[发明专利]一种根据允许集对字符串OCR识别结果检错与纠错的方法

说明书

本发明公开了一种根据允许集对字符串OCR识别结果检错与纠错的方法，属于图像OCR(Optical Character Recognition，光学字符识别)技术领域，包括输入允许集和OCR识别结果；找出重复字符串、不可存在字符串和缺失字符串即为OCR识别结果中错误的字符串；对不可存在字符串用固定位置字符对的字符替换其相应位置处的字符；替换后的字符串组成纠正中间集；从纠正中间集中找出与缺失字符串相同的字符串，组成纠正结果集；纠正结果集中字符串即为纠正成功的字符串。本发明通过OCR软件检查出识别结果中的错误数据并对这些错误数据实施纠正，从而提高识别结果的准确率。

技术领域

本发明属于图像OCR(Optical Character Recognition，光学字符识别)技术领域。当使用OCR软件读取、分析图像文件并提取出其中的字符串时，本发明可以检查和纠正识别错误的字符串，从而辅助OCR软件降低识别的错误率。

背景技术

OCR软件，指利用OCR(Optical Character Recognition，光学字符识别)技术，将图片、照片等图像上的文字内容转换为可编辑文本的软件，广泛应用于提取各种图像中的字符。通常，图像信息通过扫描仪、照相机等设备获取并存储在图像文件中，然后OCR软件读取、分析图像文件并通过字符识别提取出其中的字符串。

OCR软件的一个典型应用是文件编号的自动识别。比如，支票、税票和信件等各种文件进行数字化时，需要通过OCR软件提取其编号。由于文件编号可能出现模糊、错位等状况，OCR软件的识别结果会出现错误。如何检查和纠正OCR识别结果中的错误，国内外研究人员提出了一些解决办法。

美国已授权专利《Apparatus and method for OCR character and confidencedetermination using multiple OCR devices》(公开号：US 5805747 A)使用多个OCR软件进行识别，各OCR软件输出自己的识别结果并标记出置信度，最后综合各输出结果，给出最终识别结果并标记出置信度。该方法具有很好的通用性，但需要用到多个OCR识别软件。如果图像本身存在缺陷(比如个别数字过于模糊)，即使有多个OCR软件也无法得到准确的结果。

国内已授权专利《基于多种OCR方案组合校验以准确提取数字的方法》(公开号：CN101009747 A)采用多种不同的OCR软件识别传真图片，以获取其中的传真号码，然后根据各自识别算法的特征对识别出的数字进行纠错，最后对所有识别出的传真号码进行统一校验。只有当识别出的传真号码完全匹配，系统才自动启动传真发送，否则由人工干预发送。该方法也是通过使用多个OCR软件以投票表决的方式来认定识别错误的数据。

现有的技术方案都没有关注到所识别文件编号的自身规律，更没有利用自身规律对错误数据实施检查和纠正。

发明内容

本发明根据所要识别字符串的已知完整集合，针对OCR软件从图像中提取出的字符串提出一种检错与纠错的方法，目的在于辅助OCR软件检查出识别结果中的错误数据并对这些错误数据实施纠正，从而提高识别结果的准确率。其中，所要识别字符串的已知完整集合记为允许集，且允许集中字符串不能重复。OCR软件从图像中提取出的这些字符串记为OCR识别结果。

本发明的目的是通过下述技术方案来实现的。

一种根据允许集对字符串OCR识别结果检错与纠错的方法，包括下述步骤：

1)输入允许集和OCR识别结果；

2)OCR识别结果中找出的重复字符串；

3)从OCR识别结果中找出存在、而允许集中不存在的字符串，记为不可存在字符串；

4)从允许集中找出存在、而OCR识别结果中不存在的字符串，记为缺失字符串；