[发明专利]基于OCR技术的不同类型印刷体文档转录方法

说明书

本发明涉及基于OCR技术的不同类型印刷体文档转录方法，包括：A.通过图片转换工具将不同类型的印刷体文档转成相同格式的图片；B.对所述图片进行行投影，通过OCR技术对图片中的文本行进行切分和预处理；C.通过OCR技术对步骤B切分出的所有文本行分别进行文字识别；D.将识别出的文字按照文本行的切分顺序组合成完整文档。本发明基于OCR技术的不同类型印刷体文档转录方法，能够通过统一的方式对各种不同类型的印刷体文档进行字符转录，不需要多种转录工具包，极大的提高了转录效率和转录的便捷程度，同时也明显提高了转录的准确性。

技术领域

本发明涉及图像识别的方法，具体讲是基于OCR技术的不同类型印刷体文档转录方法。

背景技术

在实际应用中，有很多时候都需要把图片、pdf文件、word\wps\xml等中的文字转录成字符串保存下来，如果依靠人工录入，需要花费大量的时间和精力，并且随着打字人员的疲劳加深，出错率也会增高。因此自动转录系统应运而生了。

当前，对不同的数据源有专门对应的工具包用来转录文字，例如通过第三方工具解析进行转录，工具包有tabula、pdfminer、pdf2htmlEX、python-docx和xlrd等。这些工具包的一个共有特点是：数据源文件类型和工具包一一对应。一个工具包只能解决一种类型的文档，如果有其他新的数据源文件需要转录则要安装其对应的工具包。

因此很明显，现有的转录方式的不足包括了：

(1)工具包不统一，当遇到不同类型的文件则需要安装对应的工具包，非常繁琐不便。

(2)当文件中的表格是插入的图片时，通过工具包没有办法解析表格及其中的内容。

(3)当遇到图片格式时，没有办法解析图表。

(4)当工具包和被转录文档的格式不兼容时，解析失败。

发明内容

本发明提供了一种基于OCR技术的不同类型印刷体文档转录方法，以对各种不同类型的印刷体文档进行统一方式的字符转录，提高工作效率和转录的便捷程度。

本发明基于OCR技术的不同类型印刷体文档转录方法，包括：

A.通过图片转换工具将不同类型的印刷体文档转成相同格式的图片；

B.对所述图片进行行投影，通过OCR(光学字符识别)技术对图片中的文本行进行切分和预处理；

C.通过OCR技术对步骤B切分出的所有文本行分别进行文字识别；

D.将识别出的文字按照文本行的切分顺序组合成完整文档。

目前在常见的OCR(光学字符识别)技术主要有：基于监督学习的文字分类、cnn(卷积神经网络)和CRNN+CTC等。通过OCR技术可以识别出图片中的文字信息，因此可以先通过现有的图片转换工具将印刷体文档统一转换成相同格式图片，如png、jpg格式等，然后通过OCR对其中的字符进行识别。通过这种方式便不需要对各种类型的印刷体文档准备相对应的转换工具包了，并且也可以对其中的表格、图片信息进行识别转录，极大的提高了便携性和准确性。

进一步的，步骤A中，对多页的印刷体文档每页转换的图片按统一格式进行命名，这样便于对多页的印刷体文档统一管理，避免混乱。

优选的，所述的统一格式中包括原文档名和当前页码数，这种方式直观、简单，能够方便对图片页张的归属进行识别。

进一步的，步骤B所述的预处理包括：

B1.根据所述的行投影，剪切掉行图片上边沿和下边沿的空白部分；

B2.对所述图片进行列投影，根据列投影，剪切掉行图片的左边沿和右边沿的空白部分。