[发明专利]一种应用于垂直领域的固定格式文档结构化识别的方法

权利要求书

1.一种应用于垂直领域的固定格式文档结构化识别的方法，其特征在于，具体方法包括：

步骤一：定义参照区域和目标区域，制作模板文档；

步骤二：生成标记数据；

步骤三：对参照区域的OCR检测和识别模型进行优化；

步骤四：优化目标区域的OCR识别模型；

步骤五：通过优化OCR检测和识别模型与优化OCR识别模型对文档进行结构化识别。

2.根据权利要求1所述的一种应用于垂直领域的固定格式文档结构化识别的方法，其特征在于，制作模板文档的方法包括：

从所有文档中选择无形变的图片，进行图片预处理，根据参照区域和目标区域的定义对文档中的参照区域和目标区域进行标注，形成预定好的模板文档格式。

3.根据权利要求2所述的一种应用于垂直领域的固定格式文档结构化识别的方法，其特征在于，模板文档格式定义为由key:value元素组成的字典，其中key为区域的语义含义，value包含区域的位置信息和内容信息，为[x1,y1,x2,y2,content]，(x1,y1)为区域左上角的坐标，(x2,y2)为区域右下角的坐标，content为区域的文本内容。

4.根据权利要求1所述的一种应用于垂直领域的固定格式文档结构化识别的方法，其特征在于，生成标记数据的方法包括：

获取未标注的文档，通过通用OCR检测和识别模型检测和识别参照区域，检测模型检测文本行所在区域，输出文本区域的左上角和右下角坐标；识别模型识别图片中的文本内容，输出文本，获得文本区域的位置信息和内容信息；与模板文档进行模板匹配确定参照字段，基于OCR检测和识别模型的输出的结果，与模板文档中的文本内容进行匹配，获得输出结果对应的参照字段；根据模板匹配的结果，标记参照区域和目标区域，基于检测结果修正标记结果。

5.根据权利要求4所述的一种应用于垂直领域的固定格式文档结构化识别的方法，其特征在于，确定参照区域和目标区域的方法包括：

当在待识别的文档中找到与模板文档四组及以上对应的坐标点时，进行透视变换，计算透视矩阵，计算待识别的文档中参照区域和目标区域的坐标点；当匹配到三组坐标点时，则进行仿射变换；当小于三组坐标点时，则放弃该样本；经过透视或者放射变换获得参照区域和目标区域。

6.根据权利要求1所述的一种应用于垂直领域的固定格式文档结构化识别的方法，其特征在于，对参照区域的检测和识别模型进行优化的方法包括：

对标记数据进行数据增强，增加有样本多样性，利用标记数据对通用的OCR检测和识别模型进行训练，获得优化OCR检测和识别模型。

7.根据权利要求1所述的一种应用于垂直领域的固定格式文档结构化识别的方法，其特征在于，优化目标区域的OCR识别模型的方法包括：

获取步骤二中得到的文档中目标区域对应位置的标记数据，采取数据合成方式，提取目标区域的背景，在背景图片上合成文字，生成对应的训练数据，通过获得的训练数据对通用的OCR识别模型进行优化，获得优化OCR识别模型。

8.根据权利要求1所述的一种应用于垂直领域的固定格式文档结构化识别的方法，其特征在于，对文档进行结构化识别的方法包括：

获取未标记的文档数据，通过优化OCR检测和识别模型检测和识别参照区域，根据模板文档匹配确定参照字段，基于模板匹配结果确定目标区域，通过优化OCR识别模型进行内容提取。