[发明专利]一种表格识别方法与系统

说明书

技术领域

本发明涉及电子文档格式转换技术领域，具体地说是一种表格识别方法与系统。

背景技术

根据版式文档的生成过程，文档是数据和结构的集合，具体包括内容数据、物理结构和逻辑结构。文档分析是对文档物理结构进行抽取，而文档理解则是在物理结构和逻辑结构之间建立映射关系。在实际应用中，移动设备的可读性需求使物理和逻辑结构的恢复尤为重要。页面内表格的检测及识别是文档理解的重点之一。表格具有其独立的逻辑功能，需要对其进行物理划分和逻辑标签标定。固定版式文档中的表格对象可能由无数的文本图元和操作构成，也可能整体来自一个图像图元。

表格是文档的重要组成部分，如何准确地识别表格及其表格中的内容，对版式文档的分析尤其重要。现有技术中有一些识别并转换版式文档中表格的方法，如将PDF文档中的表格转换成Excel表格的方法，先识别PDF文档中的表格所含的文本块的边界位置坐标，根据文本块的边界位置坐标来对PDF文档中表格进行行划分和列划分，得到多个划分区域，确定各个文本块所属的划分区域，将划分好区域的文本块写入对应的Excel表格中，从而实现不依赖于PDF文档中的表格的边框线，将没有边框线或边框线不完整的PDF文档中的表格转换成Excel表格的目的。该方案的不足在于，表格框线的检测是传统基于规则的表格分割方法，在识别表格所含的文本块的边界位置坐标时，表格外部不能存在其它文本，否则会将外部文本错误地识别为表格中的文本，而在实际应用的版式文档中，表格之外往往存在众多的逻辑区块(如插图、标题、正文)，很多表格从视觉上与正文文本段的区分特征并不明显，且表格风格变化多样，采用规则的方法很难识别表格与其它逻辑区块的分界线，容易将表格外的逻辑区块误认为表格内的一部分,难以将实际表格作为一个整体定位出来，识别效果不能满足实际需求。

发明内容

为此，本发明所要解决的技术问题在于现有技术中当表格外部存在其它逻辑区块时，很难识别表格与其它逻辑区块的分界线，从而提出一种可以定位表格的边界线，且将表格与其它逻辑区块组成具有逻辑意义的完整区块的基于概率图模型的表格识别方法。

为解决上述技术问题，本发明的提供一种表格识别方法与系统。

一种表格识别方法，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。

所述的表格识别方法，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。

所述的表格识别方法，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。

所述的表格识别方法，所述提取页面内分割文本行时，采用聚类方法。

所述的表格识别方法，在所述针对所述分割片构造出无向图的过程中，根据所述分割片的邻域关系构造无向图。

所述的表格识别方法，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。

所述的表格识别方法，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。

所述的表格识别方法，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。

所述的表格识别方法，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。

所述的表格识别方法，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。

一种表格识别系统，包括：