[发明专利]柱状图中的信息提取方法及装置

权利要求书

1.一种柱状图中的信息提取方法，其特征在于，包括以下步骤：

输入待处理的柱状图；

采用基于Faster R-CNN模型的目标检测法，检测出待处理柱状图中的各个元素；

对检测出的文本元素框进行文字识别，以提取出对应的文字信息；

将检测出的所有元素和文字信息转换为结构化数据，包括：D1，对柱状按照图例进行分组；D2，进行版面分析，得到每个文本的标签；D3，对柱状进行数据映射和类别绑定，最终得到结构化的数据；

所述步骤D3中，对柱状进行类别绑定，具体为：针对于x轴或y轴对应的每一个类别文本元素框，以文本元素框的中心点作为锚点，在一个柱状周期范围内移动文本元素框，每次移动计算文本元素框与对应的每组柱状的距离，将最小的距离位置作为该文本元素框的放置位置，实现柱状类别绑定。

2.根据权利要求1所述的方法，其特征在于，所述元素包括柱状、坐标轴、文本、图例。

3.根据权利要求1所述的方法，其特征在于，所述Faster R-CNN模型通过以下方式训练得到：

步骤1，随机初始化Faster R-CNN模型中的学习参数；

步骤2，将一批训练样本输入Faster R-CNN模型中，得到当前模型参数下训练样本中第i个元素框的预测的分类概率p_i及预测的包围盒坐标向量t_i；

步骤3，采用如下公式对步骤2中的输出结果进行损失计算，并求取一批训练样本中所有元素框的平均损失式中，L({p_i},{t_i})为第i个元素框的损失，N_cls为mini-batch的值，N_reganchor位置的数量，λ为权重，为目标与非目标的对数损失，为回归损失函数；

步骤4，求解最小化并更新FasterR-CNN模型中所有的学习参数；

步骤5，循环执行步骤2～步骤4，直至设定的迭代次数。

4.根据权利要求3所述的方法，其特征在于，在步骤4中，利用BP算法来求解最小化

5.根据权利要求1所述的方法，其特征在于，采用OCR识别算法对检测出的文本元素框进行文字识别，以得到各个文本元素框对应的文字信息。

6.根据权利要求1所述的方法，其特征在于，所述步骤D1中，对柱状按照图例进行分组，具体为：

在LAB空间下，分别计算各个图例的LAB数值和各个柱状的LAB数值；

针对于每一个柱状，将该柱状的LAB数值与每个图例的LAB数值进行欧式距离计算，与该柱状距离最小的图例即为该柱状对应的图例。

7.根据权利要求1所述的方法，其特征在于，所述步骤D2中，进行版面分析，得到每个文本的标签，具体为：

将与图例距离最近的文本确定为图例文字；

将位于y轴左侧并且右对齐的文本确定为y轴文字，将位于x轴下方并且上对齐的文本确定为x轴文字；

将宽高比大于设定阈值且位于图像上部分并居中的文本确定为标题文字；

将文字中含有单位关键字的文本确定为单位文字。

8.根据权利要求1所述的方法，其特征在于，所述步骤D3中，对柱状进行数据映射，具体为：

针对于y轴或x轴对应的每一个数据文本元素框，以文本元素框的中心点作为锚点，通过锚点计算每个文本元素框在图像中的位置，并以文本元素框中的数据及文本元素框在图像中的位置进行线性拟合，得到线性关系式；

针对于每一个柱状，根据其上边缘和下边缘确定其在图像中的位置，根据柱状在图像中的位置及上述线性关系式，确定该柱状所对应的数据，实现数据映射。

9.根据权利要求1所述的方法，其特征在于，还包括一预处理步骤，用于在对待处理柱状图进行元素检测之前，对输入的待处理柱状图进行降噪处理。