[发明专利]一种基于OCR的文档版本管理方法和系统

说明书

本发明提供一种基于OCR的文档版本管理方法和系统，涉及光学文本识别与自然语言处理领域，所述方法包括步骤1：对图片类文档进行OCR文字识别后得到纯文本文档；步骤2：对纯文本文档进行文本结构还原；步骤3：对文本结构还原后的纯文本文档进行对比，得到文档对比结果；步骤4：对文档对比结果进行结果后处理，并进行文档对比结果展示。本发明解决了现有文档版本管理系统只能基于纯文本文档进行对比，无法对比图片类文档问题；并且解决了现有的文档版本管理系统在复杂结构文本文档进行对比时，统一视为纯文本文档进行对比，在一定程度上导致文本对比精度下降，并且存在展示困难的问题。

技术领域

本发明涉及光学文本识别与自然语言处理领域，尤其涉及一种基于OCR的文档版本管理方法和系统。

背景技术

文档版本管理是基于计算机视觉(简称CV：Computer Vision)在光学识别(简称OCR：Optical Character Recognition)与自然语言处理(简称NLP：Natural LanguageProcessing)中的应用，主要的应用场景包括合同管理、计算机程序代码管理、工程计划或项目需求的变更等。

文档版本管理的核心功能是对不同版本的文档内容进行对比，根据不同的应用场景，文档的对比过程也有所不同。根据文档对比颗粒度区分：基于字符、词语、行，三个级别在文档对比上有着不同的应用及其实现。对于计算机程序代码管理的应用中，只需要逐行对计算机代码的内容进行对比；对于合同管理的应用中，只需逐个词语对合同的内容进行对比；对于包含表格等带有自身结构的文档则需要在结构化的文档基础上进行对比。根据文档的载体可以将文档分为word和txt等纯文本文档、PDF扫描件和照片等图片类文档；其中，对于图片类文档，则需要经过OCR进行文字识别并还原文档结构后才能进行文本对比。

但是现有的文档版本管理系统存在以下缺陷：

(1)现有的文档版本管理系统是基于纯文本的(可编辑)文档进行对比的，无法处理图片类文档。

(2)现有的文档版本管理系统对于复杂结构文本文档(例如表格、图示等拥有自身结构的文档)，处理方法是无视文档自身结构，统一视为纯文本文档进行对比处理，在一定程度上导致了结构文本文档对比精度下降，并且存在展示困难等缺陷。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于OCR的文档版本管理方法和系统，解决现有文档版本管理系统只能基于纯文本文档进行对比，无法对比图片类文档问题；并且解决了现有的文档版本管理系统在复杂结构文本文档进行对比时，统一视为纯文本文档进行对比，在一定程度上导致文档对比精度下降，并且存在展示困难的问题。

本发明提供一种基于OCR的文档版本管理方法，所述方法包括以下步骤：

步骤1：对图片类文档进行OCR文字识别后得到纯文本文档；

步骤2：对纯文本文档进行文本结构还原；

步骤3：对文本结构还原后的纯文本文档进行对比，得到文档对比结果；

步骤4：对文档对比结果进行结果后处理，并进行文档对比结果展示。

进一步的，OCR文字识别的步骤为：

步骤1.1：对图片类文档进行图像角度校正和图像降噪处理，并将图片类文档调整为单通道的图像数据；

步骤1.2：加载OCR文字识别模型，并将单通道的图像数据输入OCR文字识别模型进行目标检测，获取表格坐标后按照表格坐标将图片类文档分割为多个小图片；

步骤1.3：加载OCR文字识别模型，并将小图片输入OCR文字识别模型进行文字识别，得到文字识别数据；

步骤1.4：对文字识别数据进行过滤、排序以及合并处理后得到纯文本文档。