[发明专利]一种基于OCR的文字图像识别方法及装置

权利要求书

1.一种基于OCR的文字图像识别方法，其特征在于，包括：

对待识别文字图像执行光学字符识别OCR和预设分词处理，得到待纠错文本；其中，所述待纠错文本包括至少一个散串字符，所述散串字符为不满足所述分词处理的分词条件的单个字符；

将所述待纠错文本中满足预设合并条件的相邻散串字符拼接为合并字符；

根据所述合并字符，以及与不满足所述合并条件的散串字符对应的预先获取的混淆集，得到所述待识别文字图像对应的候选语句列表；其中，所述混淆集包括至少一个对应散串字符的替换字符；

根据预设的自然语言概率统计模型，从所述候选语句列表中选取概率最大的候选语句作为所述待识别文字图像的纠错结果文本。

2.根据权利要求1所述的基于OCR的文字图像识别方法，其特征在于，所述将所述待纠错文本中满足预设合并条件的相邻散串字符拼接为合并字符，具体包括：

对相邻散串字符执行预设的拼接操作，拼接为一个新的字符；其中，所述新的字符存在于预设的常用中文字库；

若判定所述新的字符能与相邻字符组成分词，则判定所述相邻散串字符满足预设合并条件，且所述新的字符为所述相邻散串字符拼接的合并字符；

若判定所述新的字符不能与相邻字符组成分词，则将所述新的字符拆分为对应的相邻散串字符，再依次对其它相邻散串字符执行所述预设的拼接操作。

3.根据权利要求2所述的基于OCR的文字图像识别方法，其特征在于，在得到所述待纠错文本后，所述基于OCR的文字图像识别方法，还包括：

若所述待纠错文本中仅包含散串字符，则判定所述待纠错文本存在无法纠错的噪声错误，并将所待纠错文本剔除。

4.根据权利要求1-3任一所述的基于OCR的文字图像识别方法，其特征在于，所述对待识别文字图像执行光学字符识别OCR和预设分词处理，得到待纠错文本，具体包括：

对所述待识别文字图像执行所述光学字符识别OCR，得到识别文本和所述识别文本中各字符对应的混淆集；

对所述识别文本执行所述预设分词处理，得到所述待纠错文本。

5.一种基于OCR的文字图像识别装置，其特征在于，包括：

识别分词模块，用于对待识别文字图像执行光学字符识别OCR和预设分词处理，得到待纠错文本；其中，所述待纠错文本包括至少一个散串字符，所述散串字符为不满足所述分词处理的分词条件的单个字符；

字符合并模块，用于将所述待纠错文本中满足预设合并条件的相邻散串字符拼接为合并字符；

语句候选模块，用于根据所述合并字符，以及与不满足所述合并条件的散串字符对应的预先获取的混淆集，得到所述待识别文字图像对应的候选语句列表；其中，所述混淆集包括至少一个对应散串字符的替换字符；

纠错结果模块，用于根据预设的自然语言概率统计模型，从所述候选语句列表中选取概率最大的候选语句作为所述待识别文字图像的纠错结果文本。

6.根据权利要求5所述的基于OCR的文字图像识别装置，其特征在于，所述字符合并模块具体用于：

拼接模块，用于对相邻散串字符执行预设的拼接操作，拼接为一个新的字符；其中，所述新的字符存在于预设的常用中文字库；

分词判断模块，用于若判定所述新的字符能与相邻字符组成分词，则判定所述相邻散串字符满足预设合并条件，且所述新的字符为所述相邻散串字符拼接的合并字符；

所述分词判断模块，还用于若判定所述新的字符不能与相邻字符组成分词，则将所述新的字符拆分为对应的相邻散串字符，再依次对其它相邻散串字符执行所述预设的拼接操作。

7.根据权利要求6所述的基于OCR的文字图像识别装置，其特征在于，所述识别分词模块还用于：

若所述待纠错文本中仅包含散串字符，则判定所述待纠错文本存在无法纠错的噪声错误，并将所待纠错文本剔除。