[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

说明书

本申请涉及人工智能技术领域，公开一种PDF文档表格提取方法、装置、设备及计算机可读存储介质，方法包括：获取待识别的PDF文档，并对待识别的PDF文档进行处理；将处理后的PDF文档进行预处理后输入至卷积神经网络中，输出特征图，并将特征图输入至RPN区域候选网络中，确定表格区域；基于OCR文字识别技术对表格区域进行预处理以及特征提取，得到特征图片，并对特征图片进行文字检测，确定文本区域，对文本区域进行文字识别，确定文本信息，文本信息包括文本位置信息和文本内容信息；根据文本坐标信息确定表格的结构信息，基于结构信息划分表格的各单元格，并将文本内容信息对应的文本填入表格的各对应单元格中。通过本申请，提高PDF文档表格提取的准确性。

技术领域

本申请涉及图像处理技术领域，尤其涉及PDF文档表格提取方法、装置、设备及计算机可读存储介质。

背景技术

现有的针对PDF文件中表格提取的方法，基本上都是针对可提取文本的PDF，通过获取PDF的结构信息，提取出表格区域。而针对图片型的PDF文件，则只能通过传统的图像处理方法进行表格提取。首先提取表格框，然后根据表格框提取框内区域，最后对框内区域图像进行OCR识别，从而提取出表格内容。但是，这种方法只能对有表格线的表格有效，如果表格线不全，则可能出现定位的表格区域不全或者是单元格内容不全的问题，从而导致表格提取的准确率不高。

发明内容

本申请的主要目的在于提供一种PDF文档表格提取方法、装置、设备及计算机可读存储介质，旨在解决现有的PDF文档表格提取方法应用范围小且准确度不高的技术问题。

为实现上述目的，本申请提供一种PDF文档表格提取方法，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。

可选地，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。

可选地，所述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；