[发明专利]一种字形识别方法及装置

说明书

本发明提供的一种字形识别方法，获取目标文档，提取目标文档中的字体信息及其对应的内嵌字体的字体数据；按照字体名称对所述字体数据进行聚类，得到多个分类；针对每个类别内的字体数据进行合并；对每个类别中合并后的字体数据对应的各个字形进行分别识别，获得每个字形的编码；根据所述编码还原目标文档中每个文字对应的编码。该方案在现有技术的基础上，通过字体合并的方式，减少字形识别的时间，大幅提升字形识别的效率，以减少字形识别的时间成本，使其能更广泛的被应用。所有拥有内嵌字体数据的文档均可应用此方法进行处理，包括PDF、CEBX、OFD等。

技术领域

本发明涉及文字识别领域，具体涉及一种字形识别方法及装置。

背景技术

随着信息技术的发展，越来越多的书籍、报纸逐渐电子化，由原来的纸质图书转变成各种PC、手持设备的电子阅读器。在报社、出版社等行业，电子文档也成为了一种主流的阅读资源，便于打印和印刷。但是这些文档在生成过程中因为字体嵌入等原因可能导致没有字符编码或者字符编码并非标准编码(如UNICODE编码、GBK等)，这类没有编码或非标准编码的文档在版式呈现时能正常显示，但文档在进行复制、搜索等功能时出现乱码，效果不佳。

为了解决上述问题，需要通过字形识别来获取正确的字符编码，提高用户体验。目前，一般是通过对这类文件进行转换优化来还原字符编码。还原字符编码的通用做法是：对文档进行逐页绘制，采用OCR技术对页面上的文字进行识别，把识别的文字结果放回到页面对应位置并隐藏，形成“双层PDF”或类似文档，从而提供文字复制、搜索功能。

上述字符编码还原办法的不足之处在于：需对文档进行逐页绘制并识别，同一页或不同页上的相同字符需要重复识别，从而导致效率低下，使得字形识别的时间成本过高。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中的字形识别方法中识别效率低、时间成本高的缺陷。

本发明提供一种字形识别方法，包括如下步骤：

获取目标文档，提取目标文档中的字体信息及其对应的内嵌字体的字体数据；

按照字体名称对所述字体数据进行聚类，得到多个分类；

针对每个类别内的字体数据进行合并；

对每个类别中合并后的字体数据对应的各个字形进行分别识别，获得每个字形的编码；

根据所述编码还原目标文档中每个文字对应的编码。

优选地，所述按照字体名称对所述字体数据进行聚类的步骤，包括

将字体名称相同的字体数据聚合为一个类别。

优选地，所述针对每个类别内的字体数据进行合并的步骤包括：

删除重复的字形，生成合并的字体数据和字形索引；

建立所删除的字形对应的别名和字形索引与合并后的字形索引的对应关系，存入内嵌字体表。

优选地，对每个类别中合并后的字体数据对应的各个字形进行分别识别，获得每个字形的编码的步骤，包括：

对各个字形分别进行识别，记录下识别得到的字符编码作为该字形的标砖编码，形成字形编码对应表，加入内嵌字体表。

优选地，所述根据所述编码还原目标文档中每个文字对应的编码的步骤，包括：

对于目标文档中的各个文字，根据其对应的字体信息及内嵌字体表查找字体信息，根据所述字体信息查找标准编码，将查找到的标准编码加入文档中。

本发明提供一种字形识别装置，包括：

信息提取单元，用于获取目标文档，提取目标文档中的字体信息及其对应的内嵌字体的字体数据；