[發(fā)明專利]文字識別、編改的方法

有效

• 申請?zhí)枺?/td>: 201010253563.3
• 申請日: 2010-08-16
• 公開（公告）號: CN101887519A
• 公開（公告）日: 2010-11-17
• 發(fā)明（設(shè)計）人: 瞿洋;袁仁慧;梁洵;張振海
• 申請（專利權(quán)）人: 同方知網(wǎng)(北京)技術(shù)有限公司
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06F17/21
• 代理公司: 北京捷誠信通專利事務(wù)所(普通合伙) 11221
• 代理人: 魏殿紳

技術(shù)領(lǐng)域

本發(fā)明涉及文檔電子化過程中文字識別、編改的方法，尤其涉及中文印刷體識別、編改的方法。

背景技術(shù)

在紙制文件電子化的過程中，OCR識別后的文字編改工作耗費了極大的人力，它是一項人力密集性工作，勞動強度也很高。目前的應(yīng)用現(xiàn)狀是：用普通OCR軟件進行圖像識別，再進行一次編改校正，在保證每人8萬字/8小時正常編改的速度下，編改的錯誤率通常也會超過1/1000。

發(fā)明內(nèi)容

為解決現(xiàn)有的人工編改效率低，錯誤率高的現(xiàn)狀，本發(fā)明提供了一種文字識別、編改的方法。該方法可以極大地提高人工編改的效率，降低成本，其技術(shù)方案如下：

文字識別、編改的方法，包括：

選用不同的識別軟件并采用外掛的方式對文檔中的文字進行識別；

比對所識別文字的結(jié)果；

將識別不同的文字進行編改校對并進行質(zhì)檢；

將質(zhì)檢合格后的文字合成文檔并輸出。

本發(fā)明提供的技術(shù)方案的有益效果是：

通過本發(fā)明對正常的漢字為主體的文檔其編改的效率可以提高7倍以上，達到70萬字/8小時；同時編改錯誤率降低60％，達到4/10000以下。

附圖說明

圖1是本發(fā)明實施方法流程圖。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明實施方式作進一步地詳細描述：

本實施例提供了一種文字識別、編改的方法，具體包括以下流程(參見圖1)：

文檔掃描與處理

為提高OCR識別軟件識別正確率，對文檔統(tǒng)一采用300DPI精度進行掃描，隨后對圖像進行必要的傾斜矯正、圖像去污去噪等處理。

按段落切圖

為保證雙路OCR識別軟件具有相同的版面分析結(jié)果，必須對文檔圖像進行段落切圖，其切圖順序遵照文章段落的自然順序，并且自動命名，以便結(jié)果輸出時使用。

版面分析與檢查

對切好的圖像用“漢王”O(jiān)CR識別軟件進行自動版面分析；人工檢查自動版面分析結(jié)果，糾正錯誤結(jié)果。檢查時，對圖像缺陷進行必要的修補，保證段落及行分析正確。如果需要，進行人工版面分析。我們以“漢王”O(jiān)CR識別軟件版面分析的結(jié)果作為最后重組段落的依據(jù)。

“漢王”和“文通”雙路OCR識別軟件外掛識別

把段落切圖的圖像進行“行切圖”一一切成若干行圖像，分別傳入“漢王”和“文通”雙路識別軟件，進行外掛識別。

外掛識別就是不改變原來的OCR識別軟件，編寫新程序模擬人工操作OCR識別軟件的過程，以便完成圖像識別工作。外掛程序和OCR程序是各自獨立運行的軟件。外掛程序識別圖像不需要OCR程序的識別接口，外掛程序利用OCR程序進行圖像識別。

采用外掛識別可以有效地節(jié)約采購雙路OCR識別SDK軟件的費用，降低系統(tǒng)構(gòu)建成本，也可以避免SDK軟件相對于其正品軟件技術(shù)落后的問題。

之所以經(jīng)過“行切圖”，再逐行送入雙路識別軟件進行識別的原因是：對即使很清晰的段落圖像，由于兩個識別軟件的版面分析算法不同，版面分析的結(jié)果也可能不同。經(jīng)過“行切圖”，我們就能保證雙路識別軟件行分析的正確性。

雙路識別結(jié)果比對

“漢王”和“文通”是國內(nèi)對中文和英文都具有較高識別率的OCR系統(tǒng)，它們對清晰印刷體漢字圖象識別率都在98％以上。更為可貴的是通過我們的對比測試，“漢王”和“文通”識別軟件具有很強的互補性，利用他們的識別結(jié)果并進行單行逐字比對，過濾出具有相同的識別結(jié)果的字，不交給人工進行編改；把識別不同字交給人工進行編改校對。

實際應(yīng)用統(tǒng)計說明，對正常印刷體漢字為主體的文檔，我們不編改文字拋出率達到95％，這部分文字的錯誤率達到＜3/10000。

在雙路比對前，針對其應(yīng)用需求，還對一些字符做了必要的全角字符轉(zhuǎn)半角字符的歸一化處理。這些字符包括A-Z、a-z、0-9、“！”、“[”、“]”等，共計80個字符。

雙路行對比算法采用基于狀態(tài)空間搜索A*算法，采用橫向搜索尋找最優(yōu)匹配。設(shè)兩行待對比的文字串為S1和S2，它們的長度分別為m和n，且m≤n；S1包含字符(Cs1，Cs2，...，Csm)，S2包含字符(Cl1，Cl2，...，Cln)。比對算法如下：

(1)對短文字串S1的每個文字Csi，且0≤i≤m，在長文字串S2中尋找匹配的字符，并把在S2中與Csi相匹配字符的索引放入可能匹配的集合SMi；隨后在SMi中增加一個-1的索引，代表不匹配。過程如下：

F0R?i＝1?TO?m

begin

??????F0R?j＝1?TO?n