[发明专利]检测文档阅读顺序的方法和装置

权利要求书

1.一种检测文档阅读顺序的方法，其特征在于，包括：

识别文档图片中包含的文本块，构建一个块集合；

从所述块集合中确定出一起始文本块；

根据该起始文本块的特征信息对该起始文本块执行寻径操作，以确定出所述块集合中与该起始文本块对应的第一文本块；文本块的特征信息包括该文本块在文档图片中的位置信息以及该文本块的版面布局信息；

根据所述第一文本块的特征信息对该第一文本块执行寻径操作，以确定出所述块集合中与该第一文本块对应的文本块；并依此类推直到所述块集合中每一个文本块对应的寻径操作的执行顺序能够唯一确定；及

确定所述块集合中文本块对应的寻径操作的执行顺序，根据所述执行顺序得到所述文档图片中文本块的阅读顺序；

其中，所述寻径操作包括：

通过预先训练好的机器学习模型对所述文本块的特征信息进行学习，得出与该文本块对应的文本块的特征预测信息；

计算所述块集合中未执行寻径操作的各文本块的特征信息与所述特征预测信息的相关度；及

根据上述计算出的相关度确定出所述文本块对应的文本块。

2.根据权利要求1所述的检测文档阅读顺序的方法，其特征在于，所述从所述块集合中确定出一起始文本块，包括：

从所述块集合中选择出中心点坐标位于所述文档图片的一个顶点的文本块，并将该文本块确定为所述起始文本块。

3.根据权利要求1所述的检测文档阅读顺序的方法，其特征在于，从所述块集合中确定出一起始文本块，包括：

以所述文档图片的一个顶点为原点建立XOY坐标系，该XOY坐标系的x轴正方向指向所述文档图片的宽度方向，y轴正方向指向所述文档图片的长度方向；

从所述块集合中获取中心点的x坐标最小的一个文本块，作为文本块A；

获取中心点的y坐标小于所述文本块A的文本块，构建一个文本块集合G′；并依次将该集合G′中的每一个文本块B与所述文本块A进行对比；

若所述文本块B与该文本块A在x轴方向的投影不存在交集，则将所述文本块B从集合G′中删除；若所述文本块B与该文本块A在x轴方向的投影存在交集，则更新所述文本块A为所述文本块B，并将所述文本块B从集合G′中删除；

在每次文本块对比之后检测集合G′是否为空；若是，则将当前的文本块A确定为起始文本块；若否，则在所述文本块A发生更新时更新集合G′，并将更新后的集合G′中的每一个文本块与当前的文本块A进行上述对比；依次类推直到集合G′为空。

4.根据权利要求1所述的检测文档阅读顺序的方法，其特征在于，还包括：

预先训练机器学习模型，使得训练之后的机器学习模型输出的特征预测信息与对应的样本信息的欧式距离满足设定条件。

5.根据权利要求4所述的检测文档阅读顺序的方法，其特征在于，预先训练机器学习模型，包括:

建立样本库，所述样本库中的信息包含：样本块的集合，该集合中每个样本块在先后各次训练中的顺序状态，以及训练需确定的状态变化序列；若所述样本块的集合中样本块的总数为n，则训练需确定的状态变化序列为n-2个，且每个状态变化序列中的信息包括：当前参与训练的样本块，所述样本块的集合中每个样本块的当前顺序状态，以及所述样本块的集合中每个样本块的下一顺序状态；

依次采用各个状态变化序列对机器学习模型进行训练；当n-2个状态变化序列均参与训练之后，保存所述机器学习模型中的参数。