[发明专利]一种基于图像识别的pdf表格结构识别方法

权利要求书

1.一种基于图像识别的pdf表格结构识别方法，其特征在于，该方法包括以下步骤：

(1)将pdf文档的每一页转为图像；

(2)对每一张输入的图像，识别出表格的位置，截取出表格区域；

(3)对表格区域识别文字blob块；

(4)对每个blob找到邻近的blob集合：对表格区域内的blob集合按照图像y坐标进行排序，排列成多行的blob集合，每行的blob集合按照x坐标排序；排序后，对每行中的blob，找到同一行中下一个相邻的blob、下一行中与其x轴上有重合的blob作为其邻近集合；

(5)训练blob关系分类模型，包括：

训练数据：将标注数据中的每个blob与其邻近集合中的每个blob建立blob对，得到每个blob对的两种关系：是否同行、是否同列，作为ground truth；再计算每个blob对的特征；

训练模型：建立两个分类器，分别用于分类是否同行、是否同行；

模型预测：预测blob与邻近集合中每个blob是否同行、同列；

(6)对blob之间的关系进行整理，得到表格的单元格结构：

分别计算表格的列集合和行集合；

表格的单元格：将表格行集合按照图像的y坐标排序，列集合按照图像的x坐标排序，再将每行每列进行交叉，得到表格的单元格；

整理单元格中的blob：将每个单元格中的blob按行排列，并将每一行的blob合并为一个大blob，并将大blob的横坐标扩展到表格的单元格边界，再对这一个大blob进行字符识别，得到该单元格的文字内容。

2.根据权利要求1所述的一种基于图像识别的pdf表格结构识别方法，其特征在于，所述步骤(2)中，采用基于RCNN的神经网络建立表格检测器，识别出表格位置。

3.根据权利要求1所述的一种基于图像识别的pdf表格结构识别方法，其特征在于，所述步骤(3)中，基于ctpn、craft、tesseract工具识别表格区域的文字blob块。

4.根据权利要求1所述的一种基于图像识别的pdf表格结构识别方法，其特征在于，所述步骤(5)的训练数据整理过程中，每个blob对(blobi,blobj)的特征包括：blobi和blobj的图像坐标、字符串长度、两个blob之间的欧氏距离、x轴重合率、y轴重合率，将这些值的绝对值和相对值都作为特征。

5.根据权利要求1所述的一种基于图像识别的pdf表格结构识别方法，其特征在于，所述步骤(5)的训练模型过程中，选用svm、dnn、gnn、transformer模型建立分类器。