[發(fā)明專利]基于OCR的財(cái)務(wù)報(bào)表信息檢測(cè)和識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010898577.4
• 申請(qǐng)日: 2020-08-31
• 公開(kāi)（公告）號(hào): CN112016481A
• 公開(kāi)（公告）日: 2020-12-01
• 發(fā)明（設(shè)計(jì)）人: 李振;魯賓賓;劉挺;劉昊霖;翟昶;陳遠(yuǎn)琴;母丹;王子祎
• 申請(qǐng)（專利權(quán)）人: 民生科技有限責(zé)任公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/20;G06K9/34;G06K9/40
• 代理公司: 北京金智普華知識(shí)產(chǎn)權(quán)代理有限公司 11401
• 代理人: 巴曉艷

本發(fā)明涉及財(cái)務(wù)數(shù)據(jù)分析技術(shù)領(lǐng)域，提供了一種基于OCR的財(cái)務(wù)報(bào)表信息檢測(cè)和識(shí)別方法，包括：對(duì)財(cái)務(wù)報(bào)表圖像進(jìn)行圖像預(yù)處理、財(cái)務(wù)報(bào)表非表格區(qū)域信息提取、財(cái)務(wù)報(bào)表表格區(qū)域信息提取、文本檢測(cè)、文本識(shí)別、格式化輸出、配平校驗(yàn)。本發(fā)明首先區(qū)分是正常的表格、三線表、無(wú)線表；針對(duì)不同制表方式，采用不同的區(qū)域定位方法快速完成財(cái)務(wù)要素定位；用文字檢測(cè)識(shí)別方法完成各要素的識(shí)別；針對(duì)數(shù)字混淆、小數(shù)點(diǎn)錯(cuò)漏問(wèn)題，根據(jù)會(huì)計(jì)準(zhǔn)則設(shè)置科目間配平規(guī)則，如OCR結(jié)果通過(guò)配平校驗(yàn)，才認(rèn)為輸出了正確的識(shí)別結(jié)果；本發(fā)明能大幅提高財(cái)務(wù)報(bào)表處理效率，能確保財(cái)務(wù)報(bào)表表格區(qū)域提取的準(zhǔn)確性和通用性以及財(cái)務(wù)報(bào)表領(lǐng)域文本識(shí)別準(zhǔn)確性，具有推廣應(yīng)用價(jià)值。

技術(shù)領(lǐng)域

本發(fā)明涉及財(cái)務(wù)數(shù)據(jù)分析技術(shù)領(lǐng)域，特別涉及一種基于OCR的財(cái)務(wù)報(bào)表信息檢測(cè)和識(shí)別方法。

背景技術(shù)

銀行、稅務(wù)、審計(jì)等機(jī)構(gòu)存在大量基于財(cái)務(wù)報(bào)表的數(shù)據(jù)分析工作。按照財(cái)務(wù)報(bào)表種類的不同，每個(gè)財(cái)務(wù)報(bào)表至少有30-200個(gè)字段需要錄入。手工處理效率低、易出錯(cuò)，與人工手工錄入相比，財(cái)報(bào)OCR技術(shù)可直接從財(cái)報(bào)影像中提取科目、金額等重要數(shù)據(jù)，幫助銀行、稅務(wù)、審計(jì)等提高工作效率，構(gòu)建自動(dòng)化的信審系統(tǒng)。

OCR(Optical Character Recognition，光學(xué)字符識(shí)別)是指電子設(shè)備(例如掃描儀或數(shù)碼相機(jī))檢查紙上打印的字符，通過(guò)檢測(cè)暗、亮的模式確定其形狀，然后用字符識(shí)別方法將形狀翻譯成計(jì)算機(jī)文字的過(guò)程。OCR傳統(tǒng)上是指對(duì)輸入掃描的文檔圖形進(jìn)行分析和處理，檢測(cè)并識(shí)別出圖像中的文字信息，一般包含了文字檢測(cè)(Text Detection)和文字識(shí)別(Text Recognition)兩部分。

實(shí)際操作中，由于財(cái)務(wù)報(bào)表制表方式多樣以及OCR識(shí)別出現(xiàn)容易數(shù)字混淆、小數(shù)點(diǎn)錯(cuò)漏等問(wèn)題，市場(chǎng)上存在的財(cái)務(wù)報(bào)表OCR識(shí)別系統(tǒng)無(wú)法輸出精確度很高的識(shí)別結(jié)果。

發(fā)明內(nèi)容

本申請(qǐng)解決的技術(shù)問(wèn)題：

由于財(cái)務(wù)報(bào)表的格式多樣復(fù)雜，表格區(qū)域與非表格區(qū)域互相交疊，目前，仍沒(méi)有一種有效的方法將財(cái)務(wù)報(bào)表里的所有內(nèi)容進(jìn)行檢測(cè)識(shí)別并格式化輸出。

財(cái)務(wù)報(bào)表制表OCR識(shí)別出現(xiàn)容易數(shù)字混淆、小數(shù)點(diǎn)錯(cuò)漏等問(wèn)題，市場(chǎng)上存在的財(cái)務(wù)報(bào)表OCR識(shí)別系統(tǒng)無(wú)法輸出精確度很高的識(shí)別結(jié)果。

本申請(qǐng)的整體技術(shù)思路：

本發(fā)明通過(guò)分析財(cái)務(wù)報(bào)表的樣式特點(diǎn)，提出了3種主流樣式的財(cái)務(wù)報(bào)表分析提取方法，將財(cái)務(wù)報(bào)表的表格和非表格信息分別進(jìn)行檢測(cè)和識(shí)別，最終將不同區(qū)域的內(nèi)容進(jìn)行格式化輸出。

針對(duì)制表多樣的問(wèn)題，首先通過(guò)判斷圖片上的最長(zhǎng)的橫線兩端是否與豎線有交點(diǎn)，區(qū)分是正常的表格、三線表、無(wú)線表；針對(duì)不同的制表方式，采用不同的區(qū)域定位方法快速完成財(cái)務(wù)要素的定位；然后用文字檢測(cè)識(shí)別方法完成各要素的識(shí)別。

針對(duì)數(shù)字混淆、小數(shù)點(diǎn)錯(cuò)漏的問(wèn)題，根據(jù)會(huì)計(jì)準(zhǔn)則，設(shè)置科目間的配平規(guī)則，如OCR結(jié)果通過(guò)配平校驗(yàn)，才認(rèn)為輸出了正確的識(shí)別結(jié)果；否則，會(huì)繼續(xù)進(jìn)行OCR識(shí)別，調(diào)整識(shí)別結(jié)果。

本發(fā)明采用如下技術(shù)方案：

一種基于OCR的財(cái)務(wù)報(bào)表信息檢測(cè)和識(shí)別方法，包括如下步驟：

S1、識(shí)別財(cái)務(wù)報(bào)表圖像的非表格區(qū)域，提取非表格區(qū)域信息；

S2、對(duì)財(cái)務(wù)報(bào)表圖像的表格區(qū)域進(jìn)行細(xì)分識(shí)別，得到所有的數(shù)據(jù)單元格，按照所述數(shù)據(jù)單元格進(jìn)行子圖切分；

S3、對(duì)步驟S2中切分出的子圖進(jìn)行文本檢測(cè)，識(shí)別出子圖中的文本區(qū)域；

S4、對(duì)經(jīng)步驟S3文本識(shí)別后的文本區(qū)域進(jìn)行文本識(shí)別；

S5、將表格區(qū)域和非表格區(qū)域的文本識(shí)別內(nèi)容進(jìn)行排版整合，以結(jié)構(gòu)化的方式輸出財(cái)務(wù)報(bào)表信息。