[发明专利]一种基于OCR识别结果的文本定位纠错方法系统

权利要求书

1.一种基于OCR识别结果的文本定位纠错方法，其特征在于：

Step1：使用两个文字识别引擎获取两个所需的识别文本text1和text2；

text1＝{a₁，a₂，…，a_i，…，a_m}，text2＝{b₁，b₂，…，b_j，…，b_n}

Step2：将Step1中获取到的识别文本进行预处理；

Step3：对Step2预处理后的识别文本text1和text2定位待纠错字符；

Step4：用断句的标点符号去分割句子，提取带颜色标签字符的句子构成句子对，对句子对中的每个句子计算困惑度，每个句子对中困惑度最小的句子便为带纠错句子；

Step5：进行文本纠错，将待纠错句子中的待纠错字符用mask标记字符替换后送入训练好的MLM模型，由模型对句子中的待纠错字符进行定位预测，取预测结果的top，并最后输出修正后的识别文本。

2.根据权利要求1所述的基于OCR识别结果的文本定位纠错方法，其特征在于，所述Step2具体为：

Step2.1：首先检测识别文本中的不可见字符，包括中英文空格和换行符，并去除这些字符；

Step2.2：然后检测识别文本中是否存在半角字符，如果存在将其替换为相应的全角字符；

Step2.3：最后将两个识别的文本打上颜色标签。

3.根据权利要求1所述的基于OCR识别结果的文本定位纠错方法，其特征在于，所述Step3具体为：

Step3.1：令A＝text1，B＝text2，并将text1和text2都打上颜色标签；

Step3.2：随机生成2个字符c1，c2，需满足c₁≠c₂且

Step3.3：通过LCSstr算法长度的递推公式(1)求解A和B的最长公共子串l_p，并将其依次存入公共子串数组L中；

式中，c[i，j]表示A_i＝{a₁，a₂，…，a_i}，其中i∈{1，2，...，m}和B_j＝{b₁，b₂，…，b_j}，其中j∈{1，2，...，n}的最长公共子串的长度；

Step3.4：用c₁和c₂分别替换A和B中的一个l_p；

Step3.5：重复Step3.3，Step3.4，直至A和B中无公共子串时，得到填充完毕的公共子串数组L＝{l₁，l₂，…，l_p，…，l_t}，其中t≤min{m，n}；

Step3.6：依次提取公共子串数组L中的公共子串，将text1和text2的公共子串依次去颜色标签。

4.根据权利要求1所述的基于OCR识别结果的文本定位纠错方法，其特征在于，所述Step4中的句子困惑度具体为：

式中，N为句子中的字符个数，P(w_i|w_i-1)表示第i-1个字符出现的情况下，第i个字符出现的概率，w₀为句子开始符BOS，不计入N的总数中，句子结束符EOS计入N的总数中。