[发明专利]PDF文档表格提取方法、装置、设备及计算机可读存储介质

权利要求书

1.一种PDF文档表格提取方法，其特征在于，所述PDF文档表格提取方法包括以下步骤：

获取待识别的PDF文档，并对所述待识别的PDF文档进行处理，其中，所述待识别的PDF文档包括可提取文字内容的PDF文档和图片类的PDF文档，对所述PDF文档进行处理包括将所述可提取文字内容的PDF文档转换为图片类的PDF文档；

将所述处理后的PDF文档进行预处理后输入至预设的卷积神经网络中，基于所述预设的卷积神经网络输出所述处理后的PDF文档的特征图，并将所述特征图输入至RPN区域候选网络中，确定处理后的PDF文档中的表格区域；

基于OCR文字识别技术对所述表格区域进行预处理以及特征提取，得到所述表格区域的特征图片，并对所述特征图片进行文字检测，确定所述表格区域内的文本区域，对所述文本区域进行文字识别，确定所述表格区域内的文本信息，其中，所述文本信息包括文本位置信息和文本内容信息，所述文本位置信息用坐标进行表示；

根据所述文本坐标信息确定所述表格的结构信息，基于所述结构信息划分表格的各单元格，并将所述文本内容信息对应的文本填入所述表格的各对应单元格中。

2.如权利要求1所述的PDF文档表格提取方法，其特征在于，所述将所述处理后的PDF文档进行预处理后输入至预设的卷积神经网络中，基于所述预设的卷积神经网络输出所述处理后的PDF文档的特征图，并将所述特征图输入至RPN区域候选网络中，确定处理后的PDF文档中的表格区域之前，还包括：

获取待训练的PDF文档样本，并对所述待训练的PDF文档样本进行转换，得到样本图片；

获取所述待训练的PDF文档样本对应的标注信息，并基于所述标注信息对所述样本图片中的表格位置进行标注；

基于标注的样本图片对预设初始模型进行训练，得到表格识别模型；

保存所述表格识别模型。

3.如权利要求2所述的PDF文档表格提取方法，其特征在于，基于标注的样本图片对预设初始模型进行训练，得到表格识别模型包括：

对标注的样本图片进行预处理，其中，所述预处理的过程包括去均值、归一化及白化处理；

将所述预处理后的样本图片输入至预设的卷积神经网络中，得到所述标注的样本图片的特征图；

将所述特征图输入至RPN区域候选网络中，检测所述标注的样本图片中表格区域的位置；

当确定当前检测达到收敛条件时，得到表格识别模型。

4.如权利要求1所述的PDF文档表格提取方法，其特征在于，所述根据所述文本坐标信息确定所述表格的结构信息，基于所述结构信息划分表格的各单元格，并将所述文本内容信息对应的文本填入所述表格的各对应单元格中包括：

基于所述文本位置信息生成文本框，每个文本框内包含一行文本；

通过文本框在水平方向上和垂直方向上的重叠比例，将所述文本框划分到所述表格的不同行列位置，基于所述不同行列位置划分所述表格的各单元格；

在所述表格的各单元格内填入对应的所述文本内容信息对应的文本。

5.一种PDF文档表格提取装置，其特征在于，所述PDF文档表格提取装置包括：

处理模块，用于获取待识别的PDF文档，并对所述待识别的PDF文档进行处理，其中，所述待识别的PDF文档包括可提取文字内容的PDF文档和图片类的PDF文档，对所述PDF文档进行处理包括将所述可提取文字内容的PDF文档转换为图片类的PDF文档；

识别模块，用于将所述处理后的PDF文档进行预处理后输入至预设的卷积神经网络中，基于所述预设的卷积神经网络输出所述处理后的PDF文档的特征图，并将所述特征图输入至RPN区域候选网络中，确定处理后的PDF文档中的表格区域；

定位模块，用于基于OCR文字识别技术对所述表格区域进行预处理以及特征提取，得到所述表格区域的特征图片，并对所述特征图片进行文字检测，确定所述表格区域内的文本区域，对所述文本区域进行文字识别，确定所述表格区域内的文本信息，其中，所述文本信息包括文本位置信息和文本内容信息，所述文本位置信息用坐标进行表示；

填写模块，用于根据所述文本坐标信息确定所述表格的结构信息，基于所述结构信息划分表格的各单元格，并将所述文本内容信息对应的文本填入所述表格的各对应单元格中。