[发明专利]一种基于模板的文本结构化提取方法及工具

说明书

本发明公开一种基于模板的文本结构化提取方法，涉及信息提取技术领域，为快速提取文本信息，采用方案包括：制作模板图片；通过字符定位算法定位模板图片中固定信息区域内每个字符的精确位置；获取待识别图片，利用ocr算法对待识别图片进行文字识别，得到多个字符；匹配待识别图片和模板图片，针对两图片中匹配成功的字符串区域，通过字符定位算法抽取匹配成功的字符精确位置，并比对找到相同字符的坐标值，矫正待识别图片，对矫正后的待识别图片再次进行文字识别，得到多个字符；求矫正后字符所在区域与模板图片可变信息区域的交集，选出交集面积最大的区域，并输出该区域的文字信息。本发明还公开一种实现前述方法的文本结构化提取工具。

技术领域

本发明涉及信息提取技术领域，具体的说是一种基于模板的文本结构化提取方法及工具。

背景技术

随着行业发展及深度学习技术的落地，文字识别已经在多个行业得到广泛的应用，如金融行业的票据识别，快递物流行业的快速分拣，交通行业的车牌识别、出租车票识别，以及日常生活中的卡证、票据识别等等。OCR(文字识别)已经作为了一种人工智能的能力，节约了大量的人力物力，也提高效率及准确率。

当前，针对不同的业务场景，业务人员收集数据，研发人员对数据进行整理，利用识别相关的技术开发出不同的算法，来满足不同的业务需求。这种处理方法来一个需求就要开发出一种识别算法，费时费力，对公司及相关人员提出了很大的考验。

日常生活中，有很多的文档、票据、卡证，它们都有固定的格式，只是有些区域是不同的，比如身份证，姓名后面具体某个人的名字，性别后面的具体性别，男或女。针对这种有固定格式的文档、票据、卡证，可以设计研发一种，完成想要提取的文字信息。

发明内容

本发明针对目前技术发展的需求和不足之处，提供一种基于模板的文本结构化提取方法及工具。

首先，本发明公开一种基于模板的文本结构化提取方法，解决上述技术问题采用的技术方案如下：

一种基于模板的文本结构化提取方法，其实现过程包括：

步骤S1、基于具有固定格式的样本图片，制作模板图片，并标记模板图片中的固定信息区域和可变信息区域；

步骤S2、通过字符定位算法，定位模板图片中固定信息区域内每个字符的精确位置；

步骤S3、获取待识别图片，调整待识别图片的尺寸，使其与模板图片的大小一致，调整完成后，利用深度学习的ocr算法对待识别图片进行文字识别，得到多个字符；

步骤S4、基于识别字符在待识别图片的位置、以及相邻字符之间的距离，匹配待识别图片和模板图片；

步骤S5、待识别图片和模板图片匹配成功后，针对待识别图片和模板图片中匹配成功的字符串区域，首先通过字符定位算法，定位待识别图片中匹配成功的字符串区域内每个字符的精确位置，随后把待识别图片中定位的字符位置与模板图片中定位的字符位置进行比对，找到相同字符对应的坐标值；

步骤S6、根据相同字符对应的坐标值，基于模板图片矫正待识别图片，对矫正好的待识别图片执行步骤S3，得到多个字符；

步骤S7、求步骤S6识别字符所在可变信息区域与模板图片中可变信息区域的交集，选出交集面积最大的区域作为输出区域，待识别图片的识别结果位于输出区域内；

步骤S8、设定每个字符所属区域的输出规则，对输出区域的字符进行正则化处理后输出。

具体的，执行步骤S2或步骤S5时，通过字符定位算法定位字符精确位置的具体操作流程为：

(1)裁剪模板图片中/待识别图片中的固定信息区域，得到多个文本行；

(2)通过craft的OCR算法，生成文本行所包含字符的热力图；