[发明专利]一种针对表格字体的识别方法

说明书

本发明公开的一种针对表格字体的识别方法，包括以下步骤：获取表格图像，对表格图像进行预处理，包括：图像灰度化、图像去噪、图像倾斜校正；然后进行表格提取，提取表格横线、提取表格竖线、合并表格线段，去除不合格的表格线，得到完整表格；对完整表格进行定位截取，获取表格内容在完整表格中的定位；对定位截取内容进行表格内容提取，获取表格内容；使用识别技术对表格内容进行识别，得到初步识别结果，并分别训练对应的语言库，使用对应的语言库对初步识别结果进行选举，得到最终识别结果；本发明能够对多种格式的表格进行准确定位提取表格线和表格结构，能避免虚线和细线的对表格提取的干扰，能同时对印刷体和手写体进行准确识别。

技术领域

本发明涉及字体识别的研究领域，特别涉及一种针对表格字体的识别方法。

背景技术

在国际上，许多知名的研究机构对表格识别技术有不错的研究成果，如纽约州立大学在其布法罗分校设立的文档分析识别中心，华盛顿大学有名的智能系统实验室以及肯考迪亚大学广为人知的模式识别与机器智能研究中心等(张远.印刷体文档表格识别技术研究[D].湖南大学,2018.)。在国内，目前人们研究较多的表格文档识别主要是带有一定格式的特定文档识别，如快递单识别研究、邮政编码自动识别研究、银行金融票据识别研究、交通标志牌以及汽车车牌识别研究等有特定格式的表格文档识别技术己经有了突破性发展，但是对复杂表格识别研究就相对缓慢(郭佳.基于图像的表格识别算法与自动录入系统[D].北京邮电大学,2018.)，相关理论还不够完善，成型的使用系统也较少。比较常见的表格识别，常见的有Abbyy(张秀常.中英文混合识别的利器——ABBYY FineReader[J].中国教育信息化,2012(18):64-65.),solid等软件，主要是针对特定的表格格式，如邮政编码识别，或者只针对规则表格的印刷体识别，而对于表格线属于虚线，断线，细线的时候提取效果十分差，没有一款针对所有不规则，规则的表格结构识别，以及同时包括印刷体，手写体等表格都普遍使用的识别系统，而且识别准确率都不高，错误率过大，导致人工干预的成本增加。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种针对表格字体的识别方法，主要解决的是针对所有不规则和规则图表的表格结构提取，以及包括印刷体和手写体识别，以及使用多语言选举提高识别准确率。

本发明的目的通过以下的技术方案实现：

一种针对表格字体的识别方法，包括以下步骤：

S1、获取表格图像，对表格图像进行预处理，所述预处理包括：图像灰度化、图像去噪、图像倾斜校正；

S2、对预处理后的表格图像进行表格提取，提取表格横线、提取表格竖线、合并表格线段，去除不合格的表格线，得到完整表格；

S3、对完整表格进行定位截取，获取表格内容在完整表格中的定位；

S4、对定位截取内容进行表格内容提取，获取表格内容；

S5、使用识别技术对表格内容进行识别，得到初步识别结果，并分别训练对应的语言库，使用对应的语言库对初步识别结果进行选举，得到最终识别结果。

进一步地，所述预处理具体为：

使用平均值法进行图像灰度化，得到灰度化图像；

使用中值滤波器进行图像去噪；

图像倾斜校正具体为：使用傅里叶倾斜变换得到图像的频域图，对频域图进行霍夫变换直线检测，得到频域图中直线的倾斜角度，进行图像延扩得到延扩图像并填充背景色；使用warpAffine函数对延扩图像进行旋转，得到倾斜校正图像。

进一步地，所述表格提取具体为：