[发明专利]一种证照信息提取的方法、装置及存储介质

说明书

本公开涉及文本结构化技术领域，公开了一种证照信息提取的方法、装置及存储介质，该方法应用于智能终端，包括：对证照的图像进行文本检测，得到至少一个文本框，并对文本框进行OCR识别，得到至少一个文字段，将每一个文字段转换成特征向量，对特征向量进行分类，确定文字段对应的类别标签，从而量化了文字段的分类，以及，基于预设的文本书写顺序，将属于同一个类别标签的各个文字段进行合并，得到类别内容，这样得到的类别内容更全面，基于预设的类别标签与类别内容之间的映射关系，分别将各个类别标签和各个类别内容进行匹配，得到与每一个类别标签对应的类别内容，通过上述分类和内容提取，提升了证照图像上的文本信息结构化的准确性。

技术领域

本公开涉及文本结构化技术领域，提供了一种证照信息提取的方法、装置及存储介质。

背景技术

文本分类是指将包括有限个字符的文本段归类为n个类别中的一个或多个，常见的分类方法有传统机器学习方法(例如，贝叶斯模型、支持向量机(Support VectorMachine,SVM)等)和深度学习方法(例如，fastText模型、TextCNN模型等)。

证照是一种常见的包括有限个字符的图像，证照信息提取是指对证照上所有文本信息进行逻辑关系分析，并以类似于“文本含义—文本内容”的结构方式输出。

现有的结构化处理过程通常为，输入证照图像，通过文本检测算法和光学字符识别(Optical Character Recognition，OCR)文字识别算法得到图像上的每一段文字信息，再对上述每一段文字段信息进行结构化输出，具体的结构化处理通常都是基于关键字匹配，或者基于文本位置信息进行文本结构化，但这些文本结构化的方法存在以下问题：

1、当输入的证照图像因拍摄角度的随意性以及证照本身格式不统一等因素影响，导致图像上的文本位置往往是不固定的，在这种情况下，依赖文本位置信息进行文本结构化，准确率将大打折扣；

2、当证照图像因对焦或者光照问题等影响，会导致图像中的文字模糊，在这种情况下，OCR文字识别会有一定的错误率，如果依赖关键字匹配进行文本结构化，可能因找不到关键字而结构化失败；

3、当证照中某些文本项本身没有固定的关键字，如果依赖关键字匹配进行文本结构化，同样会因找不到关键字而结构化失败。

综上，目前尚无有效的解决办法来保障证照图像上的文本信息结构化的准确性。

发明内容

本公开实施例提供一种证照信息提取的方法、装置及存储介质，用以提升证照图像上的文本信息结构化的准确性。

本公开提供的具体技术方案如下：

第一方面，本公开实施例提供了一种证照信息提取的方法，方法应用于智能终端，包括：

对证照的图像进行文本检测，得到至少一个文本框，并对文本框进行光学字符识别OCR识别，得到至少一个文字段；

针对每一个文字段，将文字段转换成特征向量，对特征向量进行分类，确定文字段对应的类别标签；

基于预设的文本书写顺序，将属于同一个类别标签的各个文字段进行合并，得到类别内容；

基于预设的类别标签与类别内容之间的映射关系，分别将各个类别标签和各个类别内容进行匹配，得到与每一个类别标签对应的类别内容。

可选地，对特征向量进行分类，确定文字段对应的类别标签，包括：

基于特征向量的向量长度和分类器的输入维度，确定目标特征向量；

将目标特征向量输入到分类器中，以对目标特征向量对应的文字段进行分类，其中，分类器的分类标准是预先设置的；

基于分类的结果，确定文字段对应的类别标签。