[发明专利]一种利用先验知识构建文档图像数据集的方法

权利要求书

1.一种利用先验知识构建文档图像数据集的方法，其特征在于，包括以步骤：

步骤A、将文档版面信息刻画为文档对象空间、彩色直方图空间和文档对象类型空间，且文档对象空间元素与彩色直方图空间元素一一对应，彩色直方图空间元素与文档对象类型空间元素一一对应；

基于条件随机场对文档版面结构进行建模，得到文档对象彩色直方图序列X与文档对象类型标签序列Y的线性链条随机场；

步骤B、采集各种已有文档页面数据，训练条件随机场模型参数，对条件随机场权值进行求解；

步骤C、基于高斯混合模型随机生成彩色直方图序列X，根据训练好的模型求解文档对象类型标签序列Y，自动生成文档版面布局；

步骤D、采集各种已有文档对象数据，根据生成的文档版面布局，生成文档对象的具体内容；

步骤E、将步骤D生成的文档转换成文档图像，构建文档图像数据集，所述文档图像数据集包含文档图像、文档对象空间坐标信息和文档对象具体内容信息。

2.根据权利要求1所述的利用先验知识构建文档图像数据集的方法，其特征在于：所述步骤A中在对文档版面结构进行建模时，具体采用以下方式：

(1)确定文档页面中的对象序列DO_i，计算每一个文档对象对应的彩色直方图，确定与彩色直方图序列X对应的文档对象类型标签序列Y；

(2)将X＝[x₁,x₂,x₃,...x_N]和Y＝[y₁,y₂,y₃,...y_N]均视为随机变量序列，在给定随机变量序列X的情况下，随机变量序列Y的条件概率分布P(Y|X)便构成条件随机场，进而可以得到：

P(Y|X)∝exp(g(Y|X)) (15)

且：

其中，N为文档对象的数量，M为标签类型的数量；

g(Y|X)＝∑_i∑_j,j′λ_j,j′f_j,j′(X,y_i-1,i)＝∑_i∑_j,j′λ_j,j′f_j,j′(y_i) (12)

f_j,j′(y_i)＝f_j,j′(X,y_i-1,i) (9)

其中，特征函数族f_j,j′(y_i)第一个脚标j表示当前节点y_i所属的类型，第二个脚标j′表示前一个节点y_i-1所属的类型，f_j,j′(y_i)表示节点y_i的特征函数，λ_j,j′表示权值，特征函数的个数以及特征函数值即为先验知识。

3.根据权利要求2所述的利用先验知识构建文档图像数据集的方法，其特征在于：所述步骤B中，将λ_j,j′假定为相互独立，并定义对数似然函数：

式(16)对待求权值求导，寻找驻点：

对条件随机场权值λ_j,j′进行求解时，具体采用以下方式：

(1)基于文档解析工具解析采集的文档页面数据，获得X序列和Y序列；

(2)根据Y序列样本，设置文档对象类型标签序列的标签类型；

(3)设定函数族f_j,j′(y_i)中的函数特征函数值；

(4)基于优化算法求解式(17)，进而得到条件随机场权值λ_j,j′。