[發(fā)明專利]文件內(nèi)容提取方法、裝置、電子設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010012359.6
• 申請日: 2020-01-06
• 公開（公告）號: CN111209865A
• 公開（公告）日: 2020-05-29
• 發(fā)明（設(shè)計）人: 劉小康;李健銓
• 申請（專利權(quán)）人: 中科鼎富（北京）科技發(fā)展有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/20;G06K9/34;G06K9/62;G06N3/04
• 代理公司: 北京超凡宏宇專利代理事務(wù)所(特殊普通合伙) 11463
• 代理人: 蔣姍

本發(fā)明涉及一種文件內(nèi)容提取方法、裝置、電子設(shè)備及存儲介質(zhì)，屬于文字處理領(lǐng)域。該方法包括：電子設(shè)備通過獲取待提取文件；然后通過文本分割模型對所述待提取文件進行分割，得到包含文本的多個文本框；然后通過文本識別模型對每個文本框進行識別，得到每個文本框內(nèi)的文字內(nèi)容。由于文本識別模型是對每個文本框內(nèi)的內(nèi)容進行識別，可以減少位于文本框之外的干擾因素對識別準(zhǔn)確率的影響，從而可以提高整體的識別準(zhǔn)確率。

技術(shù)領(lǐng)域

本申請屬于文字處理領(lǐng)域，具體涉及一種文件內(nèi)容提取方法、裝置、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)

近年來，對圖像文本的文字識別和文字理解方面的研究逐漸成為熱點。

OCR(Optical Character Recognition，光學(xué)字符識別)是文本識別最主要的方式之一，在掃描簡單的文本(例如，背景單一、排版整齊的文本)上能夠達到較高的識別準(zhǔn)確率，但由于在實際應(yīng)用場景中，待識別的文本往往較為復(fù)雜，例如文字格式多樣、存在褶皺、存在陰影等，使得將OCR應(yīng)用到實際場景中時得到的識別效果較差，因此，OCR不能滿足對文本內(nèi)容進行提取的實際需求。

發(fā)明內(nèi)容

有鑒于此，本申請的目的在于提供一種文件內(nèi)容提取方法、裝置、電子設(shè)備及存儲介質(zhì)，以提供一種可以適應(yīng)于實際應(yīng)用場景的復(fù)雜性的文件內(nèi)容提取方案。

本申請的實施例是這樣實現(xiàn)的：

第一方面，本申請實施例提供一種文件內(nèi)容提取方法，所述方法包括：

獲取待提取文件；通過文本分割模型對所述待提取文件進行分割，得到包含文本的多個文本框；通過文本識別模型對每個文本框進行識別，得到每個文本框內(nèi)的文字內(nèi)容。由于文本識別模型是對每個文本框內(nèi)的內(nèi)容進行識別，可以減少位于文本框之外的干擾因素對識別準(zhǔn)確率的影響，從而可以提高整體的識別準(zhǔn)確率。

結(jié)合第一方面實施例，在一種可能的實施方式中，所述待提取文件為紅頭文件，所述紅頭文件包括紅色分隔線，所述方法還包括：從所述待提取文件中確定出用于表征紅色分隔線的位置；以所述用于表征紅色分隔線的位置為基準(zhǔn)，確定出所述紅頭文件的文件頭以及文件主體；分別輸出所述文件頭的文字內(nèi)容以及所述文件主體的文字內(nèi)容。

結(jié)合第一方面實施例，在一種可能的實施方式中，在所述得到包含文本的多個文本框之后，在所述通過文本識別模型對每個文本框進行識別之前，所述方法還包括：計算每個文本框的框線高度；將位于同一行且框線高度之差小于閾值的文本框合并為一個文本框。

結(jié)合第一方面實施例，在一種可能的實施方式中，在所述獲取待提取文件之后，在所述通過文本分割模型對所述待提取文件進行分割，得到包含文本的多個文本框之前，所述方法還包括：去除所述待提取文件中的干擾因素，得到預(yù)處理文件；

相應(yīng)的，所述通過文本分割模型對所述待提取文件進行分割，得到包含文字的多個文本框，包括：通過所述文本分割模型對所述預(yù)處理文件進行分割，得到包含文本的多個文本框。

結(jié)合第一方面實施例，在一種可能的實施方式中，所述去除所述待提取文件中的干擾因素，包括：去除所述待提取文件的預(yù)設(shè)位置的紅色內(nèi)容。

結(jié)合第一方面實施例，在一種可能的實施方式中，所述方法還包括：通過預(yù)先保存的文字糾錯模型對所述每個文本框內(nèi)的文字內(nèi)容進行糾錯。

第二方面，本申請實施例提供一種文件內(nèi)容提取裝置，所述文件內(nèi)容提取裝置包括：獲取模塊、分割模塊及識別模塊。獲取模塊，用于獲取待提取文件；分割模塊，用于通過文本分割模型對所述待提取文件進行分割，得到包含文本的多個文本框；識別模塊，用于通過文本識別模型對每個文本框進行識別，得到每個文本框內(nèi)的文字內(nèi)容。