[发明专利]一种基于自然语言识别的光学字符识别纠错方法

权利要求书

1.一种基于自然语言识别的光学字符识别纠错方法，其特征在于，该方法包括如下步骤：

S1：获取文字图像；

S2：所述文字图像经过ocr识别获得初始的识别结果；

S3：构建语料库；

S4：将初始的识别结果通过基于自然语言识别的方法进行后处理，该方法分为词法匹配和语法匹配两个步骤，具体如下：

S4.1：将初始的识别结果以固定长度按双向最大匹配的方式进行切分，当进行正向最大匹配时，从左向右取待切分中文字串的4-2个字符作为匹配字段，查找语料库并进行匹配，若匹配成功，则将这个匹配字段作为一个词切割出来；若匹配不成功，记录相似度分数较大的前k个词和相似度分数，然后将这个匹配字段的最后一个字去掉，剩下的字符串作为新的匹配字段，进行再次匹配，重复以上过程，直到切割出全部词为止；当进行逆向最大匹配时，从右向左取待切分中文字串的4-2个字符作为匹配字段，查找语料库并进行匹配，若匹配成功，则将这个匹配字段作为一个词切割出来；若匹配不成功，记录最大相似度分数和对应的词，然后将这个匹配字段的最前一个字去掉，剩下的字符串作为新的匹配字段，进行再次匹配，重复以上过程，直到切割出全部词为止；当正反向切割结果相同时，则输出任意一种切割结果；当正反向切割结果不同时，则输出孤立字较少的那个切割结果，从而将初始的识别结果转化成一个等长的中文字串集合；

S4.2：计算S4.1得到的每个等长的中文字串集合的相似度分数，选取相似度分数最高的作为切割的结果，但当相似度分数最高的中文字串集合不止一个时，优选窗口长度大的字符串作为切割的位置；

S4.3：设置相似度分数阈值，当等长的中文字串集合的相似度分数小于或等于阈值时，不作处理；当等长的中文字串集合的相似度分数大于阈值时，比较匹配后的结果与初始的识别结果的长度，当匹配后的结果大于初始的识别结果时，则用长度最长的匹配后的结果覆盖初始的识别结果；当匹配后的结果部分重叠但未全部覆盖初始的识别结果时，则输出相似度最高的匹配后的结果；从而将初始的识别结果分割成一些确定的词、不确定的词和孤立的字三个部分，三者互不重叠，共同组成词法匹配后的识别结果；

S4.4：将所述的词法匹配后的识别结果进行语法匹配，使得满足must-1ink关系的中文字串大于must-1ink关系中设定的阈值，满足cannot-link关系的中文字串小于cannot-link关系中设定的阈值，则赋予权重后进行替换：相反，则不进行替换；

S5：对S4中已经被替换的词的位置进行标记，输出OCR识别结果。

2.根据权利要求1所述的方法，其特征在于，所述的S4.1和S4.4中的中文字串与语料库匹配时所检查的项目有数名、个体量词、度量词、容器量词、集体量词、种类量词、不定量词、动时量、前名、后名、前接、前代、后接、后代。

3.根据权利要求1所述的方法，其特征在于，所述的语料库来源于搜索引擎bing的常见词列表。

4.根据权利要求1所述的方法，其特征在于，所述的S4具体为：

文本行首先被划分为单独的单词ω_i，对于每一个ω_i，原始识别结果ξ(ω_i)，将ξ(ω_i)与语料库中的所有单词进行匹配，搜索与ξ(ω_i)相似度前k高的单词集合η(ω_i)，相似度分别记为s_η(ω_i)；

对单词不在字典中的情况，设置阈值τ；如果相似度s_η(ω_i)和小于τ，则η(ω_i)进行n元语法纠错之后的字符串取代，此时s_η(ω_i)设为常数；

对于一个由N个单词组成的文本行L，L＝{ω_i|i＝1，2，...，N},词法的总相似度S(L)定义为：

句法的总相似度ψ(L)定义为：

那么优化函数为F＝ψ(L)+S(L)，最大化F时对应的η(ω_i)即为目标所求，则最终的识别结果为：

S^*＝argmax_ηF。

5.根据权利要求1所述的方法，所述的S4.1中相似度的定义具体为：

其中，ω为待查询词，为字典中的单词，为ω与之间的距离，为ω和在字典中的相对排名，λ为控制参数λ∈[0，1]，同样地，语义相关性的定义具体为：

其中，w，w′为句子中顺序前后两个单词，d^*(w，w′)为w与w′在语料词典中的位置距离。