后、尚未进行图案识别和文字识别的图像。在该实施例中，图案识别和文字识别可以在特征图像的基础上进行。其中，对第一图像预处理可以是针对金融票据的特点，对第一图像进行降噪、降低光照影响、或消除表格线等操作，以此来提高后续进行图案识别和文字识别的准确率。

接下来在操作S220中对第一图像分别进行图案识别和文字识别，其中，具体可以是在经过预处理的特征图像上进行图案识别和文字识别，以此来提高识别结果信息的准确率。

此后通过上文描述的操作S230和操作S240，根据识别结果信息确定目标金融票据1的真实性，以及在确定目标金融票据1真实的情况下自动生成目标金融票据1对应的电子报表。

根据本公开的实施例，为降低采集第一图像的过程中的光照干扰，在操作S620中可以对第一图像进行伽马变变。伽马变换的具体过程大致包括如下步骤11～步骤13；

步骤11，将第一图像中的每个像素的像素值归一化处理为位于区间[0，1]中的实数。例如，通过如下公式(1)进行归一化处理：

I(x，y)＝(i(x，y)+0.5)/256 (1)

其中，i(x，y)为第一图像中的像素(x，y)的像素值；I(x，y)为归一化处理后像素(x，y)的像素值；

步骤12，计算归一化处理后每个像素的像素值以γ为指数的对应值，得到每个像素的伽马变换值，如公式(2)所示

I′(x，y)＝I(x，y)^γ (2)

其中，I′(x，y)为像素(x，y)的伽马变换值，γ大于1

步骤13，对每个像素的伽马变换值I′(x，y)进行反归一化处理，其中，反归一化处理为归一化处理的逆运算。即在式(1)中以I′(x，y)替代I(x，y)，反算出式(1)中的i(x，y)，以此得到通过伽马变换校正过的图像。

本公开实施例中，在伽马变换中选择γ大于1，可以使得图像中的高光部分被压缩而阴暗部分被扩展，从而降低光照干扰。

根据本公开的实施例，为了降低表格线对图案识别的干扰，在操作S620中可以对第一图像进行灰度变换。在本公开的一个实施例中，结合到金融票据的特点，进行灰度变换的过程可以包括：首先获取第一灰度值和第二灰度值，其中，第一灰度值被设置为小于第二灰度值，并且第一灰度值为对目标金融票据1同类型的金融票据中的表格线条的灰度值进行统计确定的灰度值，第二灰度值为对目标金融票据1同类型的金融票据中的图案的灰度值进行统计确定的灰度值；然后获取第一图像对应的原始灰度图像，其中当第一图像本身就是灰度图像时，原始灰度图像即为第一图像，当第一图像为彩色图像时，将第一图像灰度化得到原始灰度图像；接下来，通过灰度变换，减小原始灰度图像中小于或等于第一灰度值的像素的灰度值，并增大原始灰度图像中大于第二灰度值的像素的灰度值。

在上述灰度变换弱化表格线的过程中，最为关键的是第一灰度值和第二灰度值的确定。在一个实施例中，可以对大量与目标金融票据1同类型的金融票据的图像中的表格的图案的灰度值分布情况进行统计来确定。例如，当统计后表格线条所在像素的灰度值的范围[a1，a2]，图案所在像素的灰度值的范围[b1，b2]。当b1大于a2时，可以以a2为第一灰度值，b1为第二灰度值；当区间[a1，a2]与区间[b1，b2]部分重合时，可以视重合部分的大小按照经验或设定规则从中选择第一灰度值和第二灰度值。或者，在统计时，可以统计表格线像素的灰度值的分布曲线，找到均值a，从中选择a+n*δ(δ为标准差，n为整数，例如，n＝2或3)的灰度值作为候选的第一灰度值；统计图案像素的灰度值的分布曲线，找到均值b，取均值b-n*δ的值为候选的第二灰度值。当a+n*δ小于b-n*δ时，确定a+n*6为第一灰度值，b-n*δ为第二灰度值；当a+n*δ不小于b-n*δ时，再根据实际情况进行调整，确定出第一灰度值和第二灰度值。

然后在确定了第一灰度值和第二灰度值后，进行灰度变换时可以采用分段线性变换。将原始灰度图像的像素以第一灰度值和第二灰度值为边界分为三组，在每一组中按照相应的线性变换方式进行变换。其中，对于小于第一灰度值的像素通过压缩线性变换的方式降低灰度值，对于大于第二灰度值的像素，通过线性放大的变换方式扩展灰度值，而对于第一灰度值和第二灰度值之间的像素值则选择斜率相对平缓的线性变换方式，保障变化后图像的连续性。通过分段线性变换，可以突出图案像素，相对抑制表格线像素。

根据本公开的另一实施例，为了降低表格线对图案识别的干扰，在操作S620中也可以通过如下方式进行：计算第一图像中每个像素的梯度(包括梯度强度和梯度方向)，然后基于每个像素的梯度，通过轮廓捕获查找表格线，其中，表格线上不同位置点的梯度(尤其是梯度方向)具有明显的特征：通常表格线中间的像素具有相同的梯度方向，表格线的端点与相邻像素的梯度方向可以发生急剧变化，表格线交点和顶点与邻近点又会表现出又相应的梯度变化，从而可以根据表格线上各个位置的点与邻近点的梯度变化特性，查找出表格线。然后可以减小查找到的表格线的像素值，以此来弱化表格线的像素值。

可以理解，在操作S620中进行图像预处理时，既可以仅采用一种方式进行预处理(例如仅采用伽马变换、灰度变换、轮廓捕获其中之一)，也可以采用多种方式的混合处理(例如，先通过伽马变换降低光照干扰，然后通过灰度变换或轮廓捕获来降低表格线影响)。

图7示意性示出了根据本公开一实施例的金融票据的处理方法中提取金融票据的图像的特征的流程图。

如图7所示，根据该实施例提取金融票据的图像的特征的过程可以包括操作S701～操作S705。

在操作S701，采用伽马变换对第一图像进行颜色空间的标准化。具体参考前文介绍。

然后在操作S702，计算图像每个像素的梯度，并捕获轮廓信息，弱化表格线，得到特征图像。

接下来在操作S703，将特征图像划分成单元，统计每个单元的梯度直方图。

再然后在操作S704，将几个单元组成一个块，得到该块的HOG特征。

最后在操作S705，将得到的所有块的HOG特征串联，得到特征图像的可供分类使用的特征向量。

其中操作S703～操作S705是通过HOG算法提取特征向量的过程，可以参考前文介绍。

图8示意性示出了根据本公开再一实施例的金融票据的处理方法的流程图。

如图8所示，根据该实施例的金融票据的处理方法可以包括操作S801～操作S806。

在操作S801，通过集成于物联网系统的图像采集终端(例如，101)采集目标金融票据1的第一图像。

在操作S802，对获取的第一图像进行预处理，得到特征图像。具体可以参考前文关于操作S620的介绍。

在操作S803，对特征图像内的文字和图案分别进行检测识别。对此可以参考前文关于操作S220的介绍。

在操作S804，将识别结果信息与数据库中的样本参数进行比对。对此可以参考前文关于操作S230的介绍。

在操作S805，将比对后的结果以及识别结果信息汇总。

在操作S806，基于汇总后的数据生成电子报表在数据库中存储，并在终端设备上显示。

本公开实施例，通过集成于物联网系统的图像采集终端，实现对金融票据进行图像采集识别处理，通过图像预处理使得识别的精度更高，并对其分别进行图案和文字的检测识别比对，并自动生成对比数据报表进行显示，便于工作人员进行直观的数据参考，有效的提高票据类业务自动化办公效率，提高金融票据的识别准确率。

基于上述各个实施例的金融票据的处理方法，本公开实施例还提供了一种金融票据的处理装置。以下将结合图9对该处理装置进行详细描述。

图9示意性示出了根据本公开实施例的金融票据的处理装置900的方框图。

如图9所示，根据本公开实施例的金融票据的处理装置900可以包括数据采集单元910、识别检测单元920、信息汇总单元930以及报表生成单元940。

数据采集单元910用于采集目标金融票据1的第一图像。在一个实施例中，数据采集单元910可以执行前文描述的操作S210。

识别检测单元920用于对第一图像分别进行图案识别和文字识别，得到识别结果信息。在一个实施例中，识别检测单元920可以执行前文描述的操作S220。

信息汇总单元930用于基于识别结果信息与数据库中存储的金融票据的开票信息的比对，确定目标金融票据1的真实性。在一个实施例中，信息汇总单元930可以执行前文描述的操作S230。

报表生成单元940用于在确定目标金融票据1真实的情况下，基于识别结果信息生成目标金融票据1对应的电子报表。在一个实施例中，报表生成单元940可以执行前文描述的操作S240。

继续参考图9，根据本公开另一实施例，该处理装置900还可以进一步包括图像预处理单元950。

图像预处理单元950用于对第一图像进行预处理，得到特征图像。相应地，识别检测单元920用于对特征图像分别进行图案识别和文字识别。在一个实施例中，图像预处理单元950可以执行前文描述的操作S620。

另外，根据本公开的实施例，识别检测单元920可以包括图案识别模块921和文字识别模块922。

图案识别模块921可以用于：提取第一图像的特征向量，包括通过方向直方图算法或者尺度不变特征变换算法提取特征向量；以及利用训练好的分类器对第一图像的特征向量进行分类，得到分类结果，其中，分类器的分类类别至少包括第一图像中的图案真实或不真实两大类；识别结果信息包括分类结果。在一个实施例中，图案识别模块921可以执行前文描述的操作S301和操作S302。

文字识别模块922可以用于：对第一图像进行二值化处理；在二值化处理后的图像中通过轮廓查找去除表格线，得到第二图像；以及利用文字识别算法识别第二图像中的文字信息。在一个实施例中，文字识别模块922可以执行前文描述的操作S401～操作S403。

根据本公开一实施例，信息汇总单元930具体用于在分类结果表明第一图像中的图案真实的情况下，将文字信息与数据库中存储的开票信息比对；以及当数据库中存在与文字信息一致的开票信息时，确定目标金融票据1是真实的。在一个实施例中，信息汇总单元930可以执行前文描述的操作S501～操作S502。

根据本公开的一些实施例，报表生成单元940可以包括多种模块：多种模块，诸如：报表格式编辑模块、配置文件编辑模块、表格配置模块、报表名配置模块、时间配置模块和报表自动生成模块。报表格式编辑模块用于制作报表格式文件。配置文件编辑模块用于对文件配置进行编辑。表格配置模块用于编辑表格配置文件。报表名配置模块用于编辑报表名配置文件，记录各报表的文件名。时间配置模块用于编辑时间配置文件，确定报表输出的时间。报表自动生成模块用于报表自动生成模块根据报表配置文件从指定的实时数据库中获取数据，将数据与报表格式文件合成真实报表

根据本公开的实施例，该处理装置900还可以包括数据库。数据库用于对工作过程中各项数据进行储存，可以包括样品数据存储模块和数据对比模块。样品数据储存模块用于储存采集的金融票据样品的数据以及金融票据的开票记录信息，并为数据比对模块提供数据支持。数据对比模块用于通过读取样品数据储存模块中的数据，与当前采集的目标金融票据1的数据进行比对。

该处理装置900可以用于执行参考图2～图8所描述的金融票据的处理方法，具体可以参考前文的描述，此处不再赘述。

根据本公开的实施例，数据采集单元910、识别检测单元920、信息汇总单元930、报表生成单元940和图像预处理单元950中的任意多个单元或模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，数据采集单元910、识别检测单元920、信息汇总单元930、报表生成单元940和图像预处理单元950中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，数据采集单元910、识别检测单元920、信息汇总单元930、报表生成单元940和图像预处理单元950中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图10示意性示出了适于实现根据本公开实施例的金融票据的处理方法的电子设备的方框图。

如图10所示，根据本公开实施例的电子设备1000包括处理器1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1003中，存储有电子设备1000操作所需的各种程序和数据。处理器1001、ROM 1002以及RAM 1003通过总线1004彼此相连。处理器1001通过执行ROM 1002和/或RAM1003中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1002和RAM 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备1000还可以包括输入/输出(I/O)接口1005，输入/输出(I/O)接口1005也连接至总线1004。电子设备1000还可以包括连接至I/O接口1005的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。通信部分1009可以与图像采集装置通信，接收图像采集装置采集的金融票据的图像。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1002和/或RAM 1003和/或ROM 1002和RAM 1003以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。

在该计算机程序被处理器1001执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1009被下载和安装，和/或从可拆卸介质1011被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (14)

1.一种金融票据的处理方法，包括：

采集目标金融票据的第一图像；

对所述第一图像分别进行图案识别和文字识别，得到识别结果信息；

基于所述识别结果信息与数据库中存储的金融票据的开票信息的比对，确定所述目标金融票据的真实性；以及

在确定所述目标金融票据真实的情况下，基于所述识别结果信息生成所述目标金融票据对应的电子报表。

2.根据权利要求1所述的方法，其中，所述对所述第一图像进行图案识别包括识别以下至少一项：

印章图案、票据类型图案、商标或徽标图案、以及条形码图案。

3.根据权利要求1所述的方法，其中，所述对所述第一图像进行图案识别包括：

提取所述第一图像的特征向量，包括通过方向直方图算法或者尺度不变特征变换算法提取所述第一图像的特征向量；以及

利用训练好的分类器对所述第一图像的特征向量进行分类，得到分类结果，其中，所述分类器的分类类别至少包括所述第一图像中的图案真实或不真实两大类；所述识别结果信息包括所述分类结果。

4.根据权利要求3所述的方法，其中，所述识别结果信息还包括对所述第一图像进行文字识别所得的文字信息；所述基于所述识别结果信息与数据库中存储的金融票据的开票信息的比对，确定所述目标金融票据的真实性包括：

在所述分类结果表明所述第一图像中的图案真实的情况下，将所述文字信息与所述数据库中存储的开票信息比对；以及

当所述数据库中存在与所述文字信息一致的开票信息时，确定所述目标金融票据是真实的。

5.根据权利要求1所述的方法，其中，

所述方法还包括：对所述第一图像进行预处理，得到特征图像；

所述对所述第一图像分别进行图案识别和文字识别包括：对所述特征图像分别进行图案识别和文字识别。

6.根据权利要求5所述的方法，其中，所述对所述第一图像进行预处理包括对所述第一图像进行伽马变换，具体包括：

将所述第一图像中的每个像素的像素值归一化处理为位于区间[0，1]中的实数；

计算所述归一化处理后每个像素的像素值以γ为指数的对应值，得到每个像素的伽马变换值，其中，γ大于1；以及

对每个像素的所述伽马变换值进行反归一化处理，其中，所述反归一化处理为所述归一化处理的逆运算。

7.根据权利要求5所述的方法，其中，所述对所述第一图像进行预处理包括对所述第一图像进行灰度变换，具体包括：

获取第一灰度值和第二灰度值，其中，所述第一灰度值为对所述目标金融票据同类型的金融票据中的表格线条的灰度值进行统计确定的灰度值；所述第二灰度值为对所述目标金融票据同类型的金融票据中的图案的灰度值进行统计确定的灰度值；其中，所述第一灰度值被设置为小于所述第二灰度值；

获取所述第一图像对应的原始灰度图像；以及

通过所述灰度变换，减小所述原始灰度图像中小于或等于所述第一灰度值的像素的灰度值，并增大所述原始灰度图像中大于所述第二灰度值的像素的灰度值。

8.根据权利要求5所述的方法，其中，所述对所述第一图像进行预处理包括：

计算所述第一图像中每个像素的梯度；

基于每个像素的梯度，通过轮廓捕获查找表格线；以及

减小查找到的表格线的像素值。

9.根据权利要求1所述的方法，其中，所述对所述第一图像进行文字识别包括：

对所述第一图像进行二值化处理；

在二值化处理后的图像中通过轮廓查找去除表格线，得到第二图像；以及

利用文字识别算法识别所述第二图像中的文字信息。

10.根据权利要求1所述的方法，其中，所述方法应用于物联网系统，所述采集目标金融票据的第一图像包括：

利用集成于所述物联网系统的图像采集终端采集所述第一图像。

11.一种金融票据的处理装置，包括：

数据采集单元，用于采集目标金融票据的第一图像；

识别检测单元，用于对所述第一图像分别进行图案识别和文字识别，得到识别结果信息；

信息汇总单元，用于基于所述识别结果信息与数据库中存储的金融票据的开票信息的比对，确定所述目标金融票据的真实性；以及

报表生成单元，用于在确定所述目标金融票据真实的情况下，基于所述识别结果信息生成所述目标金融票据对应的电子报表。

12.一种电子设备，包括：

图像采集装置，用于采集目标金融票据的第一图像；

一个或多个处理器；

存储器，用于存储一个或多个程序，

其中，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根据权利要求1～10中任一项所述的方法。

13.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～10中任一项所述的方法。

14.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～10中任一项所述的方法。

Images