[發明專利]一種PDF文件的對象識別處理方法及裝置

有效

• 申請號: 201910549537.6
• 申請日: 2019-06-24
• 公開（公告）號: CN110363102B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 羅彤;周占文;曹德亮;趙紅軍
• 申請（專利權）人: 北京融匯金信信息技術有限公司
• 主分類號: G06V30/40
• 分類號: G06V30/40;G06V30/413;G06V30/10
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 苗曉靜

本發明實施例公開了一種PDF文件的對象識別處理方法及裝置，方法包括：將PDF文件的當前頁面轉換為待識別圖像并進行灰度轉換處理、二值化處理和閉合處理，得到識別背景后的背景圖像；識別背景圖像中的表格和圖片，并根據識別到的表格和圖片對背景圖像進行自動化標記，得到標記圖像；將標記圖像輸入訓練好的深度學習模型中，得到深度學習模型輸出的帶有對象識別結果的識別圖像。通過對待識別圖像進行灰度轉換處理、二值化處理和閉合處理，進行圖像背景的識別；通過預設規則識別背景圖像中的表格和圖片并進行標記，最后通過訓練好的深度學習模型輸出的帶有對象識別結果的識別圖像，不僅快速簡單、節約了大量人工標注的人力成本，而且識別準確率高。

技術領域

本發明涉及計算機技術領域，具體涉及一種PDF文件的對象識別處理方法及裝置。

背景技術

PDF(Portable Document Format，便攜式文檔格式)是一種獨立于硬件、操作系統和應用程序的電子文檔格式。由于其具有跨平臺、多媒體集成、安全等優點，PDF已成為目前使用最為廣泛的電子文檔格式之一。隨著PDF格式文檔的應用越來越廣泛，大量有價值的數據均以PDF文件的形式進行呈現。因此，如何從PDF文件中提取所需數據，尤其是結構化、半結構化的表格數據和圖片，是一個被廣泛關注和研究的問題。

現有的PDF表格識別工具采用先將PDF文件轉換為一種中間格式的文檔(如HTML(Hyper Text Markup Language，超文本標記語言)、XML(Extensible Markup Language，可擴展標記語言)、DOC(Document，文檔)等)，然后再從這種中間格式的文檔中提取出所需要的數據。該方法不僅多引入了一次轉換到中間文件的操作，而且轉換得到的中間文件難以準確地保持數據在原有PDF文件中的位置和結構，因此不一定能得到準確的表格數據解析結果，從而難以進行后續的處理。

PDF格式的文檔結構與HTML、XML等格式不同，PDF文件對表格沒有特殊的定義，而只是線條與文字的位置組合，因此很難直接從PDF文件中提取出所需要的表格數據。也正是因為這一原因，雖然目前從PDF文件中識別表格的相關工具眾多，然而成熟穩定、識別準確率高的工具卻很少；同樣地，現有工具對PDF文件的圖片識別的準確率也較低。

發明內容

由于現有方法存在上述問題，本發明實施例提出一種PDF文件的對象識別處理方法及裝置。

第一方面，本發明實施例提出一種PDF文件的對象識別處理方法，包括：

將便攜式文檔格式PDF文件的當前頁面轉換為圖像格式的待識別圖像，對所述待識別圖像依次進行灰度轉換處理、二值化處理和閉合處理，得到識別背景后的背景圖像；

根據第一預設規則識別所述背景圖像中的表格，根據第二預設規則識別所述背景圖像中的圖片，并根據識別到的表格和圖片對所述背景圖像進行自動化標記，得到標記圖像；

將所述標記圖像輸入訓練好的深度學習模型中，得到所述深度學習模型輸出的帶有對象識別結果的識別圖像；

其中，所述對象識別結果包括背景、圖片、表格和文字。

可選地，所述根據第一預設規則識別所述背景圖像中的表格，具體包括：

根據水平維度和垂直維度對所述背景圖像中的目標區域分別進行識別，若識別到格線狀對象，則確定所述格線狀對象為表格；

其中，所述目標區域為所述背景圖像中去除背景之后的區域。

可選地，所述根據第二預設規則識別所述背景圖像中的圖片，具體包括：

若判斷所述目標區域的若干子區域之間相連，則分別獲取所述若干相連的子區域中橫坐標最大、橫坐標最小、縱坐標最大和縱坐標最小的位置，根據所述橫坐標最大、橫坐標最小、縱坐標最大和縱坐標最小的位置確定包圍所述若干相連的子區域的最小區域，并確定所述最小區域對應的對象為圖片。