[发明专利]一种发票字条语义信息的识别方法及装置

摘要

本发明提出了一种发票字条语义信息的识别方法，包括如下步骤建立训练数据库，收集所有不同格式的发票并保存到所述训练数据库中；每种格式的发票均包括多个字条；对所述训练数据库中的发票中所有字条进行包围盒的标识；所述包围盒包括识别的内容和语义信息分类；接收需要识别的发票，将其分别与所述训练数据库中每张发票的格式进行匹配，找出与其格式最相似的发票；识别出所述需要识别的发票中每个字条的内容并对其语义信息进行分类。本发明还涉及一种实现上述发票字条语义信息的识别方法的装置。实施本发明的发票字条语义信息的识别方法及装置，具有以下有益效果能自动化识别发票的各种语义信息。

主权项

一种发票字条语义信息的识别方法，其特征在于，包括如下步骤：A)建立训练数据库，收集所有不同格式的发票并保存到所述训练数据库中；每种格式的发票均包括多个字条；所谓发票不同的格式，指的是每张发票中的字条在发票中的分布位置不同；B)对所述训练数据库中的发票中所有字条进行包围盒的标识；所述包围盒包括识别的内容和语义信息分类；对发票代码进行包围盒标识时，在对应该字条的位置画一个外框，该字条的内容位于这个外框的内部，然后在这个外框的外部用文字标注为发票代码；通过人工标签出所有字条的包围盒；C)接收需要识别的发票，将其分别与所述训练数据库中每张发票的格式进行匹配，找出与其格式最相似的发票；D)识别出所述需要识别的发票中每个字条的内容并对其语义信息进行分类；所述步骤C)进一步包括：C1)接收需要识别的发票，查找所述训练数据库中的包围盒；C2)将所述查找的包围盒套在所述需要识别的发票上；C3)采用开源OCR识别引擎对被所述包围盒套住的字条进行识别；C4)计算所述识别出的字条与所述包围盒所包含的字条之间的相似度；C5)判断是否已经遍历所述训练数据中的所有包围盒，如是，对所有的相似度进行比较，找出相似度最大的字条；否则，从所述训练数据库中查找下一个包围盒，并返回步骤C2)；所述步骤C4)进一步包括：C41)计算出所述识别出的字条中每个字符的出现概率及其数量的乘积；C42)将所述每个字符的出现概率及其数量的乘积进行相加得到所述识别出的字条与所述包围盒所包含的字条之间的相似度。