[发明专利]检测文档阅读顺序的方法和装置

说明书

本发明涉及检测文档阅读顺序的方法和装置。所述方法包括：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；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；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。本发明能够准确识别各类文档图片的文档阅读顺序。

技术领域

本发明涉及计算机技术领域，特别是涉及检测文档阅读顺序的方法和装置。

背景技术

OCR(Optical Character Recognition光学字符识别)，是描述文档图片识别 的一类算法，其是针对印刷体字符，采用光学的方式将纸质文档中的文字转换 成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式， 供文字处理软件进一步编辑加工的技术。

在OCR技术中，普遍采用基于有向图、固定规则、语义分析等方法来识别 文档的阅读顺序，然而这些方法在复杂环境下或者对于复杂文档图片来说，其 阅读顺序的识别错误率较高，存在识别性能不稳定的问题。

发明内容

本发明实施例提供了检测文档阅读顺序的方法和装置，能够准确识别各类 文档图片的文档阅读顺序。

本发明一方面提供检测文档阅读顺序的方法，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。

本发明另一方面提供一种检测文档阅读顺序的装置，包括：

块识别模块，用于识别文档图片中包含的文本块，构建一个块集合；

起始块选择模块，用于从所述块集合中确定出一起始文本块；

自动寻径模块，用于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

顺序确定模块，用于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。

基于上述实施例提供的检测文档阅读顺序的方法和装置，首先识别文档图 片中包含的文本块，构建一个块集合；从块集合中确定出一起始文本块；从起 始文本块开始寻径，根据文本块的位置信息以及版面布局信息决定下一步应该 走到哪一个文本块，依次类推得出文档图片包含的全部文本块的阅读顺序。该 方案能够兼容多种场景，对文档图片的尺寸、噪声、样式具有更好的鲁棒性， 因此能够准确识别各类文档图片对应的文档阅读顺序。

附图说明

图1为一个实施例中的本发明方案的工作环境示意图；