[发明专利]一种表格识别方法与系统

权利要求书

1.一种表格识别方法，其特征在于，包括以下步骤：

对原始版式文档内的元数据信息进行解析和分析，提取页面内基本图元；

对所述基本图元进行分割，提取页面内分割文本行，并得到分割片；

针对所述分割片构造出无向图；

抽取页面内的图像，检测水平和垂直直线的交叉点，检测交叉点的外包络矩阵，将所述分割文本行是否落入外包络矩阵作为局部关系特征；

根据所述局部关系特征、所述分割片的局部特征以及分割片之间的邻域关系特征，训练学习模型，获得模型参数，建立表格识别模型；

调用所述表格识别模型对所需的文档进行表格识别，得到识别结果。

2.根据权利要求1所述的表格识别方法，其特征在于，

所述根据所述局部关系特征、所述分割片的局部特征以及分割片之间的邻域关系特征，训练学习模型，获得模型参数，建立表格识别模型的过程中，所述学习模型为条件随机场模型，过程包括：

提取所述无向图中每个分割片的局部特征，进行分类，然后将分类得分转化为伪概率，作为条件随机场模型的一元特征函数；

根据无向图邻域关系，提取分割片之间的邻域关系特征作为二元特征函数。

3.根据权利要求1或2所述的表格识别方法，其特征在于，所述对所述基本图元进行分割，提取页面内分割文本行，并得到分割片的过程中，将文本行中连续的文本分割到一个分割片中。

4.根据权利要求1所述的表格识别方法，其特征在于，所述提取页面内分割文本行时，采用聚类方法。

5.根据权利要求1所述的表格识别方法，其特征在于，在所述针对所述分割片构造出无向图的过程中，利用所述分割片的邻域关系构造无向图。

6.根据权利要求1所述的表格识别方法，其特征在于，在所述构造无向图的过程中，采用最小生成树方法构造无向图。

7.根据权利要求1所述的表格识别方法，其特征在于，所述检测水平和垂直直线的交叉点的过程中，采用基于连通分量的方法检测水平和垂直直线的交叉点。

8.根据权利要求1所述的表格识别方法，其特征在于，所述分割片的局部特征包括分割片的长宽比、归一化面积、缩进级别、图像纹理特征。

9.根据权利要求2所述的表格识别方法，其特征在于，所述提取所述无向图中每个分割片的局部特征，进行分类，然后将分类得分转化为伪概率的过程，包括：通过SVM分类器进行分类，选择RBF径向基核函数，将分类得分转化为伪概率。

10.根据权利要求1所述的表格识别方法，其特征在于，所述局部关系特征包括：左对齐，右对齐，中间对齐，是否被外包络包含。

11.一种表格识别系统，其特征在于，包括：

提取单元：对原始版式文档内的元数据信息进行解析和分析，提取页面内基本图元；

分割单元：对所述基本图元进行分割，提取页面内分割文本行，并得到分割片；

构造单元：针对所述分割片构造出无向图；

检测单元：抽取页面内的图像，检测水平和垂直直线的交叉点，检测交叉点的外包络矩阵，将所述分割文本行是否落入外包络矩阵作为局部关系特征；

建模单元：根据所述局部关系特征、所述分割片的局部特征以及分割片之间的邻域关系特征，训练学习模型，获得模型参数，建立表格识别模型；

调用单元：调用所述表格识别模型对所需的文档进行表格识别，得到识别结果。

12.根据权利要求11所述的表格识别系统，其特征在于，

所述学习模型为条件随机场模型，所述建模单元中，包括：

第一特征提取子单元：提取所述无向图中每个分割片的局部特征，进行分类，然后将分类得分转化为伪概率，作为条件随机场模型的一元特征函数；

第二特征提取子单元：根据无向图邻域关系，提取分割片之间的邻域关系特征作为二元特征函数。

13.根据权利要求11或12所述的表格识别系统，其特征在于，所述分割单元中，将文本行中连续的文本分割到一个分割片中。

14.根据权利要求11所述的表格识别系统，其特征在于，所述提取页面内分割文本行时，采用聚类方法。