[发明专利]基于OCR识别的单证数据提取方法、装置、设备及介质

权利要求书

1.一种基于OCR识别的单证数据提取方法，其特征在于，包括：

通过OCR识别程序处理单证文档，生成包含若干字符块及其字符坐标信息的XML数据，一个字符块对应一个字符坐标信息；

根据所述字符坐标信息将处于同一行的字符块组成字符组；

通过预设的分词算法从所述字符组提取关键词，生成词块，所述词块包括若干字符块；

根据所述词块内各个字符块对应的字符坐标信息确定所述词块的词块坐标信息；

通过预设除错合并程序处理所述词块和所述词块坐标信息，生成结构化单证数据。

2.如权利要求1所述的基于OCR识别的单证数据提取方法，其特征在于，所述通过OCR识别程序处理单证文档，生成包含若干块及其坐标的XML数据之前，还包括：

获取初始单证文档；

根据预设转换规则转换所述初始单证文档，生成所述单证文档，所述单证文档为预设尺寸的图片数据。

3.如权利要求1所述的基于OCR识别的单证数据提取方法，其特征在于，所述预设除错合并程序包括除错程序和合并程序，所述通过预设除错合并程序处理所述词块和所述词块坐标信息，生成结构化单证数据，包括：

通过所述除错程序消除所述词块中的错误重叠字符块，生成修改后的词块；

通过所述合并程序调整所述修改后的词块对应的词块坐标信息，使相邻行的词块之间的间距保持一致；

根据所述调整后的词块坐标信息和修改后的词块生成结构化单证数据。

4.如权利要求1所述的基于OCR识别的单证数据提取方法，其特征在于，所述预设的分词算法为Trie字典树算法。

5.如权利要求1所述的基于OCR识别的单证数据提取方法，其特征在于，所述词块坐标信息包括l标签、t标签、b标签和t标签；

所述根据所述词块内各个字符块对应的字符坐标信息确定所述词块的词块坐标信息，包括：

基于各个字符块对应的字符坐标信息中l标签的最小值确定所述词块坐标信息的l标签；

基于各个字符块对应的字符坐标信息中r标签的最大值确定所述词块坐标信息的r标签；

基于各个字符块对应的字符坐标信息中b标签的平均值确定所述词块坐标信息的b标签；

基于各个字符块对应的字符坐标信息中t标签的平均值确定所述词块坐标信息的t标签。

6.一种基于OCR识别的单证数据提取装置，其特征在于，包括：

识别模块，用于通过OCR识别程序处理单证文档，生成包含若干字符块及其字符坐标信息的XML数据，一个字符块对应一个字符坐标信息；

字符组模块，用于根据所述字符坐标信息将处于同一行的字符块组成字符组；

分词模块，用于通过预设的分词算法从所述字符组提取关键词，生成词块，所述词块包括若干字符块；

词块坐标模块，用于根据所述词块内各个字符块对应的字符坐标信息确定所述词块的词块坐标信息；

合成单证模块，用于通过预设除错合并程序处理所述词块和所述词块坐标信息，生成结构化单证数据。

7.如权利要求6所述的基于OCR识别的单证数据提取装置，其特征在于，还包括：

获取初始文档模块，用于获取初始单证文档；

格式转换模块，用于根据预设转换规则转换所述初始单证文档，生成所述单证文档，所述单证文档为预设尺寸的图片数据。

8.如权利要求6所述的基于OCR识别的单证数据提取装置，其特征在于，所述合成单证模块包括：

除错单元，用于通过所述除错程序消除所述词块中的错误重叠字符块，生成修改后的词块；

合并单元，用于通过所述合并程序调整所述修改后的词块对应的词块坐标信息，使相邻行的词块之间的间距保持一致；

生成单元，用于根据所述调整后的词块坐标信息和修改后的词块生成结构化单证数据。