[发明专利]一种面向文献的表格信息抽取方法

说明书

本发明涉及一种面向文献的表格信息抽取方法，属于数据处理以及计算机视觉领域。该方法包括以下步骤：1：利用规则获取所有可能含表格的候选页面；2：将获取的页面转化为图片文件；3：采用深度学习方法，获取图片文件的特征；4：根据获取的图片文件的特征，对图片进行特征融合；获取融合后的特征；5：根据获取的特征融合后的特征，对表格的位置进行初步定位；6：针对获得的表格定位信息，根据表格元素的长宽关系，将横板表格旋转为竖版表格；7：根据获得的竖版表格，读取单元格字符流。本发明能自动对表格位置进行准确的定位，能够精确的从表格中读取表格的字符流。

技术领域

本发明涉及一种面向文献的表格信息抽取方法，属于数据处理以及计算机视觉领域。

背景技术

网络的无处不在和文献的免费访问使人类越来越容易获得越来越多的学术文献，可利用的实验数据的数量在迅速增加，几乎在所有研究领域中都在使用人工收集处理可用数据，这种方式效率低下。因此，为了使将来的研究能够充分的利用前人的数据和成果,并更进一步创新,需要一种用于自动提取和处理数据的系统。

无论科学学科如何，研究和实验的结果通常都以表格的形式报告。表是一种报告大量数据集的直观和有效的方法。然而，虽然文献中的实验结果一般使用表格的形式在呈现，但在不同学科或者期刊之间的表格结构,存在任何形式的标准化。因此，用于提取这些表格数据的软件工具需要高度适应性，以便能够从不同类型表格中正确提取数据。

目标检测技术已经应用于生活的各个方面。通过目标检测技术可以实现对不同类别的物体进行定位。“Tsung-Yi Lin,Priya Goyal,Ross B.Girshick,Kaiming He,andPiotr Dollar.一种焦点损失用于目标检测′IEEE TPAMI,42(2):318–327,2020”主要运用框回归神经网络和分类网络对位置的图片进行预测。“M.Ruffolo and E.Oro.PDF-TREX:一种从PDF提取识别表格内容的方法In Proc.Of ICDAR 2009,pages 906–910,2009.提出一种启发式的表格信息抽取方法，通过对表格元素的位置拟合，实现了面向文本的表格信息萃取。当前的表格信息萃取召回率极低，会将文本中的噪声当成表格读取。因此，需要设计基于关键词语和可扩展词性的文本挖掘方法，以实现表格数据的精准抽取。

发明内容

针对学术文献中表格边线不确定的特点，本发明提出了一种面向文献的表格信息抽取方法，适用于自动化提取表格信息，特别适用于学术文献信息抽取。

本发明为解决其技术问题采用如下技术方案：

一种面向文献的表格信息抽取方法，包括以下步骤：

步骤1：利用规则获取所有可能含表格的候选页面；

步骤2：将步骤1中获取的页面转化为图片文件；

步骤3：采用深度学习方法，获取步骤2中图片文件的特征；

步骤4：根据步骤3中获取的图片文件的特征，对图片进行特征融合；获取融合后的特征。

步骤5：根据步骤4中获取的特征融合后的特征，对表格的位置进行初步定位；

步骤6：针对步骤5获得的表格定位信息，根据表格元素的长宽关系，将横板表格旋转为竖版表格；

步骤7：根据步骤6中获得的竖版表格，读取单元格字符流。

步骤3的具体过程如下：

首先用凯明正态分布初始化神经网络中的权重，然后将图片矢量化，最终将矢量化后的图片作为输入参数传入残差神经网络，获取特征图。

步骤7的具体过程如下：

对于已经旋转为竖版表格，计算每个元素的中线和边线的坐标，如果中线和