[发明专利]一种基于自然语言识别的光学字符识别纠错方法

摘要

本发明公开一种基于自然语言识别的光学字符识别纠错方法，该纠错方法将词法分析模型和语义分析模型进行融合，得到融合模型，并用该融合模型获得高精度的光学字符识别结果。该模型考虑了中文字符在词法模型的特点，同时考虑了中文句法语义的上下文关系等显著特征来修正光学字符识别结果，提高了模型精度。

主权项

1.一种基于自然语言识别的光学字符识别纠错方法，其特征在于，该方法包括如下步骤：S1：获取文字图像；S2：所述文字图像经过ocr识别获得初始的识别结果；S3：构建语料库；S4：将初始的识别结果通过基于自然语言识别的方法进行后处理，该方法分为词法匹配和语法匹配两个步骤，具体如下：S4.1：将初始的识别结果以固定长度按双向最大匹配的方式进行切分，当进行正向最大匹配时，从左向右取待切分中文字串的4‑2个字符作为匹配字段，查找语料库并进行匹配，若匹配成功，则将这个匹配字段作为一个词切割出来；若匹配不成功，记录相似度分数较大的前k个词和相似度分数，然后将这个匹配字段的最后一个字去掉，剩下的字符串作为新的匹配字段，进行再次匹配，重复以上过程，直到切割出全部词为止；当进行逆向最大匹配时，从右向左取待切分中文字串的4‑2个字符作为匹配字段，查找语料库并进行匹配，若匹配成功，则将这个匹配字段作为一个词切割出来；若匹配不成功，记录最大相似度分数和对应的词，然后将这个匹配字段的最前一个字去掉，剩下的字符串作为新的匹配字段，进行再次匹配，重复以上过程，直到切割出全部词为止；当正反向切割结果相同时，则输出任意一种切割结果；当正反向切割结果不同时，则输出孤立字较少的那个切割结果，从而将初始的识别结果转化成一个等长的中文字串集合；S4.2：计算S4.1得到的每个等长的中文字串集合的相似度分数，选取相似度分数最高的作为切割的结果，但当相似度分数最高的中文字串集合不止一个时，优选窗口长度大的字符串作为切割的位置；S4.3：设置相似度分数阈值，当等长的中文字串集合的相似度分数小于或等于阈值时，不作处理；当等长的中文字串集合的相似度分数大于阈值时，比较匹配后的结果与初始的识别结果的长度，当匹配后的结果大于初始的识别结果时，则用长度最长的匹配后的结果覆盖初始的识别结果；当匹配后的结果部分重叠但未全部覆盖初始的识别结果时，则输出相似度最高的匹配后的结果；从而将初始的识别结果分割成一些确定的词、不确定的词和孤立的字三个部分，三者互不重叠，共同组成词法匹配后的识别结果；S4.4：将所述的词法匹配后的识别结果进行语法匹配，使得满足must‑link关系的中文字串大于该关系中设定的阈值，满足cannot‑link关系的中文字串小于该关系中设定的阈值，则赋予权重后进行替换；相反，则不进行替换；S5：对S4中已经被替换的词的位置进行标记，输出OCR识别结果。