[发明专利]一种基于知识库的OCR纠错方法、装置及存储介质

说明书

本发明公开了一种基于知识库的OCR纠错方法、装置及存储介质，涉及计算机视觉和图像文本识别技术领域。该基于知识库的OCR纠错方法，包括以下步骤：根据光学字符识别应用的对象，构建知识库R；使用光学字符识别技术对文本图片进行识别，构建字符矩阵P；对字符矩阵P中第一行的字符串进行分词；依次将得到的分词与知识库R中进行匹配，若分词在知识库R中，则识别正确，无需纠错；若分词不在知识库R中，则根据知识库R中的词语对分词进行匹配替换，当新词在知识库R中出现，则纠错完成。本发明通过在光学识别字符结果的过程中使用字形搜索，达到更有效且可靠地对光学字符识别结果进行纠错，解决了匹配结果准确率低且不可靠的问题。

技术领域

本发明涉及计算机视觉和图像文本识别技术领域，尤其涉及一种基于知识库的OCR纠错方法、装置及存储介质。

背景技术

光学字符识别(Optical Character Recognition，OCR)是指对文本资料的图像文件进行分析识别处理，获取文字及版面信息的过程。光学字符识别广泛应用在证件内容识别、票据内容识别、书籍内容识别等场景，是计算机自动化处理的关键技术之一。

现有对识别结果的纠错一般是通过采样，照相等光学输入手段将纸质文档或历史文献上的扫描成电子图像，并获取其中的文字信息，再利用各种模式识别算法将其转换为计算机可操作的文字，再对识别结果进行字典匹配，替换为相近词。

但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

现有的识别效果受限于扫描效果、印刷品本身质量(清晰度，字体，文本布局)以及识别算法的准确率，然而OCR的整体识别率并不总是让人满意，在一些对准确率要求较高的场景，一个字符的识别错误将会导致严重的后果，而且现有的纠错方法未考虑到使用字形搜索，从而导致其匹配结果不可靠。综上所述，现有技术存在匹配结果准确率低且不可靠的问题。

发明内容

本申请实施例通过提供一种基于知识库的OCR纠错方法、装置及存储介质，解决了现有技术中匹配结果准确率低且不可靠的技术问题，实现了提高识别方法的准确性和容错性。

本申请实施例提供了一种基于知识库的OCR纠错方法，包括以下步骤：

S1，根据光学字符识别应用的对象，构建知识库R；

S2，使用光学字符识别技术对文本图片进行识别，构建字符矩阵P；

S3，对字符矩阵P中第一行的字符串进行分词；

S4，将得到的分词依次与知识库R中的词语进行匹配，若分词在知识库R中，则识别正确，无需纠错；

若分词不在知识库R中，则根据知识库R中的词语对分词进行匹配替换，当新词在知识库R中出现，则纠错完成。

进一步的，所述S1中的识别应用的对象包括身份证、营业执照和发票。

进一步的，所述S1中的构建知识库R是利用先验知识，将可能出现的词语、词组、副词构建成知识库R。

进一步的，所述S2中字符矩阵P的大小为K*L，其中K为每个位置保留K个概率最高的字符，L为识别的文本长度。

进一步的，所述字符矩阵P的获取过程为：根据识别的文本中的每个字符a_i,i＝1,……,L，得到按概率从小到大排序的K个可能字符记结果为

进一步的，所述S3中第一行的字符串为(P_i¹),i＝1……L，得到的分词为w₁,w₂,……,w_c,其中c为分词个数。

进一步的，所述S4中匹配替换的具体过程为：