[发明专利]一种基于知识库的名片OCR数据修正方法和系统

摘要

本发明属于名片识别技术领域，具体涉及一种基于知识库的名片OCR数据修正方法和系统。本发明的系统包括图像输入模块、预处理模块、OCR模块、数据修正模块、结果输出模块。本发明首先对输入名片图像进行包括倾斜校正、剪切、缩放在内的一系列图像处理，然后使用数字形态学处理技术、连通区分析技术从中提取出独立的字符串块作为子图像送入后续的OCR模块；接着，在对OCR的输出结果进行了信息结构化处理后，利用知识库的海量信息，以及文本+图像的两级修正方法、基于知识库IDF值加权的改进DTW方法等，实现对包括地址、单位机构名称以及纯数字在内的信息修正，从而在OCR的基础上，进一步提升识别准确率。

主权项

 一种基于知识库的名片OCR数据修正系统，其特征在于由五大模块组成：图像输入模块、预处理模块、OCR模块、数据修正模块、结果输出模块，其中：图像输入模块，利用数码相机或手机摄像头将名片照片采集进计算机或手机并储存；预处理模块，利用图像处理技术对照片进行处理，这种处理包括：图像倾斜校正、名片区域剪切、名片尺寸标准化，并提取出各子字块，各子字块中包含的字符满足间距近似相等、字体相同、纵坐标值相近要求；为后续的OCR模块提供干净的输入，以减少识别中可能产生的乱码；OCR模块，将图像信息转化为文本信息；数据修正模块，对OCR识别结果中的错误进行修正，以进一步提高识别准确率；结果输出模块，将修正后的结果进行输出，提交给用户；所述预处理模块包含以下五个子模块：（1）倾斜校正子模块，该子模块依次进行如下工作：（a）图像灰度化；（b）边缘检测；（c）基于Hough变换进行直线检测；（d）进行Radon变换并计算每个方向的投影区域，寻找投影区域宽度最小时的角度即为倾斜方向，然后按此角度进行旋转校正；（2）图像剪切子模块，该子模块依次进行如下工作：(a)对倾斜校正后的灰度图像进行二值化处理；(b)基于水平投影、垂直投影确定名片的区域；（3）图像缩放子模块，该子模块依次进行如下工作：对剪切出的名片区域，按初始设定尺寸进行比例缩放；（4）形态学处理子模块，该子模块依次进行如下工作：对经上步操作后的二值化结果图，进行数学形态学处理，以保留真正的字符区域；所述数学形态学处理包括图像膨胀、图像腐蚀、开运算、闭运算、连通区分析、噪声去除、异常区域去除；（5）字块提取子模块，该子模块依次进行如下工作：对保留下真正字符后的二值化结果图，进行连通区分析，并对每个连通区进行水平膨胀处理，然后再次进行连通区域分析，进而求出新连通区的外接矩形，最后根据外接矩形将字块区域作为子图像提取出来；所述的数据修正模块包括以下两个子模块：（1）信息结构化模块，该子模块依次进行如下工作： (a)对OCR结果，首先从每条信息中寻找属性名称，具体是寻找分隔符号前面的字符串；(b)如果找到了，则进行属性名修正，与预先枚举定义的属性名称进行相似度比较； (c)如果没有找到，则进行自动属性标注，具体是根据OCR文本中的特殊字符进行自动属性标注；（2）信息修正模块，该子模块依次进行如下工作：（a）地址修正，按如下步骤进行：(a1)从信息结构化后的结果中取出地址信息，按省、市、县进行行政区域级别分割，并对知识库中的地址记录进行同样的行政区域级别分割处理；(a2)对分割处理后的OCR结果和知识库结果进行比对，比对方法采用各种动态规划方法；(a3)文本+图像的两级级联修正：(a31)对相似度从高到低进行排序，并保留相似度最高的作为匹配结果来对OCR地址进行修正；(a32)当匹配结果多于一个时，再进行基于图像匹配的相似度比较，并取相似度最高的作为最终匹配结果来进行修正； (b) 单位机构名称修正，按如下步骤进行：(b1)根据修正的地址，从知识库中查询出对应的候选单位机构名称，并且取出OCR结果中的单位机构名称；(b2)对知识库中查询出的单位机构名称、OCR结果中的单位机构名称分别进行中文分词处理；(b3)对分词后的各部分，分别赋以相应的权值，权值来自于各大中文知识库的统计结果；(b4)对分词处理后的OCR单位机构名称和知识库中候选单位机构名称进行比对，比对方法可采用各种动态规划方法； （c）纯数字信息的修正对于信息结构化后的电话、邮编、传真、手机信息，如果发现非数字信息，则进行数字化修正，具体是将字符的点阵结构转化为二值图像，然后使用基于图像比对的方法进行匹配，最后用相似度最高的数字进行修正替换。