[发明专利]一种基于OCR的文字图像识别方法及装置

说明书

本发明实施例提供一种基于OCR的文字图像识别方法及装置。所述方法包括对待识别文字图像执行OCR和分词处理，得到待纠错文本；将待纠错文本中的相邻散串字符拼接为合并字符；根据所述合并字符，以及与散串字符对应的混淆集得到候选语句列表；根据自然语言概率统计模型选取概率最大的候选语句作为纠错结果文本，本发明实施例通过对待识别文字图像执行OCR识别和分词处理得到包含散串字符的待纠错文本，再将连续散串字符拼接为合并字符，或者用散串字符对应的混淆集的替换文字进行替换，得到候选语句列表，最后根据自然语言概率统计模型确定纠错结果文本，从而能够更加简单、准确得对文字图像进行识别。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种基于OCR的文字图像识别方法及装置。

背景技术

OCR识别技术已经成为将纸质文档转换为电子文档的主要手段，该技术能大大便利人们的信息录入工作，但由于技术层面上的原因，识别结果存在错误是不可避免的，因此针对识别结果的纠错工作变得必不可少。

现有的纠错方法主要是采用预先获取的词典，对可能存在的错误识别结果用词典中查找出可能正确字或词去替换。可见，现有的方法过于依赖词典的纠错能力，要求对词典前期的进行大量得训练，费时费力且无法确保精确度。

发明内容

由于现有方法存在上述问题，本发明实施例提供一种基于OCR的文字图像识别方法及装置。

第一方面，本发明实施例提供了一种基于OCR的文字图像识别方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

第二方面，本发明实施例提供了一种基于OCR的文字图像识别装置，包括：