[发明专利]一种基于CRNN的票据信息识别算法、设备及存储介质

权利要求书

1.一种基于卷积循环神经网络CRNN的票据信息识别算法，其特征在于，所述方法包括以下步骤：

S1、获取多个票据图片；

S2、从所述多个票据图片中的任一票据图片上截取特定区域的图片作为所需的模板；

S3、采用模板匹配的方法来定位所述多个票据图片中相应位置的特定区域；

S4、重复执行S3，从所述多个票据图片中截取若干特定区域图片，整理并标注训练集；和

S5、利用CRNN训练模型识别所述特定区域图片中的文字信息。

2.根据权利要求1所述的基于CRNN的票据信息识别算法，其特征在于，所述步骤S3采用模板匹配的方法来定位所述多个票据图片中的所述特定区域，包括：

S31、根据步骤S2得到的所述模板，采用模板匹配的方法从所述待审核的票据图片中定位与所述模板相应位置的特定区域；和

S32、根据所述模板中所述特定区域的相对位置和所述模板对应的文字信息，定位到所述待审核票据图片中相应的特定区域和相应的文字区域，并截取所述特定区域相应的文字区域的图片。

3.根据权利要求1所述的基于CRNN的票据信息识别算法，其特征在于，所述步骤S4采用S3中的方法截取若干所述特定区域相应文字信息的图片，整理并标注训练集，包括：

S41、重复执行步骤S3，从所述多张票据图片中截取所述特定区域的图片；

S42、删除截取有误的图片，截取正确的图片整理为训练集；和

S43、对训练集进行标注。

4.根据权利要求1所述的基于CRNN的票据信息识别算法，其特征在于，所述步骤S5中所述CRNN训练模型识别特定区域的文字信息，具体包括：

S51、搭建CRNN网络，其结构层次包括卷积神经网络CNN和循环神经网络RNN；其中，所述卷积神经网络包括7层卷积层，除第三层和第七层卷积层以外的每层卷积层之后均会进行最大池化处理；所述循环神经网络包括2层双向循环神经网络层，其基本神经元为LSTM单元；

S52、调整所述CRNN中的网络参数；

S53、对在步骤S4中筛选出的所述特定区域图片进行训练集和测试集的分类；

S54、将测试集和训练集以可处理的文件格式进行存储；

S55、将训练集放入CRNN网络中进行训练，并在训练的同时对所述CRNN模型进行测试；

S56、当训练及测试的损失收敛时，停止训练，获取CRNN识别模型；和

S57、使用S56中生成的所述CRNN识别模型对特定区域的文字信息图片进行识别。

5.根据权利要求1所述的基于CRNN的票据信息识别算法，其特征在于，所述其中所述票据为金融领域中的票据。

6.根据权利要求5所述的基于CRNN的票据信息识别算法，其特征在于，所述金融领域的票据包括支票、发票、提单和汇票。

7.根据权利要求1所述的基于CRNN的票据信息识别算法，其特征在于，所述票据信息包括识别支票中的收款人、付款方区域的文字信息或发票中的购买方名称、纳税人识别号相应区域的文字信息。