[發明專利]一種高招大本數據采集系統及方法

在審

• 申請號: 201611194572.3
• 申請日: 2016-12-22
• 公開（公告）號: CN106650664A
• 公開（公告）日: 2017-05-10
• 發明（設計）人: 楊洋;潘嶸;林曉藝;趙泛舟;李訓耕
• 申請（專利權）人: 深圳愛拼信息科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/40
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種數據采集方法，更具體的，涉及一種高招大本數據采集系統及方法。

背景技術

在普通高校的招生過程中，考生填報志愿不僅關系著能否被高校錄取，更為重要的是：填志愿時選擇專業、學校內在地規定了學生未來的學業及職業發展路線及發展狀態。通常所說的考生志愿，指考生所選報的院校和專業，是考生的志向、愿望、愛好、個性和能力等因素的綜合反映。而其中往年錄取數據是考生在填報學校時的最重要的依據，這關系著考生是否能夠考生該所學校。

通常情況下，各省都會派發對應的《高考填報指南》，其中就包含著該省往年的所有學校的錄取數據。但這類書籍頁數多，數據量大，考生在翻閱該書籍時難以快速準確捕獲自己所需要的信息，因此將該類書籍數據電子化有其必要性。

目前主流的將書籍數據電子化的方式是人工錄入，但這種方式耗費時間較長，且因有非常重的人工干預的成分，難以保證數據的準確性和完整性。從2016年開始，高招大本的書籍出版都很晚，將數據電子化需要在非常短的時間內完成，否則失去意義。所以全、準、快是錄入高招大本數據的基本原則，顯然人工錄入的方式并不能達成這三項標準。

發明內容

本發明旨在至少解決現有技術中存在的技術問題之一。

為此，本發明的目的在于，提供一種快捷、流程化的數據采集方法處理高招大本數據，避免數據的缺失，保證其準確性，幫助考生便捷地查看往年錄取數據。

為實現上述目的，本發明提供了一種一種高招大本數據采集方法，包括如下步驟：

步驟1，通過掃描儀，將紙質書籍掃描成電子文檔；

步驟2，對電子文檔進行圖像預處理；

步驟3，采用字符處理方法對所述圖像預處理后的結果進行字符識別，以識別所述結果中的各類字符；

步驟4，對所述字符識別后的結果進行修正，生成非規則化的數據文檔，然后對所述非規則化的數據文檔進行數據提取處理操作。

本發明還提供了一種高招大本數據采集系統，該系更具體的，所述步驟2中對電子文檔進行圖像預處理包括：

步驟1.1，圖像二值化處理，采用閾值分割技術，設定灰度閾值，若圖像像素點灰度值大于或等于所述閾值，則被判定為屬于某一特定區域，用 255 表示其灰度值，否則，像素點將被排除在特定區域之外而被判定為背景或其他無用區域，用0表示其灰度值；

步驟1.2，圖像增強處理，通過基于空間域的增強和基于頻率域的增強處理方法，以減少所獲取圖像的小的空間改變；

步驟1.3，噪聲處理，使用濾波器對所述圖像增強處理后的結果進行濾波，去除噪聲。

更具體的，所述步驟3中的字符識別包括：

步驟3.1，漢字字符識別：采用水平方向上、豎直方向上、45度角方向、反45度角方向4個特定方向上的矢量準確地描述出一個漢字的基本字形特征；

步驟3.2，英文字符識別：采用基于字符結構的方法對字符進行識別，根據字符在水平方向、豎直方向、筆畫的特點，對字符進行逐級的分類，形成一顆判定樹，每個字符就是一個葉子，依據字符自身的結構特征進行逼近識別；

步驟3.3，阿拉伯數字識別：先計算歐拉數，再提取凹陷區的特征，最后根據特征組合識別字符。

更具體的，所述步驟4中的對識別后的結果進行修正包括：

利用上下文信息、語法及邏輯，對識別的結果進行修正，生成非規則化的數據文檔。

更具體的，所述步驟4中對所述非規則化的數據文檔進行數據提取處理操作包括：

步驟4.1，把非規則化的數據文檔按照文件名的規則順序處理，把表格的行轉換為普通文本格式的行；

步驟4.2，查看轉換出來的文本格式，確定分割條件，分割的條件包括：文理科段落的區分、各個院校段落的區分、院校下各個專業段落的區分條件；

步驟4.3，分別提取所述步驟4.2中的各個所述的段落，合并斷行和上下文回溯；

步驟4.4，通過所述步驟4.3得到一個相對規格化的段落的數據文本后，再針對步驟4.2中的各類具體情況提取需要的信息；

步驟4.5，對步驟4.4得到的信息結果做合并，把某些可能混合在其它段落中的信息作缺省的上下文推斷填充，至此完成數據提取處理操作。

本發明還提供了一種高招大本數據采集系統，該系統包括書籍掃描模塊、圖像預處理模塊、字符識別模塊、修正模塊，其中，

書籍掃描模塊，用于通過掃描儀，將紙質書籍掃描成電子文檔；

圖像預處理模塊，用于對電子文檔進行圖像預處理；