[发明专利]一种基于知识库的名片OCR数据修正方法和系统

权利要求书

1.一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。

2.根据权利要求1所述的基于知识库的名片OCR数据修正系统，其特征在于所述预处理案例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。

3.根据权利要求1所述的基于知识库的名片OCR数据修正系统，其特征在于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。