[发明专利]一种发票字条语义信息的识别方法及装置

说明书

技术领域

本发明涉及发票识别领域，特别涉及一种发票字条语义信息的识别方法及装置。

背景技术

OCR识别技术能够将图片转换为文字，但是系统不能识别文字属于什么类别。譬如100这三个数字，有可能是发票金额，有可能是发票代码。这里我们将如何区分识别内容的类编定义为语义分析。如何从语义角度分析发票的内容，这是个技术难点。传统技术需要人工收集训练数据，采集大量不同发票格式。随着时间的变化，发票的格式也有相应的变化，需要增量收集不同的发票，系统不存在的发票格式暂时无法识别。最主要的问题是系统无法自动化识别发票的各种语义信息，例如：金额、抬头和开票人等等。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述无法自动化识别发票的各种语义信息的缺陷，提供一种能自动化识别发票的各种语义信息的发票字条语义信息的识别方法及装置。

本发明解决其技术问题所采用的技术方案是：构造一种发票字条语义信息的识别方法，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；

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；

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。

在本发明所述的发票字条语义信息的识别方法中，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)。

在本发明所述的发票字条语义信息的识别方法中，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。

在本发明所述的发票字条语义信息的识别方法中，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。

在本发明所述的发票字条语义信息的识别方法中，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。

本发明还涉及一种实现上述发票字条语义信息的识别方法的装置，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；

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；

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。

在本发明所述的装置中，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。

在本发明所述的装置中，所述识别分类单元进一步包括：

最大相似度包围盒获取模块：用于获取所述相似度最大的字条所对应的包围盒；