[发明专利]一种用于对公文中表格内容进行识别的方法及系统

说明书

本发明公开了一种用于对公文中表格内容进行识别的方法及系统，方法包括：获取公文文档图像，进行预处理；基于深度学习算法对经过预处理的公文文档图像进行文本框位置检测和文本框内容识别，获取每个文本框的文本框位置信息，以及对应的文本框内容信息；对公文文档图像中的表格整体单元格进行检测，检测出所有横线和所有竖线；基于检测出的所有横线和所有竖线获取小单元格位置信息；基于文本框位置信息和小单元格位置信息，判断文本框是否与小单元格相对应；当两者相对应时，基于文本框位置信息对文本框进行排序，获取排序后的文本框内容信息；基于排序后的文本框内容信息确定表格整体单元格的内容排布，输出结构化文本信息。

技术领域

本发明涉及电子政务技术领域，更具体地，涉及一种用于对公文中表格内容进行识别的方法及系统。

背景技术

在电子政务领域，为了将往来的各类文档及资料进行电子化处理、归档，建立与各类相关信息的索引，提高工作效率，电子档案管理系统应运而生。

其中，对于各类文档及资料包括纸质文档和电子文档，需要基于OCR识别技术对文本内容进行识别、提取，并转化为结构化数据。目前，电子档案管理系统主要针对非表格类文档进行识别、处理，对于带表格的公文识别，由于表格形式多样，存在倾斜的情况，相对普通公文的识别，难度较大，目前的研究成果较少。

现有技术(申请号：CN201910320208.4)公开了一种提取excel数据的方法及装置、计算机设备、存储介质。一方面，该方法包括：确定指定指标在源excel文档中的第一位置，以及所述指定指标在目标excel文档中的第二位置；获取所述指定指标在所述第一位置的第一指标名称，以及获取所述指定指标在所述第二位置的第二指标名称；比较所述第一指标名称和所述第二指标名称；在所述第一指标名称和所述第二指标名称匹配时，提取所述第一位置的指标数据，并将所述指标数据转存至所述第二位置。

然而，现有技术解决的是提取excel表格中数据的技术问题，并不能解决各类文档中表格的数据。现有技术只针对excel表格，无法对纸质扫描后的文档内容进行有效的识别。

因此，需要一种技术，以实现对公文中表格内容进行自动识别。

发明内容

本发明技术方案提供一种用于对公文中表格内容进行识别的方法及系统，以解决如何对公文中表格内容进行识别的问题。

为了解决上述问题，本发明提供了一种用于对公文中表格内容进行识别的方法，所述方法包括：

获取公文文档图像，并对所述公文文档图像进行预处理；

基于深度学习算法对经过预处理的所述公文文档图像进行文本框位置检测和文本框内容识别，获取所述公文文档图像中的多个文本框中每个文本框的文本框位置信息，以及和每个文本框位置信息对应的文本框内容信息；

对所述公文文档图像中的表格整体单元格进行检测，检测出所述表格整体单元格的所有横线和所有竖线；

基于检测出的所有横线和所有竖线获取所述表格整体单元格中所有小单元格的小单元格位置信息；

基于所述文本框位置信息和所述小单元格位置信息，判断所述文本框是否与所述小单元格相对应；

当判断出所述文本框与所述小单元格相对应时，基于所述文本框位置信息对所述文本框进行排序，获取排序后的文本框内容信息；

基于排序后的文本框内容信息确定所述表格整体单元格的内容排布，输出经过排布后的公文文档图像的结构化文本信息。

优选地，还包括：

获取公文文档，将所述公文文档转化为图像格式，所述图像格式包括：jpg、png。

优选地，所述对所述公文文档图像中的表格整体单元格进行检测，检测出所述表格整体单元格的所有横线和所有竖线包括：