[发明专利]一种高招大本数据采集系统及方法

说明书

技术领域

本发明涉及一种数据采集方法，更具体的，涉及一种高招大本数据采集系统及方法。

背景技术

在普通高校的招生过程中，考生填报志愿不仅关系着能否被高校录取，更为重要的是：填志愿时选择专业、学校内在地规定了学生未来的学业及职业发展路线及发展状态。通常所说的考生志愿，指考生所选报的院校和专业，是考生的志向、愿望、爱好、个性和能力等因素的综合反映。而其中往年录取数据是考生在填报学校时的最重要的依据，这关系着考生是否能够考生该所学校。

通常情况下，各省都会派发对应的《高考填报指南》，其中就包含着该省往年的所有学校的录取数据。但这类书籍页数多，数据量大，考生在翻阅该书籍时难以快速准确捕获自己所需要的信息，因此将该类书籍数据电子化有其必要性。

目前主流的将书籍数据电子化的方式是人工录入，但这种方式耗费时间较长，且因有非常重的人工干预的成分，难以保证数据的准确性和完整性。从2016年开始，高招大本的书籍出版都很晚，将数据电子化需要在非常短的时间内完成，否则失去意义。所以全、准、快是录入高招大本数据的基本原则，显然人工录入的方式并不能达成这三项标准。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。

为此，本发明的目的在于，提供一种快捷、流程化的数据采集方法处理高招大本数据，避免数据的缺失，保证其准确性，帮助考生便捷地查看往年录取数据。

为实现上述目的，本发明提供了一种一种高招大本数据采集方法，包括如下步骤：

步骤1，通过扫描仪，将纸质书籍扫描成电子文档；

步骤2，对电子文档进行图像预处理；

步骤3，采用字符处理方法对所述图像预处理后的结果进行字符识别，以识别所述结果中的各类字符；

步骤4，对所述字符识别后的结果进行修正，生成非规则化的数据文档，然后对所述非规则化的数据文档进行数据提取处理操作。

本发明还提供了一种高招大本数据采集系统，该系更具体的，所述步骤2中对电子文档进行图像预处理包括：

步骤1.1，图像二值化处理，采用阈值分割技术，设定灰度阈值，若图像像素点灰度值大于或等于所述阈值，则被判定为属于某一特定区域，用 255 表示其灰度值，否则，像素点将被排除在特定区域之外而被判定为背景或其他无用区域，用0表示其灰度值；

步骤1.2，图像增强处理，通过基于空间域的增强和基于频率域的增强处理方法，以减少所获取图像的小的空间改变；

步骤1.3，噪声处理，使用滤波器对所述图像增强处理后的结果进行滤波，去除噪声。

更具体的，所述步骤3中的字符识别包括：

步骤3.1，汉字字符识别：采用水平方向上、竖直方向上、45度角方向、反45度角方向4个特定方向上的矢量准确地描述出一个汉字的基本字形特征；

步骤3.2，英文字符识别：采用基于字符结构的方法对字符进行识别，根据字符在水平方向、竖直方向、笔画的特点，对字符进行逐级的分类，形成一颗判定树，每个字符就是一个叶子，依据字符自身的结构特征进行逼近识别；

步骤3.3，阿拉伯数字识别：先计算欧拉数，再提取凹陷区的特征，最后根据特征组合识别字符。

更具体的，所述步骤4中的对识别后的结果进行修正包括：

利用上下文信息、语法及逻辑，对识别的结果进行修正，生成非规则化的数据文档。

更具体的，所述步骤4中对所述非规则化的数据文档进行数据提取处理操作包括：

步骤4.1，把非规则化的数据文档按照文件名的规则顺序处理，把表格的行转换为普通文本格式的行；

步骤4.2，查看转换出来的文本格式，确定分割条件，分割的条件包括：文理科段落的区分、各个院校段落的区分、院校下各个专业段落的区分条件；

步骤4.3，分别提取所述步骤4.2中的各个所述的段落，合并断行和上下文回溯；

步骤4.4，通过所述步骤4.3得到一个相对规格化的段落的数据文本后，再针对步骤4.2中的各类具体情况提取需要的信息；

步骤4.5，对步骤4.4得到的信息结果做合并，把某些可能混合在其它段落中的信息作缺省的上下文推断填充，至此完成数据提取处理操作。

本发明还提供了一种高招大本数据采集系统，该系统包括书籍扫描模块、图像预处理模块、字符识别模块、修正模块，其中，

书籍扫描模块，用于通过扫描仪，将纸质书籍扫描成电子文档；

图像预处理模块，用于对电子文档进行图像预处理；