[发明专利]一种藏文古籍文档图像版面分割、识别方法及系统

权利要求书

1.一种藏文古籍文档图像版面分割、识别方法，其特征在于，所述方法包括：

构建藏文古籍文档图像版面分割数据集；

基于所述藏文古籍文档图像版面分割数据集对深度卷积神经网络进行训练；

基于训练好的深度卷积神经网络对藏文古籍图像版面进行分割；

对分割后的藏文古籍图像版面中的文本进行识别。

2.根据权利要求1所述的藏文古籍文档图像版面分割、识别方法，其特征在于，所述构建藏文古籍文档图像版面分割数据集具体包括：

获取藏文古籍图像；

随所述藏文古籍图像进行预处理；

对预处理后的藏文古籍图像进行数据标记，得到版面元素类型；所述版面元素类型包括：背景、文本、左标题、右标题以及图；

将所述版面元素类型进行扩充并生成标签，得到藏文古籍文档图像版面分割数据集。

3.根据权利要求1所述的藏文古籍文档图像版面分割、识别方法，其特征在于，所述基于训练好的深度卷积神经网络对藏文古籍图像版面进行分割具体包括：

对待分割的藏文古籍文档图像进行光照不均处理；

对光照不均处理后的藏文古籍文档图像进行图像尺寸归一化处理；

对尺寸归一化后的藏文古籍文档图像进行图像切片；

对图像切片后的藏文古籍文档图像分别输入至所述训练好的深度卷积神经网络，得到多个预测结果；

将所述多个预测结果进行合并，得到整张藏文古籍图像的分割结果；

将所述分割结果恢复为原尺寸。

4.根据权利要求1所述的藏文古籍文档图像版面分割、识别方法，其特征在于，所述对分割后的藏文古籍图像版面中的文本进行识别具体包括：

对分割后的藏文古籍图像版面中文本的左标题、正文以及右标题进行识别。

5.根据权利要求4所述的藏文古籍文档图像版面分割、识别方法，其特征在于，所述对分割后的藏文古籍图像版面中文本的左标题、正文以及右标题进行识别集体包括：

构建藏文古籍文本行数据集；所述藏文古籍文本行数据集包括：藏文古籍文本行合成数据集和藏文古籍文本行真实数据集；

基于所述藏文古籍文本行数据集对CRNN神经网络进行训练；

基于训练好的CRNN神经网络对藏文古籍图像中的左标题和正文进行识别；

采用汉文OCR接口对藏文古籍图像中的右标题进行识别。

6.根据权利要求5所述的藏文古籍文档图像版面分割、识别方法，其特征在于，所述构建藏文古籍文本行数据集具体包括：

构建藏文古籍文本行合成数据集；

构建藏文古籍文本行真实数据集。

7.根据权利要求6所述的藏文古籍文档图像版面分割、识别方法，其特征在于，构建藏文古籍文本行合成数据集具体包括：

获取语料；

对所述语料进行过滤；

基于过滤后的语料合成文本行；

基于所述文本行生成标签和字典，得到藏文古籍文本行合成数据集。

8.根据权利要求6所述的藏文古籍文档图像版面分割、识别方法，其特征在于，构建藏文古籍文本行真实数据集具体包括：

获取并标记完整文本行；

对所述完整文本行进行粗切分，得到较短的文本图像段；

对所述文本图像段进行标记；

基于标记后的文本图像段生成标签和字典，得到藏文古籍文本行真实数据集。