[发明专利]识别方法、装置、设备以及存储介质

权利要求书

1.一种识别方法，包括：

获取待识别文件，将所述待识别文件转换为图片格式，得到待识别图片；

对所述待识别图片进行光学字符识别，得到识别结果，其中，所述识别结果包括所述待识别图片中的各个文本块的信息；

基于所述识别结果确定所述待识别图片的页面中是否存在分栏；

响应于所述待识别图片的页面中存在分栏，基于所述各个文本块的信息确定所述待识别图片的阅读顺序；

响应于所述待识别图片的页面中不存在分栏，根据所述待识别图片的布局信息对所述待识别图片进行分段，以确定所述待识别图片的阅读顺序；

响应于所述待识别图片的页面中不存在分栏，且响应于无法获取所述待识别图片的布局信息，对于所述待识别图片中的每个文本行，判断该文本行的末尾是否有代表结束的标点符号，以及该文本行的下一行的文本是否无紧缩；响应于该文本行的末尾没有代表结束的标点符号，以及该文本行的下一行的文本无紧缩，确定该文本行以及该文本行的下一行属于同一个段落；

其中，所述基于所述各个文本块的信息确定所述待识别图片的阅读顺序，包括：

确定所述各个文本块在二维坐标系中的位置信息；

按照所述位置信息对所述各个文本块进行排列，得到文本块列表；

基于所述文本块列表中任意两个文本块的逻辑顺序，构建有向无环图；

采用拓扑排序算法得到所述有向无环图中所有节点的线性序列；

基于所述线性序列中的节点数目来确定所述各个文本块是否完成排序，包括：响应于所述线性序列中的节点数目等于所述待识别图片中所有文本块的数目，则确定所述待识别图片中的各个文本块完成排序。

2.根据权利要求1所述的方法，其中，所述基于所述识别结果确定所述待识别图片的页面中是否存在分栏，包括：

分别生成所述各个文本块的特征向量，得到特征向量集合；

将所述特征向量集合输入至预先训练的分类模型，输出得到所述待识别图片的页面中是否存在分栏的判断结果。

3.根据权利要求1所述的方法，其中，所述文本块列表中任意两个文本块的逻辑顺序通过以下步骤确定：

对于所述文本块列表中的每个文本块，将所述文本块作为当前节点；

分别从所述文本块列表中获取除当前节点外的其他文本块，将该文本块作为待比较节点；

基于所述当前节点与所述待比较节点的位置信息，确定所述当前节点与所述待比较节点的逻辑顺序。

4.根据权利要求3所述的方法，其中，所述位置信息包括该文本块距离页面最左边的第一距离；以及

所述基于所述当前节点与所述待比较节点的位置信息，确定所述当前节点与所述待比较节点的逻辑顺序，包括：

确定所述当前节点的第一距离与所述待比较节点的第一距离的差值的绝对值；

若所述绝对值不超过第一预设宽度，或所述当前节点的第一距离小于所述待比较节点的第一距离，则所述当前节点在所述待比较节点之前。

5.根据权利要求4所述的方法，其中，所述基于所述当前节点与所述待比较节点的位置信息，确定所述当前节点与所述待比较节点的逻辑顺序，还包括：

若所述绝对值大于等于所述第一预设宽度，且所述当前节点的第一距离小于所述待比较节点的第一距离，则所述当前节点在所述待比较节点之后。

6.根据权利要求1所述的方法，其中，所述基于所述线性序列中的节点数目来确定所述各个文本块是否完成排序，还包括：

响应于所述线性序列中的节点数目不等于所述待识别图片中所有文本块的数目，采用递归重试算法确定出错的文本块；

重新对所述出错的文本块之后的所有文本块进行排序，直至所有文本块完成排序。