[发明专利]一种图像文字信息提取方法、系统及存储介质

权利要求书

1.一种图像文字信息提取方法，其特征在于，包括以下步骤：

对图文数据集中每个图文数据进行文本转换，得到文本数据；

对所述文本数据进行预处理，得到预处理后的文本数据；

对所述预处理后的文本数据进行分词，得到多个词组；

计算各个词组与预设的主题特征词库中的各个主题特征词的相似度，将相似度大于预设相似度的词组作为关键特征词；

根据预设的权重赋值规则对所述关键特征词赋予权重，根据所述关键特征词的权重将所有词组划分为热词和非热词；

遍历所述图文数据集中所有图文数据，确定各个图文数据中包含的所述热词和所述非热词，统计所述非热词的数量；

通过所述非热词的数量与预设的非热词的数量阈值进行比较，根据比较结果判断相应的所述图文数据是否为关键图文数据，若判断所述图文数据不为关键图文数据，则将相应的所述图文数据进行图片压缩；若判断所述图文数据为关键图文数据，则对所述关键图文数据中的热词进行候选框标注；

调用预先建立的图形文字信息提取模型提取所述候选框标注内的热词。

2.根据权利要求1所述的图像文字信息提取方法，其特征在于，所述对图文数据集中每个图文数据进行文本转换，得到文本数据的步骤具体包括：

利用OCR识别技术对图文数据集中每个图文数据进行文本转换，得到文本数据。

3.根据权利要求1所述的图像文字信息提取方法，其特征在于，所述预处理的方式包括去停用词、词性过滤和同义词合并。

4.根据权利要求1所述的图像文字信息提取方法，其特征在于，所述计算各个词组与预设的主题特征词库中的各个主题特征词的相似度，将相似度大于预设相似度的词组作为关键特征词的步骤具体包括：

将所述词组和所述预设的主题特征词库中的各个主题特征词映射到向量空间进行向量化，从而得到所述词组和所述主题特征词分别对应的词组向量和主题特征词向量；

利用余弦相似度算法计算所述词组向量和所述主题特征词向量之间的相似度；

判断所述词组向量和所述主题特征词向量之间的相似度是否大于所述预设相似度，将所述词组向量和所述主题特征词向量之间的相似度大于所述预设相似度的相应的所述词组作为关键特征词，将所述词组向量和所述主题特征词向量之间的相似度不大于所述预设相似度的相应的所述词组进行筛除。

5.根据权利要求1所述的图像文字信息提取方法，其特征在于，所述根据预设的权重赋值规则对所述关键特征词赋予权重，根据所述关键特征词的权重将所有词组划分为热词和非热词的步骤具体包括：

统计包含所述关键特征词的词组的数量，根据包含所述关键特征词的词组的数量的统计结果确定所述关键特征词的权重，其中，包含所述关键特征词的词组的数量越多，其相应的所述关键特征词的权重越高；

根据各个词组的所述关键特征词及其权重的总和计算各个词组的综合权重；

通过各个词组的综合权重与预设热词权重阈值进行比较，将词组的综合权重大于所述预设热词权重阈值的词组作为热词，将词组的综合权重不大于所述预设热词权重阈值的词组作为非热词。