[發明專利]基于OCR的財務報表信息檢測和識別方法

在審

• 申請號: 202010898577.4
• 申請日: 2020-08-31
• 公開（公告）號: CN112016481A
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 李振;魯賓賓;劉挺;劉昊霖;翟昶;陳遠琴;母丹;王子祎
• 申請（專利權）人: 民生科技有限責任公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/20;G06K9/34;G06K9/40
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 巴曉艷

1.一種基于OCR的財務報表信息檢測和識別方法，其特征在于，所述方法包括如下步驟：

S1、識別財務報表圖像的非表格區域，提取非表格區域信息；

S2、對財務報表圖像的表格區域進行細分識別，得到所有的數據單元格，按照所述數據單元格進行子圖切分；

S3、對步驟S2中切分出的子圖進行文本檢測，識別出子圖中的文本區域；

S4、對經步驟S3文本識別后的文本區域進行文本識別；

S5、將表格區域和非表格區域的文本識別內容進行排版整合，以結構化的方式輸出財務報表信息。

2.如權利要求1所述的基于OCR的財務報表信息檢測和識別方法，其特征在于，在步驟S1之前，對財務報表圖像進行圖像預處理，所述圖像預處理具體為：

S0.1對輸入的財務報表圖像進行二值化處理：設置閾值，根據每個像素點的色值將其轉化為純白色或者純黑色，將文本圖像轉化成噪聲點較少的白底黑字圖像；

S0.2對經步驟S0.1處理后的圖像進行形態學處理，消除單個字周圍毛刺，減少單個字內的空白，使得每個字符成為緊湊的字團；所述形態學處理包括腐蝕、膨脹。

3.如權利要求1所述的基于OCR的財務報表信息檢測和識別方法，其特征在于，所述方法還包括：

S6、根據會計準則設置科目間的配平規則，對步驟S5中輸出的財務報表信息進行配平校驗，若OCR結果通過配平校驗，則輸出的為正確識別結果；否則，繼續進行OCR識別，調整識別結果。

4.如權利要求1所述的基于OCR的財務報表信息檢測和識別方法，其特征在于，步驟S1中，提取非表格區域信息的具體步驟包括：

S1.1在財務報表圖像的水平方向上進行投影，得到圖像高度像素數條水平方向的黑色像素累加值，做分布圖，并找出累加值接近最大值的多條水平線位置；

S1.2選擇最上方的一條水平線和最下方的一條水平線分別為分割非表格區域和表格區域的起始基準線和終止基準線；

S1.3在所述起始基準線上方截取緊鄰的一行文字行，在所述終止基準線下方截取緊鄰的一行文字行，對文字行進行文本檢測和文本識別，得到文字行的內容；

S1.4將識別出的所述起始基準線上方文字行的內容與收集的財務報表術語詞數據庫的條目進行比對，若不在所述數據庫中，則所述起始基準線即為分割表格區域和非表格區域的起始水平線；若在所述數據庫中，則起始水平線位置由所述起始基準線位置減去該文字行的高度得到；同樣，將識別出的所述終止基準線下方文字行的內容與收集的財務報表術語詞數據庫的條目進行比對，若不在所述數據庫中，則所述終止基準線即為分割表格區域和非表格區域的終止水平線；若在所述數據庫中，則終止水平線位置由所述終止基準線位置加上該文字行的高度得到；

S1.5所述起始水平線和終止水平線之間的區域為表格區域，所述表格區域外為非表格區域。