[发明专利]基于多文种文档图像识别的跨文种理解方法

说明书

技术领域

本发明涉及文本图像识别与分析领域，特别是涉及一种基于多文种文档图像识别的跨文种理解方法。

背景技术

我国作为一个具有悠久历史的多民族大国，55个少数民族约占全国人口总数的8％，分布在占全国总面积50％-60％的土地上。少数民族语言分属汉藏、阿尔泰、南亚、南岛和印欧等几大语系，使用人数较多且影响较广的少数民族文字以蒙古文、藏文、维吾尔文为代表。蒙古文、藏文、维吾尔文是非拉丁字母、非汉字体系的文字，民族文字识别与翻译理解技术是构建各民族文化信息化交流渠道的重要基础。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是提供一种多文种文档识别与翻译理解的跨文种一体化技术，实现各民族文字信息的获取、保存、交流与转换。

(二)技术方案

为了解决上述技术问题，本发明提供一种基于多文种文档图像识别的跨文种理解方法，其包括以下步骤：

获取源文种的文档扫描图像，通过多文种文档图像识别途径对所述文档扫描图像进行处理，以得到源文种识别文本；

对所述源文种识别文本进行分句处理；

利用基于词的或基于句子的文本翻译理解模块对分句处理后的源文种识别文本进行转换，获得目标文种文本；

对所述文档扫描图像、源文种识别文本和目标文种文本进行显示输出。

其中，所述多文种文档图像识别途径具体包括：将获取的所述文档扫描图像输入多文种文档图像识别模块中，对所述文档扫描图像依次进行版面分析、文本行切分、字符切分和识别，得到所述文档扫描图像的文本代码。

其中，所述分句处理具体包括：对所述源文种识别文本进行断句和整理，使得原版式上换行断开的句子合并，重新从标点符号处断开文本。

其中，基于词的源文种识别文本转换具体包括：记源文种为A，目标文种为B，根据B的检索词或指定检索词组，从所述文本翻译理解模块的文种A-B双语对照词典知识库中查找对应A的词条或词条组，在所述源文种识别文本中匹配查询，并记录匹配结果。

其中，所述显示输出具体包括：将所述匹配结果在所述源文种识别文本中高亮显示，同时将A和B双语对照的词条内容列表显示出来；或者，将所述匹配结果在所述文档扫描图像上标记显示，同时将A和B双语对照的词条内容列表显示出来。

其中，基于句子的源文种识别文本转换具体包括：采用基于句子的翻译模块，实现句子的翻译转换。

其中，所述显示输出具体包括：将翻译转换后的目标文种文本与源文种识别文本按句交替显示。

其中，所述显示输出具体还包括：目标文种文本与源文种识别文本按句交替显示时，在目标文种文本中选中某句时，将该句在所述文档扫描图像上标记显示。

(三)有益效果

上述技术方案所提供的基于多文种文档图像识别的跨文种理解方法，能够实现对多文种的文档扫描图像进行识别、分句、跨文种理解以及双语对照图文显示，为用户提供了跨文种的文档翻译理解功能，实现各文种、各民族文字信息的获取、保存、交流与转换功能，便于用户实现跨文种的文档理解。

附图说明

图1是本发明实施例的基于多文种文档图像识别的跨文种理解方法的流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图1示出了本实施例的基于多文种文档图像识别的跨文种理解方法的流程图，参照图示，该方法包括如下步骤：

第一步：获取源文种的文档扫描图像，通过多文种文档图像识别途径对所述文档扫描图像进行处理，以得到源文种识别文本；

第二步：对所述源文种识别文本进行分句处理；

第三步：利用基于词的或基于句子的文本翻译理解模块对分句处理后的源文种识别文本进行转换，获得目标文种文本；

第四步：对所述文档扫描图像、源文种识别文本和目标文种文本进行显示输出。