论文部分内容阅读
随着人工智能科学与OCR技术的发展,文档图像分析技术也在不断进步。现在,OCR产品的大量使用已经部分代替了人工的文档录入工作,使得人能够摆脱这繁重且效率低下的工作,而将精力放在其他事情上去。将OCR技术应用在表单图像的特定数据提取上,就形成了表单图像处理系统,这类系统只提取表单图像中人们感兴趣的数据,而不是提取整个文档的内容。目前存在的表单图像处理系统一般只能处理特定的一类或者几类表单,因此不同的行业和部门都各自有自己的一套表单处理系统,开发这些系统需要耗费可观的人力物力,而这些系统又大部分大同小异,这无疑是对社会资源的一种巨大浪费。此外,对于多种表单进行综合处理的应用也越来越多,这些原因使得开发一套综合表单处理系统变得非常必要。
本文在总结并分析了当前存在的表单处理系统结构的基础上,提出了基于模板的通用表单处理系统。该系统以存放现有表单的模板的模板库以及表单图像分类器为核心,当对表单进行处理时,首先利用分类器将表单进行精确分类以找到该表单对应的模板,然后利用模板对表单中的目标数据进行提取,提取后的数据会经过修正以保证正确率。当需要处理新的表单时,只要通过图形交互界面对该类表单刻画模板并将画好的模板放入模板库中即可,模板是以XML文档形式存放的。
本文通过对大量表单图像进行实验表明,该系统的表单分类正确率和字符识别率都达到了较高的水平,这表明该方法具有可行性。