[发明专利]一种融合语言信息的低资源语种OCR方法

权利要求书

1.一种融合语言信息的低资源语种OCR方法，其特征在于，包括以下步骤：

步骤1：获取低资源语种的开源文本数据并生成图片，基于图像特性和文字特性，对低资源语种的OCR训练数据集增强，用于提升模型鲁棒性；

步骤2：基于迁移学习及语种间的相似性，从语言学角度全面分析所选高资源语种和低资源语种的相似性，选取与低资源语种相似度高的高资源语种，将高资源语种的OCR模型通过混合微调迁移策略迁移至低资源语种OCR任务；

步骤3：训练低资源语种OCR模型并构建低资源语种的词表，用于发现OCR识别结果中的错误并生成校正选项依据，具体为：以低资源语种的语言模型对OCR识别结果的打分为判断依据，判断识别结果中是否包含错误；同时，针对得分低的语句进行词表探测，定位其中识别错误的单词，并将识别错误的单词作为校正选项依据，其中，步骤3包括以下步骤：

首先，利用爬虫技术获得低资源语种的开源文本，并以此数据使用统计语言模型工具训练其语言模型LowRe_N-gram，统计所得语言模型对低资源语种文本的平均条件概率值P；同时，利用爬虫技术获取该语种的词表WordDict；

然后，利用步骤2所得低资源语种OCR模型对低资源语种OCR测试集进行识别，获得图像的对应文本；通过语言模型LowRe_N-gram对OCR模型识别所得文本的条件概率值P_OCR进行计算，如果P小于等于P_OCR，则认为该识别结果无误，如果P大于P_OCR，则认为该识别结果可能存在错误，需要校正；

之后，针对可能存在错误的文本序列进行分词，通过词表匹配的方式逐单词判断，如果词表中包含该单词则继续检查下一单词，如果词表中不包含该单词，则认为该单词为错误单词；

步骤4：针对校正选项依据即识别错误单词的类别，采用多策略融合，基于编辑距离和词表，依据OCR结果中常见错误类型，生成错误单词对应的可能校正选项，其中，步骤4包括以下步骤：

首先，判断错误单词是否可切分为词表WordDict中多个单词，若单词可切分则搜索出全部切分方案；

然后，无论单词是否可分均通过搜索与错误单词的莱文斯坦距离在阈值α内的词表中单词，生成校正方案；

步骤5：利用语言模型对OCR识别序列的每一种校正方案进行打分，依据语言模型打分结果，从步骤4中的可能校正选项中选择最优校正方案。

2.如权利要求1所述的一种融合语言信息的低资源语种OCR方法，其特征在于，步骤1是利用爬虫技术获取低资源语种的开源文本，并依据文本信息生成图片；结合基于语言学的字符级增强方式，针对低资源语种中的特有字符，通过提高出现频率的方式进行数据增强，增强时也可结合该语种的构词规则生成图片。

3.如权利要求2所述的一种融合语言信息的低资源语种OCR方法，其特征在于，步骤2包括以下步骤：

步骤2.1选择与待识别低资源语种相似度最高的高资源语种；

步骤2.2选取业界先进的OCR模型在高资源语种的OCR数据集上进行预训练，获得源模型；

步骤2.3采用混合微调迁移策略将高资源语种OCR模型迁移至低资源语种。