[發明專利]一種發票字條語義信息的識別方法及裝置

有效

• 申請號: 201510416723.4
• 申請日: 2015-07-15
• 公開（公告）號: CN105045780B
• 公開（公告）日: 2017-12-26
• 發明（設計）人: 陳健慶;李錦鵬
• 申請（專利權）人: 廣州敦和信息技術有限公司
• 主分類號: G06F17/27
• 分類號: G06F17/27;G06K9/20
• 代理公司: 北京聯瑞聯豐知識產權代理事務所(普通合伙)11411
• 代理人: 曾少麗

技術領域

本發明涉及發票識別領域，特別涉及一種發票字條語義信息的識別方法及裝置。

背景技術

OCR識別技術能夠將圖片轉換為文字，但是系統不能識別文字屬于什么類別。譬如100這三個數字，有可能是發票金額，有可能是發票代碼。這里我們將如何區分識別內容的類編定義為語義分析。如何從語義角度分析發票的內容，這是個技術難點。傳統技術需要人工收集訓練數據，采集大量不同發票格式。隨著時間的變化，發票的格式也有相應的變化，需要增量收集不同的發票，系統不存在的發票格式暫時無法識別。最主要的問題是系統無法自動化識別發票的各種語義信息，例如：金額、抬頭和開票人等等。

發明內容

本發明要解決的技術問題在于，針對現有技術的上述無法自動化識別發票的各種語義信息的缺陷，提供一種能自動化識別發票的各種語義信息的發票字條語義信息的識別方法及裝置。

本發明解決其技術問題所采用的技術方案是：構造一種發票字條語義信息的識別方法，包括如下步驟：

A)建立訓練數據庫，收集所有不同格式的發票并保存到所述訓練數據庫中；每種格式的發票均包括多個字條；

B)對所述訓練數據庫中的發票中所有字條進行包圍盒的標識；所述包圍盒包括識別的內容和語義信息分類；

C)接收需要識別的發票，將其分別與所述訓練數據庫中每張發票的格式進行匹配，找出與其格式最相似的發票；

D)識別出所述需要識別的發票中每個字條的內容并對其語義信息進行分類。

在本發明所述的發票字條語義信息的識別方法中，所述步驟C)進一步包括：

C1)接收需要識別的發票，查找所述訓練數據庫中的包圍盒；

C2)將所述查找的包圍盒套在所述需要識別的發票上；

C3)采用開源OCR識別引擎對被所述包圍盒套住的字條進行識別；

C4)計算所述識別出的字條與所述包圍盒所包含的字條之間的相似度；

C5)判斷是否已經遍歷所述訓練數據中的所有包圍盒，如是，對所有的相似度進行比較，找出相似度最大的字條；否則，從所述訓練數據庫中查找下一個包圍盒，并返回步驟C2)。

在本發明所述的發票字條語義信息的識別方法中，所述步驟D)進一步包括：

D1)獲取所述相似度最大的字條所對應的包圍盒；

D2)根據所述相似度最大的字條所對應的包圍盒，識別出所述需要識別的發票中的字條的內容并對其語義信息進行分類。

在本發明所述的發票字條語義信息的識別方法中，所述步驟C4)進一步包括：

C41)計算出所述識別出的字條中每個字符的出現概率及其數量的乘積；

C42)將所述每個字符的出現概率及其數量的乘積進行相加得到所述識別出的字條與所述包圍盒所包含的字條之間的相似度。

在本發明所述的發票字條語義信息的識別方法中，所述字條包括發票代碼或/和發票號碼或/和發票抬頭或/和開票日期或/和發票金額大寫或/和發票金額小寫或/和開票人；所述字符包括漢字、拉丁字母或/和數字。

本發明還涉及一種實現上述發票字條語義信息的識別方法的裝置，包括：

數據庫建立單元：用于建立訓練數據庫，收集所有不同格式的發票并保存到所述訓練數據庫中；每種格式的發票均包括多個字條；

標識單元：用于對所述訓練數據庫中的發票中所有字條進行包圍盒的標識；所述包圍盒包括識別的內容和語義信息分類；

匹配單元：用于接收需要識別的發票，將其分別與所述訓練數據庫中每張發票的格式進行匹配，找出與其格式最相似的發票；

識別分類單元：用于識別出所述需要識別的發票中每個字條的內容并對其語義信息進行分類。

在本發明所述的裝置中，所述匹配單元進一步包括：

包圍盒查找模塊：用于接收需要識別的發票，查找所述訓練數據庫中的包圍盒；

位置對應模塊：用于將所述查找的包圍盒套在所述需要識別的發票上；

識別模塊：用于采用開源OCR識別引擎對被所述包圍盒套住的字條進行識別；

相似度計算模塊：用于計算所述識別出的字條與所述包圍盒所包含的字條之間的相似度；

遍歷模塊：用于判斷是否已經遍歷所述訓練數據中的所有包圍盒，如是，對所有的相似度進行比較，找出相似度最大的字條；否則，從所述訓練數據庫中查找下一個包圍盒。

在本發明所述的裝置中，所述識別分類單元進一步包括：

最大相似度包圍盒獲取模塊：用于獲取所述相似度最大的字條所對應的包圍盒；