一种文本识别方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113743409A(43)申请公布日2021.12.03(21)申请号202010884961.9(22)申请日2020.08.28(71)申请人北京沃东天骏信息技术有限公司地址100176北京市北京经济技术开发区科创十一街18号院2号楼4层A402室申请人北京京东世纪贸易有限公司(72)发明人窦方正(74)专利代理机构中原信达知识产权代理有限责任公司11219代理人张一军李阳(51)Int.Cl.G06K9/34(2006.01)G06F40/268(2020.01)G06F40/30(2020.01)权利要求书2页说明书13页附图4页(54)发明名称一种文本识别方法和装置(57)摘要本发明公开了文本识别方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括获取文本图像进行识别，得到候选字符集和对应的字符识别概率；利用形近字列表扩展候选字符集，以基于字符共现矩阵对扩展后的候选字符集，根据每个文本行中所有字符识别概率和转移概率，得到计算结果集，将计算结果集中最大数值对应的文本行作为输出文本；将所述输出文本通过词向量模型生成语义相似词列表，遍历所述语义相似词列表，利用形近字列表筛选出包括形近字的词，以计算原始词与语义相似且形近的词的共现概率，如果共现概率小于预设第一概率阈值则输出形近词，以得到识别的文本。从而，本发明的实施方式能够解决现有文本提取准确率低、识别效果差的问题。CN113743409ACN113743409A权利要求书1/2页1.一种文本识别方法，其特征在于，包括：获取文本图像进行识别，得到候选字符集和对应的字符识别概率；利用形近字列表扩展候选字符集，以基于字符共现矩阵对扩展后的候选字符集，根据每个文本行中所有字符识别概率和转移概率，得到计算结果集，将计算结果集中最大数值对应的文本行作为输出文本；将所述输出文本通过词向量模型生成语义相似词列表，遍历所述语义相似词列表，利用形近字列表筛选出包括形近字的词，以计算原始词与语义相似且形近的词的共现概率，如果共现概率小于预设第一概率阈值则输出形近词，以得到识别的文本。2.根据权利要求1所述的方法，其特征在于，获取文本图像进行识别之后，包括：识别得到文本框位置信息，计算文本框中字符识别概率小于预设第二概率阈值的字符的占比，如果所述占比大于预设占比阈值则删除所述文本框。3.根据权利要求1所述的方法，其特征在于，得到候选字符集和对应的字符识别概率之后，包括：如果候选字符集中的第二个字符为第一类目标字符或符号且对应的字符识别概率大于预设第一概率阈值，同时首字符为第二类目标字符且对应的字符识别概率小于预设第二概率阈值，则删除首字符；或者如果候选字符集中的第二个字符为第三类目标字符且对应的字符识别概率大于预设第一概率阈值，同时首字符为第二类目标字符中的预设字符或预设符号，则将首字符纠正为第三类目标字符中的预设字符；或者如果候选字符集中的第二个字符为第一类目标字符且对应的字符识别概率大于预设第一概率阈值，同时首字符为第二类目标字符中的预设字符或预设符号，则删除首字符；或者如果候选字符集中的首字符为符号，且不是预设成对符号的左符号或预设特殊符号，则删除首字符。4.根据权利要求1所述的方法，其特征在于，得到候选字符集和对应的字符识别概率之后，包括：如果候选字符集中的尾字倒序第二个字符为第一类目标字符且对应的字符识别概率大于预设第一概率阈值，同时尾字符为第二类目标字符且对应的字符识别概率小于预设第一概率阈值，则删除尾字符；或者如果候选字符集中的尾字倒序第二个字符为第三类目标字符且对应的字符识别概率大于预设第一概率阈值，同时尾字符为第二类目标字符中的预设字符或预设符号，则将尾字符纠正为第一类目标字符中的预设字符；或者如果候选字符集中的尾字倒序第二个字符为第一类目标字符且对应的字符识别概率大于预设第一概率阈值，同时尾字符为第二类目标字符中的预设字符或预设符号，则删除尾字符；或者如果候选字符集中的尾字符为符号且不是预设成对符号的右符号或预设句子或短句连接符号，则删除尾字符。5.根据权利要求1所述的方法，其特征在于，得到候选字符集和对应的字符识别概率之后，包括：2CN113743409A权利要求书2/2页获取候选字符集中存在预设数量的字符且为符号的文本行，如果所述文本行对应的字符识别概率小于预设第三概率阈值，则删除所述文本行。6.根据权利要求1所述的方法，其特征在于，利用形近字列表扩展候选字符集，包括：如果候选字符集中存在字符识别概率小于预设第四概率阈值的字符，则通过TOPN函数或者字符识别概率大于预设第五概率阈值获取候选字符集中的多个字符，以将所述多个字符对应的形近字列表中的所有字符加入到候选字符集中，并将所述多个字符