[发明专利]一种发票字条语义信息的识别方法及装置

权利要求书

1.一种发票字条语义信息的识别方法，其特征在于，包括如下步骤：

A)建立训练数据库，收集所有不同格式的发票并保存到所述训练数据库中；每种格式的发票均包括多个字条；所谓发票不同的格式，指的是每张发票中的字条在发票中的分布位置不同；

B)对所述训练数据库中的发票中所有字条进行包围盒的标识；所述包围盒包括识别的内容和语义信息分类；对发票代码进行包围盒标识时，在对应该字条的位置画一个外框，该字条的内容位于这个外框的内部，然后在这个外框的外部用文字标注为发票代码；通过人工标签出所有字条的包围盒；

C)接收需要识别的发票，将其分别与所述训练数据库中每张发票的格式进行匹配，找出与其格式最相似的发票；

D)识别出所述需要识别的发票中每个字条的内容并对其语义信息进行分类；

所述步骤C)进一步包括：

C1)接收需要识别的发票，查找所述训练数据库中的包围盒；

C2)将所述查找的包围盒套在所述需要识别的发票上；

C3)采用开源OCR识别引擎对被所述包围盒套住的字条进行识别；

C4)计算所述识别出的字条与所述包围盒所包含的字条之间的相似度；

C5)判断是否已经遍历所述训练数据中的所有包围盒，如是，对所有的相似度进行比较，找出相似度最大的字条；否则，从所述训练数据库中查找下一个包围盒，并返回步骤C2)；

所述步骤C4)进一步包括：

C41)计算出所述识别出的字条中每个字符的出现概率及其数量的乘积；

C42)将所述每个字符的出现概率及其数量的乘积进行相加得到所述识别出的字条与所述包围盒所包含的字条之间的相似度。

2.根据权利要求1所述的发票字条语义信息的识别方法，其特征在于，所述步骤D)进一步包括：

D1)获取所述相似度最大的字条所对应的包围盒；

D2)根据所述相似度最大的字条所对应的包围盒，识别出所述需要识别的发票中的字条的内容并对其语义信息进行分类。

3.根据权利要求1所述的发票字条语义信息的识别方法，其特征在于，所述字条包括发票代码或/和发票号码或/和发票抬头或/和开票日期或/和发票金额大写或/和发票金额小写或/和开票人；所述字符包括汉字、拉丁字母或/和数字。

4.一种实现如权利要求1所述的发票字条语义信息的识别方法的装置，其特征在于，包括：

数据库建立单元：用于建立训练数据库，收集所有不同格式的发票并保存到所述训练数据库中；每种格式的发票均包括多个字条；所谓发票不同的格式，指的是每张发票中的字条在发票中的分布位置不同；

标识单元：用于对所述训练数据库中的发票中所有字条进行包围盒的标识；所述包围盒包括识别的内容和语义信息分类；对发票代码进行包围盒标识时，在对应该字条的位置画一个外框，该字条的内容位于这个外框的内部，然后在这个外框的外部用文字标注为发票代码；通过人工标签出所有字条的包围盒；

匹配单元：用于接收需要识别的发票，将其分别与所述训练数据库中每张发票的格式进行匹配，找出与其格式最相似的发票；

识别分类单元：用于识别出所述需要识别的发票中每个字条的内容并对其语义信息进行分类；

所述匹配单元进一步包括：

包围盒查找模块：用于接收需要识别的发票，查找所述训练数据库中的包围盒；

位置对应模块：用于将所述查找的包围盒套在所述需要识别的发票上；

识别模块：用于采用开源OCR识别引擎对被所述包围盒套住的字条进行识别；

相似度计算模块：用于计算所述识别出的字条与所述包围盒所包含的字条之间的相似度；

遍历模块：用于判断是否已经遍历所述训练数据中的所有包围盒，如是，对所有的相似度进行比较，找出相似度最大的字条；否则，从所述训练数据库中查找下一个包围盒；

所述相似度计算模块进一步包括：

乘积计算模块：用于计算出所述识别出的字条中每个字符的出现概率及其数量的乘积；

相加模块：用于将所述每个字符的出现概率及其数量的乘积进行相加得到所述识别出的字条与所述包围盒所包含的字条之间的相似度。