[发明专利]一种基于知识库的名片OCR数据修正方法和系统

说明书

技术领域

本发明属于名片识别技术领域，具体涉及一种名片OCR数据修正方法和系统。

背景技术

随着图像扫描、计算机图像处理、图像识别等技术的发展，OCR（optical character recognition，光学字符识别）技术已经渐趋成熟并为人们工作效率的提高、生活质量的改善做出了贡献。近年来，随着智能手机技术、嵌入式等新兴技术的飞速发展，应用于智能手机平台的各种嵌入式技术也开始涌现，其中名片识别技术正是其中的一支，用户只需用手机自带的摄像头拍摄下名片的照片并储存，并用相应的OCR软件对照片进行OCR识别，然后将识别出的文本信息进行储存，这样就免去了人们随身携带名片盒的不方便或是手工在笔记本上记录名片信息的繁琐过程。

但是，目前的OCR技术本身受到许多不利环境因素的影响，如光线不足、图像噪声、低像素摄像头、视角偏差等，从而导致最终的识别率偏低。而OCR纠错基本上是从图像本身出发，目的是设法减弱或消除不利环境的影响，这种仅依赖图像信息的方法纠错效果是有限的。

发明内容

本发明的目的在于提供一种能够对识别结果进行修正，从而提升识别率的名片OCR数据修正方法和系统。

本发明提供的名片OCR数据修正系统，由五大模块组成：图像输入模块、预处理模块、OCR模块、数据修正模块、结果输出模块，其中：

图像输入模块，利用数码相机或手机摄像头将名片照片采集进计算机或手机并储存；

预处理模块，利用图像处理技术对照片进行处理，这种处理包括：图像倾斜校正、名片区域剪切、名片尺寸标准化等，并提取出各子字块（字块中包含的字符需满足间距近似相等、字体相同、纵坐标值相近等要求），为后续的OCR模块提供干净的输入，以减少识别中可能产生的乱码；

OCR模块，将图像信息转化为文本信息；

数据修正模块，对OCR识别结果中的错误进行修正，以进一步提高识别准确率。

结果输出模块，将修正后的结果进行输出，提交给用户。

预处理模块包含以下五个子模块：

（1）倾斜校正子模块，该子模块依次进行如下工作：

（a）图像灰度化；

（b）边缘检测（各种边缘检测方法均可如CANNY、SOBEL、PREWITT、ROBERT、LAPLACIAN等，优选地，采用CANNY算法）；

（c）基于Hough变换进行直线检测；

（d）进行Radon变换并计算每个方向的投影区域，寻找投影区域宽度最小时的角度即为倾斜方向，然后按此角度进行旋转校正。

（2）图像剪切子模块，该子模块依次进行如下工作：

(a)对倾斜校正后的灰度图像进行二值化处理，其中，阈值确定方法可以是经验法、最大熵法、OTSU法等各种阈值确定方法，优选地，采用OTSU法；

 (b)基于水平投影、垂直投影确定名片的区域，其中，阈值确定采用经验法，并按确定的区域将名片部分从背景中剪切出来。

（3）图像缩放子模块，该子模块依次进行如下工作：

对剪切出的名片区域，按初始设定尺寸进行比例缩放，在缩放时可采用各种插值方法如近邻法、双线性法、双三次插值法等，优选地，采用双线性法。

（4）形态学处理子模块，该子模块依次进行如下工作：

对经上步操作后的二值化结果图，进行包括图像膨胀、图像腐蚀、开运算、闭运算、连通区分析、噪声去除、异常区域去除等在内的一系列数学形态学操作，以保留真正的字符区域。

（5）字块提取模块，该子模块依次进行如下工作：

对保留下真正字符后的二值化结果图，进行连通区分析，并对每个连通区进行水平膨胀处理，然后再次进行连通区域分析，进而求出新连通区的外接矩形，最后根据外接矩形将字块区域作为子图像提取出来。

数据修正模块包括以下两个子模块：

（1）信息结构化模块，该子模块依次进行如下工作：

(a)对OCR结果，首先从每条信息中寻找属性名称，具体是寻找分隔符号前面的字符串；

 (b)如果找到了，则进行属性名修正，与预先枚举定义的属性名称进行相似度比较，这里的相似度可采用多种相似度如Jaccard系数、编辑距离等，优选地，采用Jaccard系数，并从枚举库中取出相似度最高的进行替换；

 (c)如果没有找到，则进行自动属性标注，具体是根据OCR文本中的特殊字符进行自动属性标注，如电子邮件中的“@”，网址中的“http://”等。