[發(fā)明專(zhuān)利]文檔處理方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011545186.0
• 申請(qǐng)日: 2020-12-24
• 公開(kāi)（公告）號(hào): CN114743203A
• 公開(kāi)（公告）日: 2022-07-12
• 發(fā)明（設(shè)計(jì)）人: 寧榮江
• 申請(qǐng)（專(zhuān)利權(quán)）人: 國(guó)信君和（北京）科技有限公司
• 主分類(lèi)號(hào): G06V30/40
• 分類(lèi)號(hào): G06V30/40;G06V30/414;G06V30/10;G06F40/131
• 代理公司: 北京鼎佳達(dá)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11348
• 代理人: 任媛;劉鐵生

1.一種文檔處理方法，其特征在于，包括：

將針對(duì)紙質(zhì)文檔采集的待處理圖像進(jìn)行光學(xué)字符識(shí)別，得到多個(gè)文本塊和每個(gè)所述文本塊對(duì)應(yīng)的坐標(biāo)信息；

根據(jù)每個(gè)所述文本塊對(duì)應(yīng)的坐標(biāo)信息，對(duì)處于同一行中的所述文本塊進(jìn)行拼接，得到按行區(qū)分的整行文本塊；

根據(jù)所述紙質(zhì)文檔的段落特征，選取所述整行文本塊組成文本段。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)每個(gè)所述文本塊對(duì)應(yīng)的坐標(biāo)信息，對(duì)處于同一行中的所述文本塊進(jìn)行拼接，包括：

遍歷所述多個(gè)文本塊，根據(jù)所述文本塊的縱坐標(biāo)判斷相鄰的所述文本塊是否處于同一行，并將處于同一行的所述文本塊進(jìn)行拼接。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述文本塊的縱坐標(biāo)判斷相鄰的所述文本塊是否處于同一行，包括：

判斷相鄰的所述文本塊之間的縱坐標(biāo)差是否小于預(yù)設(shè)差值閾值，若小于預(yù)設(shè)差值閾值，則確定相鄰的所述文本塊處于同一行；或者，

判斷相鄰的所述文本塊之間的縱坐標(biāo)比值是否小于預(yù)設(shè)比值閾值，若小于預(yù)設(shè)比值閾值，則確定相鄰的所述文本塊處于同一行。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，若所述紙質(zhì)文檔的段落特征包括首行縮進(jìn)，所述選取所述整行文本塊組成文本段，包括：

遍歷每個(gè)所述整行文本塊，根據(jù)所述整行文本塊起始位置的橫坐標(biāo)是否小于橫坐標(biāo)閾值確定所述整行文本塊是段中文本塊或段首文本塊；

選取段首文本塊與其后相鄰的段中文本塊組成文本段。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，在根據(jù)所述整行文本塊起始位置的橫坐標(biāo)是否小于橫坐標(biāo)閾值確定所述整行文本塊是段中文本塊或段首文本塊之前，還包括：

選取正文部分的多個(gè)整行文本塊；

根據(jù)選取的多個(gè)整行文本塊的起始位置的橫坐標(biāo)的平均值，確定橫坐標(biāo)閾值。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述紙質(zhì)文檔是包括格式化用語(yǔ)的格式文書(shū)，所述方法還包括：

通過(guò)關(guān)鍵字匹配或正則表達(dá)式匹配，從所述整行文本塊中確定出包含所述格式化用語(yǔ)的格式化文本塊；

所述根據(jù)所述紙質(zhì)文檔的段落特征，選取所述整行文本塊組成文本段，包括：

根據(jù)所述紙質(zhì)文檔的段落特征，從去除所述格式化文本塊后剩余的整行文本塊中，選取所述整行文本塊組成文本段。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

根據(jù)所述文本段組合得到與所述紙質(zhì)文檔對(duì)應(yīng)的電子文檔。

8.一種文檔處理裝置，其特征在于，包括：

光學(xué)字符識(shí)別模塊，用于將針對(duì)紙質(zhì)文檔采集的待處理圖像進(jìn)行光學(xué)字符識(shí)別，得到多個(gè)文本塊和每個(gè)所述文本塊對(duì)應(yīng)的坐標(biāo)信息；

文本塊拼接模塊，用于根據(jù)每個(gè)所述文本塊對(duì)應(yīng)的坐標(biāo)信息，對(duì)處于同一行中的所述文本塊進(jìn)行拼接，得到按行區(qū)分的整行文本塊；

段落組成模塊，用于根據(jù)所述紙質(zhì)文檔的段落特征，選取所述整行文本塊組成文本段。

9.一種設(shè)備，包括：至少一個(gè)處理器、以及與處理器連接的至少一個(gè)存儲(chǔ)器、總線(xiàn)；其中，處理器、存儲(chǔ)器通過(guò)總線(xiàn)完成相互間的通信；處理器用于調(diào)用存儲(chǔ)器中的程序指令，以執(zhí)行如權(quán)利要求1至7任一項(xiàng)所述的方法。

10.一種存儲(chǔ)介質(zhì)，其特征在于，其上存儲(chǔ)有程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至7任一項(xiàng)所述的方法。