[发明专利]基于OCR识别的单证数据提取方法、装置、设备及介质

说明书

本发明涉及表单数据处理领域，公开了一种基于OCR识别的单证数据提取方法、装置、设备及介质，其方法包括：通过OCR识别程序处理单证文档，生成包含若干字符块及其字符坐标信息的XML数据，一个字符块对应一个字符坐标信息；根据字符坐标信息将处于同一行的字符块组成字符组；通过预设的分词算法从字符组提取关键词，生成词块，词块包括若干字符块；根据词块内各个字符块对应的字符坐标信息确定词块的词块坐标信息；通过预设除错合并程序处理词块和词块坐标信息，生成结构化单证数据。本发明可以提高单证文档的识别精度，减少识别错误。

技术领域

本发明涉及表单数据处理领域，尤其涉及一种基于OCR识别的单证数据提取方法、装置、设备及介质。

背景技术

OCR识别(optical character recognition，光学字符识别)是一种常用的字符识别工具，可以从图像文件中提取出文字信息。经过数十年的发展，OCR识别对一般文档的识别精度较高，基本满足使用需求。但对于单证文档，OCR识别的识别精度有限，错误率高。

发明内容

基于此，有必要针对上述技术问题，提供一种基于OCR识别的单证数据提取方法、装置、设备及存储介质，以提高单证文档的识别精度，减少单证识别错误。

一种基于OCR识别的单证数据提取方法，包括：

通过OCR识别程序处理单证文档，生成包含若干字符块及其字符坐标信息的XML数据，一个字符块对应一个字符坐标信息；

根据所述字符坐标信息将处于同一行的字符块组成字符组；

通过预设的分词算法从所述字符组提取关键词，生成词块，所述词块包括若干字符块；

根据所述词块内各个字符块对应的字符坐标信息确定所述词块的词块坐标信息；

通过预设除错合并程序处理所述词块和所述词块坐标信息，生成结构化单证数据。

一种基于OCR识别的单证数据提取装置，包括：

识别模块，用于通过OCR识别程序处理单证文档，生成包含若干字符块及其字符坐标信息的XML数据，一个字符块对应一个字符坐标信息；

字符组模块，用于根据所述字符坐标信息将处于同一行的字符块组成字符组；

分词模块，用于通过预设的分词算法从所述字符组提取关键词，生成词块，所述词块包括若干字符块；

词块坐标模块，用于根据所述词块内各个字符块对应的字符坐标信息确定所述词块的词块坐标信息；

合成单证模块，用于通过预设除错合并程序处理所述词块和所述词块坐标信息，生成结构化单证数据。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述基于OCR识别的单证数据提取方法。

一个或多个存储有计算机可读指令的可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述基于OCR识别的单证数据提取方法。

上述基于OCR识别的单证数据提取方法、装置、计算机设备及存储介质，可以提高单证文档的识别精度，减少单证识别错误。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中基于OCR识别的单证数据提取方法的一应用环境示意图；