[發明專利]一種列表識別方法與系統

有效

• 申請號: 201310455068.4
• 申請日: 2013-09-29
• 公開（公告）號: CN104517106B
• 公開（公告）日: 2017-11-28
• 發明（設計）人: 許燦輝;湯幟;徐劍波;陶欣
• 申請（專利權）人: 北大方正集團有限公司;北京方正阿帕比技術有限公司
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/62
• 代理公司: 北京三聚陽光知識產權代理有限公司11250
• 代理人: 寇海俠

1.一種列表識別方法，其特征在于，包括以下步驟：

對原始版式文檔內的元數據信息進行解析和分析，提取頁面內基本圖元；

對所述基本圖元進行分割，提取頁面內分割文本行，并得到分割片；

針對所述分割片構造出無向圖，在所述針對所述分割片構造出無向圖的過程中，利用所述分割片的鄰域關系構造無向圖；根據所述基本圖元的屬性，檢測前導符號的縮進特征，所述根據所述基本圖元的屬性，檢測前導符號的縮進特征的過程，包括檢測所述前導符號縮進級別、縮進量以及與其他前導符號縮進是否一致；

根據所述縮進特征、所述分割片的局部特征以及分割片之間的鄰域關系特征，訓練學習模型，獲得模型參數，建立列表識別模型，其中所述鄰域關系是與其周圍的分割片的鄰居關系、位置關系信息；

調用所述列表識別模型對所需的文檔進行列表識別，得到識別結果。

2.根據權利要求1所述的列表識別方法，其特征在于，所述根據所述縮進特征、所述分割片的局部特征以及分割片之間的鄰域關系特征，訓練學習模型，獲得模型參數，建立列表識別模型的過程中，所述學習模型為條件隨機場模型，過程包括：

提取所述無向圖中每個分割片的局部特征，進行分類，然后將分類得分轉化為偽概率，作為條件隨機場模型的一元特征函數；

根據無向圖鄰域關系，提取分割片之間的鄰域關系特征作為二元特征函數。

3.根據權利要求1或2所述的列表識別方法，其特征在于，所述對所述基本圖元進行分割，提取頁面內分割文本行，并得到分割片的過程中，將文本行中連續的文本分割到一個分割片中。

4.根據權利要求1所述的列表識別方法，其特征在于，所述提取頁面內分割文本行時，采用聚類方法。

5.根據權利要求1所述的列表識別方法，其特征在于，在所述構造無向圖的過程中，采用最小生成樹方法或三角剖分方法構造無向圖。

6.根據權利要求1所述的列表識別方法，其特征在于，所述分割片的局部特征包括分割片的長寬比、歸一化面積、縮進級別、圖像紋理特征。

7.根據權利要求2所述的列表識別方法，其特征在于，所述提取所述無向圖中每個分割片的局部特征，進行分類，然后將分類得分轉化為偽概率的過程，包括：通過SVM分類器進行分類，選擇RBF徑向基核函數，將分類得分轉化為偽概率。

8.根據權利要求1所述的列表識別方法，其特征在于，所述縮進特征包括前導符號縮進級別、縮進量以及與其他前導符號縮進是否一致。

9.一種列表識別系統，其特征在于，包括：

提取單元：對原始版式文檔內的元數據信息進行解析和分析，提取頁面內基本圖元；

分割單元：對所述基本圖元進行分割，提取頁面內分割文本行，并得到分割片；

構造單元：針對所述分割片構造出無向圖，所述構造單元中，根據所述分割片的鄰域關系構造無向圖；

檢測單元：根據所述基本圖元的屬性，檢測前導符號的縮進特征，所述檢測單元中，檢測所述前導符號縮進級別、縮進量以及與其他前導符號縮進是否一致；

建模單元：根據所述縮進特征、所述分割片的局部特征以及分割片之間的鄰域關系特征，訓練學習模型，獲得模型參數，建立列表識別模型，其中所述鄰域關系是與其周圍的分割片的鄰居關系、位置關系信息；

調用單元：調用所述列表識別模型對所需的文檔進行列表識別，得到識別結果。

10.根據權利要求9所述的列表識別系統，其特征在于，

所述學習模型為條件隨機場模型，所述建模單元中，包括：

第一特征提取子單元：提取所述無向圖中每個分割片的局部特征，進行分類，然后將分類得分轉化為偽概率，作為條件隨機場模型的一元特征函數；

第二特征提取子單元：根據無向圖鄰域關系，提取分割片之間的鄰域關系特征作為二元特征函數。

11.根據權利要求9或10所述的列表識別系統，其特征在于，所述分割單元中，將文本行中連續的文本分割到一個分割片中。

12.根據權利要求9所述的列表識別系統，其特征在于，所述提取頁面內分割文本行時，采用聚類方法。

13.根據權利要求9所述的列表識別系統，其特征在于，所述構造單元中，在所述構造無向圖時，采用最小生成樹方法或三角剖分方法構造無向圖。