[发明专利]小票信息类目识别方法

说明书

本发明公开了一种小票信息类目识别方法。本发明一种小票信息类目识别方法，包括：对小票图片进行处理，得到一个包含位置信息的json文件，所述json文件记录的是小票图片中切割出的字符区域在图片上的位置以及此字符区域识别出的字符串结果；根据所述json文件中的字符位置的信息，通过分析字符本身大小以及行字符大小的平均大小，将带位置信息的json文件转化为小票的文本文档；使用行概率模型对小票文本文档中的每行文本进行所属类别的概率计算。本发明的有益效果：通过子空间切割算法、深度学习模型以及概率矩阵融合模型实现了对小票的行信息类目的识别，即从小票图片到带有行标签的文本文档的一整套系统流程。

技术领域

本发明涉及自然信息处理领域，具体涉及一种小票信息类目识别方法。

背景技术

随着互联网技术的飞速发展，文本信息的数量也在日益增长，文本信息的自动处理也变得越来越重要，文本分类作为自然语言处理的一个基本问题，是文本信息处理的一项非常重要的技术，因此受到此领域研究人员的广泛关注，最早将词匹配法应用于文本分类，这种方法根据文档中是否出现了与类名相同的词或者是同义词来判断此文档的类别，这种方法过于简单机械，效果差。再到后来出现了知识工程来进行文本分类，此方法借助专业人员为每个类定义大量的推理规则，根据规则匹配来判断文档的类别，缺点是严重依赖规则的好坏，而制定规则的一般为此领域的专业人员，因此人力成本高，不具有推广性。而统计学习方法的出现则给此领域带来了质的飞跃，但是此方法需要大量的语料库，因此语料库的好坏直接影响到了分类的效果，常用的统计分类算法有决策树，朴素贝叶斯，最大熵，支持向量机和神经网络等算法，现如今经过神经网络发展而来的深度神经网络则给分类效果带来了更大的提高，因此深度学习受到大家的广泛关注与应用，成为当前非常火热的一门技术。而传统的文本分类大多数针对的是对整篇文档分类，也有可能是独立的某一个评论，但是我们针对的是对小票的每一行文本信息进行类目识别，需要考虑文本行与文本行之间的潜在关系，因此我们不仅使用了深度学习模型，而且考虑到了文本行之间的相互影响，有效地提高了分类准确率。

传统技术存在以下技术问题：

而传统的文本分类大多数针对的是对整篇文档分类，也有可能是独立的某一个评论。故传统的方法，不适应小票的信息类目识别，或者传统的方法对小票而且识别精度太低。

发明内容

本发明要解决的技术问题是提供一种小票信息类目识别方法，通过子空间切割算法、深度学习模型以及概率矩阵融合模型实现了对小票的行信息类目的识别，即从小票图片到带有行标签的文本文档的一整套系统流程。

为了解决上述技术问题，本发明提供了一种小票信息类目识别方法，包括：

对小票图片进行处理，得到一个包含位置信息的json文件，所述json文件记录的是小票图片中切割出的字符区域在图片上的位置以及此字符区域识别出的字符串结果；

根据所述json文件中的字符位置的信息，通过分析字符本身大小以及行字符大小的平均大小，将带位置信息的json文件转化为小票的文本文档；

使用行概率模型对小票文本文档中的每行文本进行所属类别的概率计算，得到一个文本行数x类别数的概率矩阵，所述行概率模型是由一个基于word-embedding的DNN深度学习模型、一个基于词序列的LSTM模型和一个联合概率模型融合的模型；

对上述的概率矩阵进行数值更正，当某行文本已经很大概率地被确定属于某一标签时，对应于这行的概率矩阵中的属于其它标签的数值会将其减小某一个值；

对上述的概率矩阵进行按行取最大值的列下标，以此下标作为文本行的标签类目，最终得到带有标签的小票文本文档。

在其中一个实施例中，“对小票图片进行处理，得到一个包含位置信息的json文件，所述json文件记录的是小票图片中切割出的字符区域在图片上的位置以及此字符区域识别出的字符串结果；”中，使用OCR技术对小票图片中的字符进行识别。