[發(fā)明專利]一種表單圖像分類方法

有效

• 申請?zhí)枺?/td>: 201510217474.6
• 申請日: 2015-04-30
• 公開（公告）號(hào): CN104899551B
• 公開（公告）日: 2018-08-14
• 發(fā)明（設(shè)計(jì)）人: 王思萌;高良才;王悅涵;湯幟
• 申請（專利權(quán)）人: 北京大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06K9/46
• 代理公司: 北京君尚知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11200
• 代理人: 馮藝東

本發(fā)明涉及一種表單圖像分類方法。對于訓(xùn)練圖像，首先對屬于同一類的表單求取均值圖像，均值圖像的每個(gè)像素點(diǎn)是每張訓(xùn)練圖像在該位置的像素的均值，得到的均值圖像構(gòu)成每一類的均值模板；然后求取三種權(quán)重值：一致性權(quán)重、隨機(jī)性權(quán)重和抖動(dòng)性權(quán)重，在進(jìn)行表單分類時(shí)使用三種權(quán)重和均值模板進(jìn)行分類的計(jì)算。也可以將平均表單改為取該位置像素點(diǎn)眾數(shù)的表單，然后針對該眾數(shù)表單計(jì)算方差和不同的權(quán)值。本發(fā)明能夠減少用戶填寫信息的隨機(jī)性帶來的影響，同時(shí)放大表單版面中區(qū)分信息的重要性，從而針對版面相似的中文表單取得很好的分類性能。

技術(shù)領(lǐng)域

本發(fā)明屬于文檔分類與模式識(shí)別技術(shù)領(lǐng)域，具體涉及一種基于距離測量的表單圖像分類方法。

背景技術(shù)

當(dāng)前，在很多業(yè)務(wù)(如銀行、保險(xiǎn)、統(tǒng)計(jì)等)中，大量的中文表單通過打印/復(fù)印等形式生成后，傳遞給客戶進(jìn)行打印填寫或手工填寫，因而導(dǎo)致大量的中文表單以紙質(zhì)形式存在，給后期的表單自動(dòng)化處理帶來了許多挑戰(zhàn)與困難。另一方面，為了使辦公更加自動(dòng)化，進(jìn)而能夠從表單中抽取挖掘出有用的信息，對表單自動(dòng)化處理的需求日益強(qiáng)烈。

表單的自動(dòng)化處理通常包括紙質(zhì)表單的掃描、讀入、分類、版面分析、識(shí)別和編輯等一系列過程。其中表單分類是表單自動(dòng)化處理流程中非常關(guān)鍵的步驟，能夠?qū)Π婷娣治龊妥R(shí)別過程進(jìn)行指導(dǎo)，從而使處理流程更加自動(dòng)化。表單分類的粒度往往因業(yè)務(wù)場景而不同，文獻(xiàn)“Dimensionality Reduction and Feature Selection Methods for ScriptIdentification on Document Images.in INFORMATION TECHNOLOGY IN INDUSTRY”僅針對語言進(jìn)行分類，文獻(xiàn)“A Complete Logo Detection/Recognition System for DocumentImage.in Document Analysis Systems(DAS),201411th IAPR International Workshopon.IEEE”根據(jù)是否有印章和商標(biāo)進(jìn)行分類。本發(fā)明處理的是版面相似中文表單的分類問題，分類目標(biāo)是將采用不同表單模板的表單區(qū)分開來，即同一類的表單除用戶填寫區(qū)域外均完全相同。

在銀行和保險(xiǎn)等機(jī)構(gòu)中，有大量的相似業(yè)務(wù)存在，如“取款”和“存款”；另外還有隸屬于不同銀行或保險(xiǎn)機(jī)構(gòu)的同一種業(yè)務(wù)，如不同銀行的匯款單。這一類中文表單模板通常有國家的標(biāo)準(zhǔn)設(shè)計(jì)要求，因此他們的版面設(shè)計(jì)幾乎完全相同，差別只體現(xiàn)在表單標(biāo)題中的業(yè)務(wù)名稱或銀行名稱和標(biāo)志上。

目前絕大部分表單分類方法都是從表單圖像直接進(jìn)行特征的提取，有的提取全局的特征，有的提取局部的線條等結(jié)構(gòu)特征。但是這些方法都不適用于版面相似表單的分類，因?yàn)閷τ谶@類表單，這些方法所提取出的特征，尤其是結(jié)構(gòu)特征，幾乎都是相似的特征，區(qū)分度很小。所以這一類方法在進(jìn)行表單分類時(shí)，常常會(huì)被表單的結(jié)構(gòu)相似性所迷惑，從而取得較差的分類效果。

在實(shí)際應(yīng)用當(dāng)中，需要進(jìn)行分類的中文表單絕大部分是已經(jīng)由用戶填寫好(打印填寫或手寫填寫)的表單。由于表單的類別差異僅體現(xiàn)在表單版面部分的差異上，與用戶所填信息無關(guān)。因此對于表單分類任務(wù)而言，可以認(rèn)為用戶填寫信息是噪聲信息。在此前提下，版面相似表單的分類主要有以下兩個(gè)挑戰(zhàn)：

1.用戶所填信息的隨機(jī)性。用戶所填信息相對于固定的表單版面是完全因人而異的，并且同一種類表單的用戶所填信息也不盡相同。因此在提取全局特征時(shí)，用戶所填信息的位置變化以及字體變化等會(huì)引起全局特征的變化，造成分類錯(cuò)誤。

2.中文表單版面部分的區(qū)分信息過少。由于版面相似表單的類別差異只體現(xiàn)在表單版面部分的差異信息上(如前文所提到的表單標(biāo)題和銀行標(biāo)志等等)，差異信息非常有限，往往只靠標(biāo)題中幾個(gè)字符的差別確定表單的種類，但這些差別又會(huì)被用戶填寫信息的差異所掩蓋，導(dǎo)致分類出現(xiàn)錯(cuò)誤。因此如何最大化地利用這類有限的差異信息成為了版面相似表單分類的關(guān)鍵和挑戰(zhàn)。在這種情況下，使用單純的歐氏距離進(jìn)行計(jì)算，同類表單之間的距離很有可能大于不同類表單之間的距離。