[发明专利]一种智能解析PDF图文的方法

说明书

本发明公开了一种智能解析PDF图文的方法，对输入文档进行数据处理，得到待处理图像；采用分类器提取待处理图像中的目标图像；采用角点对目标图像进行检测，判断箭头方向；采用OCR技术与步骤3所得出的箭头方向判断目标图像的多重竖直情况，获得解析后的股权关系。本发明一种智能解析PDF图文的方法，解决了现有技术中存在的对PDF文档的图像识别、文本解析、提取重要关系图比较欠缺的问题。

技术领域

本发明属于人工智能技术领域，具体涉及一种智能解析PDF图文的方法。

背景技术

图像识别技术是人工智能的一个重要应用，它是立体视觉、运动分析、数据融合等实用技术的基础，在导航、地图与地形配准、自然资源分析、天气预报、环境监测、生理病变研究等许多领域有重要的应用价值。目前对文本的识别研究是建立在已有的文本上，主要涉及词义转换、词频统计等方面，仅仅是对PDF文本关键信息切分、文本段落信息抽取、表格信息处理等纯文字或者高度统一的弱图像分析，然而关于PDF文档的图像识别、文本解析等比较欠缺，对PDF中的重要关系图的提取解析少之又少。

发明内容

本发明的目的是提供一种智能解析PDF图文的方法，解决了现有技术中存在的对PDF文档的图像识别、文本解析、提取重要关系图比较欠缺的问题。

本发明所采用的技术方案是一种智能解析PDF图文的方法，具体按照以下步骤实施：

步骤1，对输入文档进行数据处理，得到待处理图像；

步骤2，采用分类器提取待处理图像中的目标图像；

步骤3，采用角点对目标图像进行检测，判断箭头方向；

步骤4，采用OCR技术与步骤3所得出的箭头方向判断目标图像的多重竖直情况，获得解析后的股权关系。

本发明的特点还在于：

步骤1具体为：

在客户端网页输入系统文档A，经过筛选条件函数T(x)将其转化为B＝T(A)，再经过图片转换函数F(x)转化为C＝F(B)；具体表达式如下：

式(1)中，B为筛选后文件，C为图片集合。

步骤2具体为：

在C的基础上采用分类器寻找所需的图像，记为通过对D_p图形定位出所需目标，记为目标图像具体为：

式(2)、(3)中，D_p为股权关系流程图，n1为所有含流程图图像的PDF文档集合，n2为单页PDF文档中所含流程图的总数，Arq为每张流程图中箭头数量，i为变量。

分类器的表达式为：

式(4)中，m为分类器的种类，k为同种分类器所训练模型的个数，S为分类器。

分类器包括支持向量机、线性判断分析、朴素贝叶斯、Logit模型-最大似然估计、感知元或决策树。

步骤3具体为：

采用角点检测目标图像所具有的角点，记为其中，P_i为目标图像所具角点个数，并返回P_i相应的坐标E_i，在规定误差δ(x)范围内通过判断E_i的X与Y坐标位置来确定方框的从属关系；

具体表述如下：