[发明专利]基于OCR的财务报表信息检测和识别方法

说明书

本发明涉及财务数据分析技术领域，提供了一种基于OCR的财务报表信息检测和识别方法，包括：对财务报表图像进行图像预处理、财务报表非表格区域信息提取、财务报表表格区域信息提取、文本检测、文本识别、格式化输出、配平校验。本发明首先区分是正常的表格、三线表、无线表；针对不同制表方式，采用不同的区域定位方法快速完成财务要素定位；用文字检测识别方法完成各要素的识别；针对数字混淆、小数点错漏问题，根据会计准则设置科目间配平规则，如OCR结果通过配平校验，才认为输出了正确的识别结果；本发明能大幅提高财务报表处理效率，能确保财务报表表格区域提取的准确性和通用性以及财务报表领域文本识别准确性，具有推广应用价值。

技术领域

本发明涉及财务数据分析技术领域，特别涉及一种基于OCR的财务报表信息检测和识别方法。

背景技术

银行、税务、审计等机构存在大量基于财务报表的数据分析工作。按照财务报表种类的不同，每个财务报表至少有30-200个字段需要录入。手工处理效率低、易出错，与人工手工录入相比，财报OCR技术可直接从财报影像中提取科目、金额等重要数据，帮助银行、税务、审计等提高工作效率，构建自动化的信审系统。

OCR(Optical Character Recognition，光学字符识别)是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。OCR传统上是指对输入扫描的文档图形进行分析和处理，检测并识别出图像中的文字信息，一般包含了文字检测(Text Detection)和文字识别(Text Recognition)两部分。

实际操作中，由于财务报表制表方式多样以及OCR识别出现容易数字混淆、小数点错漏等问题，市场上存在的财务报表OCR识别系统无法输出精确度很高的识别结果。

发明内容

本申请解决的技术问题：

由于财务报表的格式多样复杂，表格区域与非表格区域互相交叠，目前，仍没有一种有效的方法将财务报表里的所有内容进行检测识别并格式化输出。

财务报表制表OCR识别出现容易数字混淆、小数点错漏等问题，市场上存在的财务报表OCR识别系统无法输出精确度很高的识别结果。

本申请的整体技术思路：

本发明通过分析财务报表的样式特点，提出了3种主流样式的财务报表分析提取方法，将财务报表的表格和非表格信息分别进行检测和识别，最终将不同区域的内容进行格式化输出。

针对制表多样的问题，首先通过判断图片上的最长的横线两端是否与竖线有交点，区分是正常的表格、三线表、无线表；针对不同的制表方式，采用不同的区域定位方法快速完成财务要素的定位；然后用文字检测识别方法完成各要素的识别。

针对数字混淆、小数点错漏的问题，根据会计准则，设置科目间的配平规则，如OCR结果通过配平校验，才认为输出了正确的识别结果；否则，会继续进行OCR识别，调整识别结果。

本发明采用如下技术方案：

一种基于OCR的财务报表信息检测和识别方法，包括如下步骤：

S1、识别财务报表图像的非表格区域，提取非表格区域信息；

S2、对财务报表图像的表格区域进行细分识别，得到所有的数据单元格，按照所述数据单元格进行子图切分；

S3、对步骤S2中切分出的子图进行文本检测，识别出子图中的文本区域；

S4、对经步骤S3文本识别后的文本区域进行文本识别；

S5、将表格区域和非表格区域的文本识别内容进行排版整合，以结构化的方式输出财务报表信息。