[發明專利]PDF文檔表格提取方法、裝置、設備及計算機可讀存儲介質

有效

• 申請號: 201910560432.0
• 申請日: 2019-06-26
• 公開（公告）號: CN110390269B
• 公開（公告）日: 2023-08-01
• 發明（設計）人: 劉克亮;盧波
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06V30/412
• 分類號: G06V30/412;G06V30/146;G06V30/19
• 代理公司: 北京市京大律師事務所 11321
• 代理人: 高茹

本申請涉及人工智能技術領域，公開一種PDF文檔表格提取方法、裝置、設備及計算機可讀存儲介質，方法包括：獲取待識別的PDF文檔，并對待識別的PDF文檔進行處理；將處理后的PDF文檔進行預處理后輸入至卷積神經網絡中，輸出特征圖，并將特征圖輸入至RPN區域候選網絡中，確定表格區域；基于OCR文字識別技術對表格區域進行預處理以及特征提取，得到特征圖片，并對特征圖片進行文字檢測，確定文本區域，對文本區域進行文字識別，確定文本信息，文本信息包括文本位置信息和文本內容信息；根據文本坐標信息確定表格的結構信息，基于結構信息劃分表格的各單元格，并將文本內容信息對應的文本填入表格的各對應單元格中。通過本申請，提高PDF文檔表格提取的準確性。

技術領域

本申請涉及圖像處理技術領域，尤其涉及PDF文檔表格提取方法、裝置、設備及計算機可讀存儲介質。

背景技術

現有的針對PDF文件中表格提取的方法，基本上都是針對可提取文本的PDF，通過獲取PDF的結構信息，提取出表格區域。而針對圖片型的PDF文件，則只能通過傳統的圖像處理方法進行表格提取。首先提取表格框，然后根據表格框提取框內區域，最后對框內區域圖像進行OCR識別，從而提取出表格內容。但是，這種方法只能對有表格線的表格有效，如果表格線不全，則可能出現定位的表格區域不全或者是單元格內容不全的問題，從而導致表格提取的準確率不高。

發明內容

本申請的主要目的在于提供一種PDF文檔表格提取方法、裝置、設備及計算機可讀存儲介質，旨在解決現有的PDF文檔表格提取方法應用范圍小且準確度不高的技術問題。

為實現上述目的，本申請提供一種PDF文檔表格提取方法，所述PDF文檔表格提取方法包括以下步驟：

獲取待識別的PDF文檔，并對所述待識別的PDF文檔進行處理，其中，所述待識別的PDF文檔包括可提取文字內容的PDF文檔和圖片類的PDF文檔，對所述PDF文檔進行處理包括將所述可提取文字內容的PDF文檔轉換為圖片類的PDF文檔；

將所述處理后的PDF文檔進行預處理后輸入至預設的卷積神經網絡中，基于所述預設的卷積神經網絡輸出所述處理后的PDF文檔的特征圖，并將所述特征圖輸入至RPN區域候選網絡中，確定處理后的PDF文檔中的表格區域；

基于OCR文字識別技術對所述表格區域進行預處理以及特征提取，得到所述表格區域的特征圖片，并對所述特征圖片進行文字檢測，確定所述表格區域內的文本區域，對所述文本區域進行文字識別，確定所述表格區域內的文本信息，其中，所述文本信息包括文本位置信息和文本內容信息，所述文本位置信息用坐標進行表示；

根據所述文本坐標信息確定所述表格的結構信息，基于所述結構信息劃分表格的各單元格，并將所述文本內容信息對應的文本填入所述表格的各對應單元格中。

可選地，所述將所述處理后的PDF文檔進行預處理后輸入至預設的卷積神經網絡中，基于所述預設的卷積神經網絡輸出所述處理后的PDF文檔的特征圖，并將所述特征圖輸入至RPN區域候選網絡中，確定處理后的PDF文檔中的表格區域之前，還包括：

獲取待訓練的PDF文檔樣本，并對所述待訓練的PDF文檔樣本進行轉換，得到樣本圖片；

獲取所述待訓練的PDF文檔樣本對應的標注信息，并基于所述標注信息對所述樣本圖片中的表格位置進行標注；

基于標注的樣本圖片對預設初始模型進行訓練，得到表格識別模型；

保存所述表格識別模型。

可選地，所述基于標注的樣本圖片對預設初始模型進行訓練，得到表格識別模型包括：

對標注的樣本圖片進行預處理，其中，所述預處理的過程包括去均值、歸一化及白化處理；

將所述預處理后的樣本圖片輸入至預設的卷積神經網絡中，得到所述標注的樣本圖片的特征圖；