[发明专利]无通信互联的高等级信息安全区表格数据信息提取方法

说明书

本发明公开一种无通信互联的高等级信息安全区表格数据信息提取方法，包括以下步骤：1)将目标表格从图片中提取出后，对图片映射校正；2)定位表格线的位置坐标，根据坐标间的区域提取目标单元格；3)将目标单元格内的文字依投影法分割成单个字符图片后，接入OCR模块中识别图片；4)将识别后的数据从建成表格显示出来。本发明增加了表格的识别率，能够在一定外部扰动的情况下，将表格中的单元格提取出来并分割，扩展了表格信息提取的适用范围，将受限的内网数据安全实时的导入外网中。

技术领域

本发明涉及一种高等级信息安全实时交互领域表格数据处理技术，具体为一种无通信互联的高等级信息安全区表格数据信息提取方法。

背景技术

在电网、气象局等保密等级较高的部门，数据只能在本地高保密等级的内网中进行传输。而且出于系统与数据的安全考虑，通常本地高等级信息安全区(内网)与低等级信息安全区(外网)之间存在通信隔离，二者之间无法进行数据信息的实时通信，这样不利于高校或科研机构等第三方机构实时读取相关数据提供辅助服务或第三方咨询服务。因此急需一种安全的网络隔离技术来实现内外网数据的实时交互。

目前，常用的网络隔离技术大体分为一般隔离技术和网闸隔离技术，这两种传统隔离方法在实现网络隔离和数据信息安全交换方面存在不足。与无通信互联的隔离技术相比，由于二者不是完全的信道无耦合，内外网之间存在一定的物理连接，只不过是对连接方式做出了限制。这样使得数据的交互存在一定的限制的同时，也存在着一定的风险。

为了在获取实时数据的同时避免直接通信带来的数据安全问题，采用无通信互联的图片识别技术，将要获取的数据以普通的表格形式表现在内网终端的显示屏幕上，由外网终端进行图像获取及识别。同时，由于所需数据实时变化，需根据实际情况设定图片采样间隔，将识别后的数据按时间保存下来，形成实时更新的数据集。依此法采集到的数据信息可以自动快速更新，减少人工采集工作负担或传统网络隔离下数据交互中存在的风险。

表格处理后的图片识别属于计算机视觉的分支OCR领域，OCR(Optical CharacterRecognition，光学字符识别)利用光学技术以及计算机技术将图片中的光学字符符号读取出来，将图片信息转化成电脑是别的字符信息。OCR的概念起源于1929年由德国科学家Tausheck最先提出来的，随后60年代初期出现第一代OCR产品开始，经过半个世纪的不断发展和改进，包括手写体的各种OCR技术的研究取得了令人瞩目的成果。

但由于表格资料本身的复杂性与结构性，现有方法不能像一般的图像文字识别那样将文字分割后，形成单个文字的小图片。同时，由于表格自身的分割线与目标图像自身的特点或外界因素，如因拍摄角度不正造成表格扭曲等因素，导致计算机通常无法准确识别表格轮廓，提取单元格图片存在困难。因此如何为图像表格信息提取提供一个适用范围广阔的方案成为亟待解决的问题。

发明内容

针对现有技术中计算机通常无法准确识别表格轮廓，提取单元格图片困难等不足，本发明要解决的问题是提供一种能够保证在高等级信息安全区信息安全的前提下提高对应表格数据信息的识别准确性的无通信互联的高等级信息安全区表格数据信息提取方法。

为解决上述技术问题，本发明采用的技术方案是：

本发明一种无通信互联的高等级信息安全区表格数据信息提取方法，包括以下步骤：

1)将目标表格从图片中提取出后，对图片映射校正；

2)定位表格线的位置坐标，根据坐标间的区域提取目标单元格；

3)将目标单元格内的文字依投影法分割成单个字符图片后，接入OCR模块中识别图片；

4)将识别后的数据从建成表格显示出来。

步骤1)中将目标表格从图片中提取出后，对图片映射校正，包括以下步骤：