[发明专利]一种电子文档自动识别系统及方法

说明书

本发明涉及文字识别技术领域，具体涉及一种电子文档自动识别系统及方法，本发明对图像进行高斯模型拟合得到特征值波动范围，并采用最大最小值算法分割区域；用高斯拟合每个分割区域并估计特征参数值，让重叠点加入到相邻区域内；重新估计新区域参数并与旧区域参数作比较后做相应处理，得出图像中文本的分割区域；使用深度学习算法经过文字信息采集、信息分析和处理、信息分类和判断后得到电子文本。本发明通过Laplacian算子检测出已被二值化的图像边缘，然后去除噪声，增加了文本定位的准确性，对图像进行高斯模型拟合进一步的得到了划分的文字段，最后通深度学习算法得到了精确的文本信息，其过程更加流程，得到的文本信息更加的准确。

技术领域

本发明涉及文字识别技术领域，具体涉及一种电子文档自动识别系统及方法。

背景技术

随着智能手机、数码相机、摄像机和平板电脑的普遍应用，图像和视频数据随时都在大量产生。图像和视频相对于传统的网络媒体表现内容更加直观和多样化，也往往包含更多的信息量。互联网的飞速发展极大地促进了图像和视频的传播，因此图像和视频正逐步代替文本在互联网上占据主流地位。为了利用海量图像和视频中的信息以及便于对其存储和查找，迫切需要我们研究如何让计算机自动地读取图像和视频的内容。长久以来，图像理解始终是计算机视觉领域中研究的难点问题。由于计算机仅仅利用普通的视觉元素（如人、太阳、山和建筑等）及其相互之间的关系缺乏足够的上下文信息和约束条件，不能准确的推导出图像内容的含义。

为了解决图像中文字信息提取困难，从20世纪50年代文字识别方法就开始探讨并研制出了光学字符识别器。到60年代后期手写体文字识别技术逐渐成熟，而且在识别精度和性能上基本能够满足需求。此时关于汉字识别研究也逐渐开展起来,例如BM 公司的Casey 与Nagy于 1966年发表了关于印刷体汉字识别论文。到70年代末，我国开始重视汉字字符识别研究，随后我国字符识别技术研究逐渐开展起来。到90年代中后期，清华大学开始综合研究汉字识别技术，这使得关于汉字的印刷体识别以及联机、脱机手写识别技术等取得巨大进步。近年来图像字符识别技术开始倾向于复杂的场景文字的研究，面对oCR技术的成熟与OCR局限性，大量学者开始着手场景文字识别的理论研究。然而就目前来看，由于场景文字复杂性，场景文字识别的技术离现实产品的实现还有一段差距。

发明内容

针对现有技术的不足，本发明公开了一种电子文档自动识别系统及方法，用于解决更准确的提取图像中的文本。

本发明通过以下技术方案予以实现：

第一方面，本发明公开了一种电子文档自动识别方法，包括以下步骤：

S1获取待识别图片，对图片进行二值化处理，并利用Laplacian算子检测出已被二值化的图像边缘，然后去除噪声；

S2用笔画刷子将边缘信息连接成块，通过启发规则对图像中的文本进行定位；

S3对图像进行高斯模型拟合得到特征值波动范围，并采用最大最小值算法分割区域；

S4用高斯拟合每个分割区域并估计特征参数值，让重叠点加入到相邻区域内；

S5重新估计新区域参数并与旧区域参数作比较后做相应处理，得出图像中文本的分割区域；

S6使用深度学习算法经过文字信息采集、信息分析和处理、信息分类和判断后得到电子文本。

更进一步的，所述方法中，利用基于窗口方法遍历整幅图像，同时提取窗口中LBP直方图的特征，最后利用多项式神经网络分类器对区域进行分类，实现图像中的文本定位。

更进一步的，所述方法中，用高斯拟合每个分割区域并估计特征参数值，让重叠点加入到相邻区域内，然后重新估计新区域参数并与旧区域参数作比较，如果小于标准范围，则归并重叠点，否则归并到其它相邻区域，直到得出图像中文本的分割区域为止。

更进一步的，所述S6中基于SWT文字检测进行文字识别，包括如下步骤:

T1用SWT为图像中每个像素分配它所属位置笔画宽度的像素值；