[发明专利]基于三源OCR结果的印刷文本可信度融合方法及装置

说明书

本发明涉及一种基于三源OCR结果的印刷文本可信度融合方法，包括获取不同OCR引擎的识别结果，将不同的识别结果转换为相同格式的数据；将相同格式的数据进行融合；数据融合包括以行为单位对数据进行行匹配；遍历S21中获得的相同行的数据，对相同行的数据进行字匹配；基于字匹配的结果，利用OCR的识别结果进行字符匹配标记，得到字符的可信度，根据字符的可信度计算字符的融合可信度，按照融合可信度的高低进行排序，并根据排序结果进行数据组装。本发明显著提高了校对结果的准确率和可信度，从而能够满足对准确率要求极高的场合。

技术领域

本发明涉及文档信息处理技术领域，尤其是指一种基于三源OCR结果的印刷文本可信度融合方法及装置。

背景技术

OCR(Optical Character Recognition，光学字符识别)技术目前日趋成熟，但是不同的实现方法依旧存在一定的性能差异，这种差异主要指文字识别的准确性。在普通应用场景下，这种差异能够被接受。但是在准确率要求极高的场合下，这种差异不能够被接受。从OCR目前的实现程度上，暂时无法满足这种特定场合的需求。因此为了满足特定场合的需求，需要对OCR识别的结果进行进一步校对，尽可能提高文字的准确率，使得结果达到可用的标准。校对的方式可以通过人工，也可以通过计算机程序。校对内容包括以下几方面：1)判断OCR识别的字符是否是正确的字符；2)判断识别结果中是否存在漏字或者多识别字；3)尽可能将可能存在问题的字符进行标注或修正。

上述校对过程具有一定前提，需要有标注数据或原始数据进行校对，例如人工校对是通过人工识别原始图片中的文字，然后与OCR识别的字符一一校对。但是OCR识别的应用场景大部分在缺少标注数据或原始数据的情况下进行，如果仅依靠单个OCR识别根本无法实现校对。所以目前仅能通过人工校对，才能实现高精度的校对，但是人工校对存在效率低的问题。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术存在的问题，提出一种基于三源OCR结果的印刷文本可信度融合方法及装置，其基于非标注的数据但接近于标注数据性能的数据用于校对，对校对的结果进行标记，计算出识别字符的可信度，并基于可信度对校对后的数据进行融合组装，显著提高了校对结果的准确率和可信度，从而能够满足对准确率要求极高的场合。

为解决上述技术问题，本发明提供一种基于三源OCR结果的印刷文本可信度融合方法，包括以下步骤：

S10：获取不同OCR引擎的识别结果，将不同的识别结果转换为相同格式的数据；

S20：将相同格式的数据进行融合；

其中，所述数据融合包括：

S21：以行为单位对数据进行行匹配；

S22：遍历S21中获得的相同行的数据，对相同行的所述数据进行字匹配；

S23：基于所述字匹配的结果，利用OCR的识别结果进行字符匹配标记，得到字符的可信度，根据所述字符的可信度计算字符的融合可信度，按照所述融合可信度的高低进行排序，并根据排序结果进行数据组装。

在本发明的一个实施例中，在S10中，将不同的识别结果转换为相同格式的数据，包括：

S11：按照OCR协议规范，向OCR服务器发送待识别的图片，并获取OCR服务器返回的识别结果；

S12：对返回结果进行解析并分离出与OCR识别有关的有效数据；

S13：根据OCR识别结果遍历有效的行坐标信息，获取行结构；

S14：在行结构内遍历有效的字信息；

S15：针对遍历获取的所有行坐标信息和字信息统一为格式相同的数据。

在本发明的一个实施例中，在S21中，以行为单位对数据进行行匹配包括：