[发明专利]一种PDF表格内容识别方法、系统及存储介质

权利要求书

1.一种PDF表格内容识别方法，其特征在于，包括如下步骤：

获取包含表格内容的待识别PDF文档；

预处理所述待识别PDF文档，得到预处理文档；

通过预设的表格识别模型识别出所述预处理文档中包含所述表格内容的表格区域；

从所述预处理文档中截取出所述表格区域，并基于所述表格区域生成表格图片；

对所述表格图片进行图像识别，得到所述表格图片中的表格特征和文本属性；

在预设的可编辑文档中基于所述表格特征生成目标表格；

根据所述文本属性在所述目标表格中的各个目标单元格内填入对应的目标文字。

2.根据权利要求1所述的一种PDF表格内容识别方法，其特征在于，所述预处理所述待识别PDF文档，得到预处理文档包括如下步骤：

检测所述待识别PDF文档是否存在水印图层；

若存在所述水印图层，则删除所述水印图层，得到去水印文档；

对所述去水印文档进行去均值化处理，得到去均值化文档；

对所述去均值化文档进行归一化处理，得到预处理文档。

3.根据权利要求1所述的一种PDF表格内容识别方法，其特征在于，所述通过预设的表格识别模型识别出所述预处理文档中包含所述表格内容的表格区域包括如下步骤：

通过预设的表格识别模型识别出所述预处理文档中的所有预选表格区域；

识别所有所述预选表格区域中表头部分的表头内容；

结合预设的表头内容数据库和所述表头内容筛选所述预选表格区域；

将筛选后剩下的所有所述预选表格区域作为识别到的表格区域。

4.根据权利要求3所述的一种PDF表格内容识别方法，其特征在于，所述结合预设的表头内容数据库和所述表头内容筛选所述预选表格区域包括如下步骤：

基于预设的表头内容数据库对所述表头内容进行语义分析，得到所述表格内容的语义契合度；

判断所述语义契合度是否超出预设的契合度阈值；

若所述语义契合度超出所述契合度阈值，则保留对应的预选表格区域；

若所述语义契合度未超出所述契合度阈值，则筛除对应的预选表格区域。

5.根据权利要求1所述的一种PDF表格内容识别方法，其特征在于，所述对所述表格图片进行图像识别，得到所述表格图片中的表格特征和文本属性包括如下步骤：

通过预设的线段识别算法识别所述表格图片中的所有基础线段；

获取所有所述基础线段两端基础线段端点的端点坐标；

基于所述端点坐标标记出所述基础线段端点中的公共交点；

筛除所有所述基础线段中至少一端所述基础线段端点不为所述公共交点的孤立基础线段；

分别统计各个所述公共交点的端点重合数量；

将所述端点重合数量和所述公共交点的交点坐标值作为所述公共交点的交点属性；

结合筛除后的所有所述基础线段和所有所述交点属性生成表格特征；

结合预设的文本识别算法和所述交点属性获取所述表格图片中各个单元格的文本属性。

6.根据权利要求5所述的一种PDF表格内容识别方法，其特征在于，所述结合预设的文本识别算法和所述交点属性获取所述表格图片中各个单元格的文本属性包括如下步骤：

通过预设的文本识别算法识别所述表格图片中各个单元格内的文本内容，并根据所述文本内容生成文本内容框；

基于所述交点坐标值所在坐标系获取所述文本内容框的内容框坐标值；

结合所述交点坐标值和所述内容框坐标值选取对应文本内容框的关联公共交点；

将所述关联公共交点的关联交点属性和所述文本内容作为对应单元格的文本属性。