[發明專利]適配多類OCR識別接口的表格識別方法及相關設備

有效

• 申請號: 202110399260.0
• 申請日: 2021-04-14
• 公開（公告）號: CN112906695B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 曹峰;黃夫龍
• 申請（專利權）人: 數庫（上海）科技有限公司
• 主分類號: G06V30/412
• 分類號: G06V30/412;G06V30/414;G06F40/177
• 代理公司: 上海十蕙一蘭知識產權代理有限公司 31331
• 代理人: 劉秋蘭

本發明屬于圖片識別技術領域，具體涉及一種適配多類OCR識別接口的表格識別方法及相關設備。其中方法包括接收提取請求，提取請求中包含有文檔及識別模式；根據識別模式，調用預設的外部OCR接口，通過外部OCR接口將文檔進行識別處理，接收外部OCR接口返回的識別數據；將識別數據生成表格數據，返回表格數據。本發明通過多種識別模式適配后，基本上披露債券公告中大部分遇見的OCR表格都能識別，覆蓋范圍更廣識別率更高。

技術領域

本發明屬于圖片識別技術領域，具體涉及一種適配多類OCR識別接口的表格識別方法及相關設備。

背景技術

在債券披露的公告中，很多財務及附注數據表格都是以圖片的方式進行披露展示，要將這些數據表信息提取出來就需要用到OCR技術。適配多類OCR接口識別圖片表格主要是根據不同的OCR識別模式應對復雜多樣的表格樣式并對識別的結果做相應處理，最終生成統一表格結構數據的一種技術。通常情況下，如果要識別出圖像中的表格內容，大部分處理過程都是先識別出所有線條和文本塊，利用線條信息計算出表格區域和單元格區域，然后根據文本的坐標位置對應到相應的格子中，最終返回完整的表格數據。

在目前的市場上，對于固定樣式如票據、車牌、快遞單等OCR識別的技術相對較多，對于公司公告披露的各類圖片表格的OCR處理還沒有很成熟且效果很好的相關技術。

在通過OCR識別公司公告中披露的海量圖片的過程中，圖片內容復雜多樣的特性就會體現出來。根據傳統的識別線條解析表格方式只能解決其中一部分情況。其中還有大量圖片表格無線條、缺線條、存在旋轉、有噪點(印章和水印)等影響時，普通OCR算法都無法準確有效的識別出圖像內容。

發明內容

本發明針對采用傳統的OCR識別算法來對公司公告中披露的海量圖片進行表格識別時，無法準確有效識別內容的技術問題，目的在于提供一種適配多類OCR識別接口的表格識別方法及相關設備。

適配多類OCR識別接口的表格識別方法，包括：

接收提取請求，所述提取請求中包含有文檔及識別模式；

根據所述識別模式，調用預設的外部OCR接口，通過所述外部OCR接口將所述文檔進行識別處理，接收所述外部OCR接口返回的識別數據；

將所述識別數據生成表格數據，返回所述表格數據。

可選的，所述文檔包括通用表格文檔和圖片。

可選的，所述識別模式包括通用表格提取模式、圖片正常表格提取模式和圖片無線框表格提取模式中的一種；

所述外部OCR接口包括與所述通用表格提取模式對應的通用表格提取接口、與所述圖片正常表格提取模式對應的表格OCR提取接口和與所述圖片無線框表格提取模式對應的文檔OCR提取接口。

可選的，所述根據所述識別模式，調用預設的外部OCR接口之前，包括：

所述提取請求中還包括圖片處理參數，接收提取請求后，根據所述圖片處理參數對所述文檔進行預處理；

將處理好的所述文檔轉換為預設的編碼格式。

可選的，所述圖片處理參數包括框選位置信息、圖像DPI增強參數、旋轉角度檢測和修正、圖片邊緣噪音裁剪、去印章或補充畫線中的至少一種。

可選的，通過所述框選位置信息將所述文檔生成待識別圖片。

可選的，對所述文檔進行所述圖像DPI增強時，所述文檔默認為是圖片，將所述圖片像素按照預設倍率進行調整，讓所述圖片更加清晰。

可選的，對所述文檔進行所述旋轉角度檢測和修正時，所述文檔默認為是圖片并采用如下步驟：

將所述圖片進行灰度和二值化處理；