[发明专利]一种图像文字信息提取方法、系统及存储介质

说明书

本申请公开了一种图像文字信息提取方法、系统及存储介质，其方法通过对图文数据集进行文本转换后，得到文本数据，通过对文本数据进行分词，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，从而过滤掉偏离主题的文本数据，同时，通过对关键特征词赋予权重将所有词组划分为热词和非热词，根据非热词的数量过滤非关键图文数据，并对非关键图文数据，以缩小非关键图文数据的容量，降低其图像文字提取的进程的占用空间，同时，通过对关键图文数据中的热词进行候选框标注，调用图形文字信息提取模型提取候选框标注内的热词，从而可以提高图像文字信息提取效率和准确度。

技术领域

本申请涉及图像识别技术领域，尤其涉及一种图像文字信息提取方法、系统及存储介质。

背景技术

目前，电网公司处理业务系统针对图像文字信息进行提取需要进行大量繁杂的图像处理和识别计算，如果是海量数据一次性进入处理业务平台，其不能承受如此巨大的工作量，而在图像文字信息中也会存在无意义或偏离应用的文字信息，这就浪费了图像文字提取系统的容量，占用了图像文字提取的进程，进而导致图像文字信息提取效率低下，同时，其准确度也会有所降低。

发明内容

本申请提供了一种图像文字信息提取方法、系统及存储介质，用于解决上述图像文字信息提取效率和准确度低下的技术问题。

有鉴于此，本申请第一方面提供了一种图像文字信息提取方法，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。

可选地，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。

可选地，所述预处理的方式包括去停用词、词性过滤和同义词合并。

可选地，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。