[发明专利]文字识别、编改的方法

说明书

技术领域

本发明涉及文档电子化过程中文字识别、编改的方法，尤其涉及中文印刷体识别、编改的方法。

背景技术

在纸制文件电子化的过程中，OCR识别后的文字编改工作耗费了极大的人力，它是一项人力密集性工作，劳动强度也很高。目前的应用现状是：用普通OCR软件进行图像识别，再进行一次编改校正，在保证每人8万字/8小时正常编改的速度下，编改的错误率通常也会超过1/1000。

发明内容

为解决现有的人工编改效率低，错误率高的现状，本发明提供了一种文字识别、编改的方法。该方法可以极大地提高人工编改的效率，降低成本，其技术方案如下：

文字识别、编改的方法，包括：

选用不同的识别软件并采用外挂的方式对文档中的文字进行识别；

比对所识别文字的结果；

将识别不同的文字进行编改校对并进行质检；

将质检合格后的文字合成文档并输出。

本发明提供的技术方案的有益效果是：

通过本发明对正常的汉字为主体的文档其编改的效率可以提高7倍以上，达到70万字/8小时；同时编改错误率降低60％，达到4/10000以下。

附图说明

图1是本发明实施方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述：

本实施例提供了一种文字识别、编改的方法，具体包括以下流程(参见图1)：

文档扫描与处理

为提高OCR识别软件识别正确率，对文档统一采用300DPI精度进行扫描，随后对图像进行必要的倾斜矫正、图像去污去噪等处理。

按段落切图

为保证双路OCR识别软件具有相同的版面分析结果，必须对文档图像进行段落切图，其切图顺序遵照文章段落的自然顺序，并且自动命名，以便结果输出时使用。

版面分析与检查

对切好的图像用“汉王”OCR识别软件进行自动版面分析；人工检查自动版面分析结果，纠正错误结果。检查时，对图像缺陷进行必要的修补，保证段落及行分析正确。如果需要，进行人工版面分析。我们以“汉王”OCR识别软件版面分析的结果作为最后重组段落的依据。

“汉王”和“文通”双路OCR识别软件外挂识别

把段落切图的图像进行“行切图”一一切成若干行图像，分别传入“汉王”和“文通”双路识别软件，进行外挂识别。

外挂识别就是不改变原来的OCR识别软件，编写新程序模拟人工操作OCR识别软件的过程，以便完成图像识别工作。外挂程序和OCR程序是各自独立运行的软件。外挂程序识别图像不需要OCR程序的识别接口，外挂程序利用OCR程序进行图像识别。

采用外挂识别可以有效地节约采购双路OCR识别SDK软件的费用，降低系统构建成本，也可以避免SDK软件相对于其正品软件技术落后的问题。

之所以经过“行切图”，再逐行送入双路识别软件进行识别的原因是：对即使很清晰的段落图像，由于两个识别软件的版面分析算法不同，版面分析的结果也可能不同。经过“行切图”，我们就能保证双路识别软件行分析的正确性。

双路识别结果比对

“汉王”和“文通”是国内对中文和英文都具有较高识别率的OCR系统，它们对清晰印刷体汉字图象识别率都在98％以上。更为可贵的是通过我们的对比测试，“汉王”和“文通”识别软件具有很强的互补性，利用他们的识别结果并进行单行逐字比对，过滤出具有相同的识别结果的字，不交给人工进行编改；把识别不同字交给人工进行编改校对。

实际应用统计说明，对正常印刷体汉字为主体的文档，我们不编改文字抛出率达到95％，这部分文字的错误率达到＜3/10000。

在双路比对前，针对其应用需求，还对一些字符做了必要的全角字符转半角字符的归一化处理。这些字符包括A-Z、a-z、0-9、“！”、“[”、“]”等，共计80个字符。

双路行对比算法采用基于状态空间搜索A*算法，采用横向搜索寻找最优匹配。设两行待对比的文字串为S1和S2，它们的长度分别为m和n，且m≤n；S1包含字符(Cs1，Cs2，...，Csm)，S2包含字符(Cl1，Cl2，...，Cln)。比对算法如下：

(1)对短文字串S1的每个文字Csi，且0≤i≤m，在长文字串S2中寻找匹配的字符，并把在S2中与Csi相匹配字符的索引放入可能匹配的集合SMi；随后在SMi中增加一个-1的索引，代表不匹配。过程如下：

F0R i＝1 TO m

begin

      F0R j＝1 TO n