一种字符识别的处理方法和装置制造方法及图纸

本发明专利技术实施例公开了一种字符识别的处理方法和装置，用于提高字符识别的识别效果。本发明专利技术实施例方法包括：根据字符在页面上的高度信息将所述页面上的多个字符归属到所述页面上的多个行上，得到所述页面上的每一行包括的多个字符，所述字符在页面上的高度信息包括：该字符在所述页面上的纵坐标和该字符的高度范围；按照所述页面上字符之间在高度范围上的重叠信息对所述页面上的每个行包括的多个字符进行行校正，得到所述页面上的每一行包括的行校正后的多个字符；使用语义分析模型对所述页面上的每一行包括的行校正后的多个字符进行语义校正。

Method and device for processing character recognition

The embodiment of the invention discloses a method and a device for processing character recognition, which is used to improve the recognition effect of character recognition. The embodiment of the invention comprises a plurality of methods: according to the character of the pages belonging to multiple rows of the page height information character on the page, the page of each row includes a plurality of characters, the height of the characters on the page include: vertical coordinates the characters on the page and the height range of the character; the line according to the correction between the characters on a page in a highly overlapping information on each line of the page includes a plurality of characters, get more characters each line including the line on the page after correction the use of semantic analysis; model of multiple characters each line including the line on the page after correction for semantic correction.

【技术实现步骤摘要】
一种字符识别的处理方法和装置
本专利技术涉及计算机
，尤其涉及一种字符识别的处理方法和装置。
技术介绍
字符分割和字符识别是光学字符识别(英文全称：OpticalCharacterRecognition，英文缩写：OCR)技术中最重要的两个方面，这两部分直接影响到字符识别的效果和结果，在OCR技术中需要将分割好的字符进行行方向上的排序后呈现给用户，因此字符的行方向排序技术会直接影响到呈现给用户观看的识别效果。但是当前对于OCR的分行技术主要是基于分割后字符间距来对字符进行简单的分行。现有技术中依据分割后的字符间距来进行字符的合并和拆分，当不同格式的字符进行排版后，拍摄到的每行字符在页面中有很大倾斜等情况发生时，对页面上中的字符识别存在较大的误差，并且在后续利用识别结果进行语义分析时也很难达到很高的准确性。另外，现有技术中对字符分行是根据字符间距实现的，但随着环境变化在把字符块组合成行时有很大可能会被其它字符所影响，从而会影响最终所给出的识别效果。
技术实现思路
本专利技术实施例提供了一种字符识别的处理方法和装置，用于提高字符识别的识别效果。为解决上述技术问题，本专利技术实施例提供以下技术方案：第一方面，本专利技术实施例提供一种字符识别的处理方法，包括：根据字符在页面上的高度信息将所述页面上的多个字符归属到所述页面上的多个行上，得到所述页面上的每一行包括的多个字符，所述字符在页面上的高度信息包括：该字符在所述页面上的纵坐标和该字符的高度范围；按照所述页面上字符之间在高度范围上的重叠信息对所述页面上的每个行包括的多个字符进行行校正，得到所述页面上的每一行包括的行校正后的多个字符；使用语义分析模型对所述页面上的每一行包括的行校正后的多个字符进行语义校正。第二方面，本专利技术实施例还提供一种字符识别的处理装置，包括：行拆分模块，用于根据字符在页面上的高度信息将所述页面上的多个字符归属到所述页面上的多个行上，得到所述页面上的每一行包括的多个字符，所述字符在页面上的高度信息包括：该字符在所述页面上的纵坐标和该字符的高度范围；行校正模块，用于按照所述页面上字符之间在高度范围上的重叠信息对所述页面上的每个行包括的多个字符进行行校正，得到所述页面上的每一行包括的行校正后的多个字符；语义校正模块，用于使用语义分析模型对所述页面上的每一行包括的行校正后的多个字符进行语义校正。从以上技术方案可以看出，本专利技术实施例具有以下优点：在本专利技术实施例中，首先根据字符在页面上的高度信息将页面上的多个字符归属到页面上的多个行上，得到页面上的每一行包括的多个字符，字符在页面上的高度信息包括：该字符在页面上的纵坐标和该字符的高度范围，接下来按照页面上字符之间在高度范围上的重叠信息对页面上的每个行包括的多个字符进行行校正，得到页面上的每一行包括的行校正后的多个字符，最后使用语义分析模型对页面上的每一行包括的行校正后的多个字符进行语义校正。本专利技术中采用字符在页面上的高度信息将页面上的所有字符归属到多个行，由于同一行的字符在页面上的纵坐标以及字符的高度范围都相对固定，因此按照字符的高度信息对页面上的所有字符进行分行到的分行结果是准确的，并且本专利技术中还可以按照页面上字符之间在高度范围上的重叠信息对每个行包括的多个字符进行行校正，因此可以通过重叠信息检测到对不同格式的字符排版中字符应该归属的行，通过重叠信息也可以检测到拍摄的原始页面中可能存在倾斜的字符，另外本专利技术中还可以利用语义分析模型对字符进行语义校正，因此对字符进行行校正和语义校正可以改变因字符排版的格式不同以及拍摄原始页面中存在倾斜的字符导致的识别错误，提高字符识别的识别效果。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的技术人员来讲，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种字符识别的处理方法的流程方框示意图；图2-a为本专利技术实施例提供的一种对字符识别的处理方法的实现场景示意图；图2-b为本专利技术实施例提供的校正字符的行属性的一种实现方式示意图；图2-c为本专利技术实施例提供的采用语义分析模型进行语义校正之前的一种页面内容示意图；图2-d为本专利技术实施例提供的采用语义分析模型进行语义校正之后的一种页面内容示意图；图3-a为本专利技术实施例提供的一种字符识别的处理装置的组成结构示意图；图3-b为本专利技术实施例提供的一种行拆分模块的组成结构示意图；图3-c为本专利技术实施例提供的一种行校正模块的组成结构示意图；图3-d为本专利技术实施例提供的另一种字符识别的处理装置的组成结构示意图；图3-e为本专利技术实施例提供的另一种字符识别的处理装置的组成结构示意图；图4为本专利技术实施例提供的字符识别的处理方法应用于服务器的组成结构示意图。具体实施方式本专利技术实施例提供了一种字符识别的处理方法和装置，用于提高字符识别的识别效果。为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本专利技术一部分实施例，而非全部实施例。基于本专利技术中的实施例，本领域的技术人员所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。以下分别进行详细说明。本专利技术字符识别的处理方法的一个实施例，具体可以应用于COR技术中，请参阅图1所示，本专利技术一个实施例提供的字符识别的处理方法，可以包括如下步骤：101、根据字符在页面上的高度信息将页面上的多个字符归属到页面上的多个行上，得到页面上的每一行包括的多个字符。其中，字符在页面上的高度信息包括：该字符在页面上的纵坐标和该字符的高度范围。在本专利技术实施例中，页面上的字符可以是通过OCR技术从页面上分割出单个字符以及识别出各个字符之后得到的字符，首先获取到页面上每个字符的高度信息，其中，字符的高度信息是指：该字符在页面上的纵坐标和该字符的高度范围，通过字符在页面上的高度信息可以准确的确定出字符在页面上纵坐标方向上的固定坐标，以及字符在纵坐标方向上的最低点坐标和最高点坐标，其中，纵坐标方向上的最高点坐标和最低点坐标之间的差值即为字符的高度范围。举例说明，可以以当前页面的左上角顶点作为坐标原点，以左上角顶点作为参考点，测量出在纵坐标方向上字符的左上角顶点到该坐标原点的距离作为字符的纵坐标，另外字符的左上角顶点为字符在纵坐标方向上的最高点坐标，字符的左下角顶点为字符在纵坐标方向上的最低点坐标，通过最高点坐标和最低点坐标之间的差值计算出字符的高度范围，也可以称之为高度大小。本专利技术实施例中，计算出页面上的所有字符的高度信息，然后根据页面上字符的高度信息对页面上的多个字符进行行归属的拆分，即根据字符的高度信息将页面上的多个字符归属到页面上的多个行上，与现有技术使用字符的间距进行行划分不同，本专利技术实施例中对字符的行归属确定方法使用的是字符所本文档来自技高网...

【技术保护点】
一种字符识别的处理方法，其特征在于，包括：根据字符在页面上的高度信息将所述页面上的多个字符归属到所述页面上的多个行上，得到所述页面上的每一行包括的多个字符，所述字符在页面上的高度信息包括：该字符在所述页面上的纵坐标和该字符的高度范围；按照所述页面上字符之间在高度范围上的重叠信息对所述页面上的每个行包括的多个字符进行行校正，得到所述页面上的每一行包括的行校正后的多个字符；使用语义分析模型对所述页面上的每一行包括的行校正后的多个字符进行语义校正。

【技术特征摘要】
1.一种字符识别的处理方法，其特征在于，包括：根据字符在页面上的高度信息将所述页面上的多个字符归属到所述页面上的多个行上，得到所述页面上的每一行包括的多个字符，所述字符在页面上的高度信息包括：该字符在所述页面上的纵坐标和该字符的高度范围；按照所述页面上字符之间在高度范围上的重叠信息对所述页面上的每个行包括的多个字符进行行校正，得到所述页面上的每一行包括的行校正后的多个字符；使用语义分析模型对所述页面上的每一行包括的行校正后的多个字符进行语义校正。2.根据权利要求1所述的方法，其特征在于，所述根据字符在页面上的高度信息将所述页面上的多个字符归属到所述页面上的多个行上，得到所述页面上的每一行包括的多个字符，包括：从所述页面上的多个字符中任意选择一个字符作为当前字符，根据所述当前字符在页面上的高度信息计算所述当前字符的中心点在所述页面上的纵坐标；判断所述当前字符的中心点是否在所述当前字符的前一个字符的高度范围内，若当前字符的中心点在所述当前字符的前一个字符的高度范围内，则所述当前字符和所述前一个字符属于同一个行，若当前字符的中心点不在所述当前字符的前一个字符的高度范围内，则所述当前字符和所述前一个字符分别属于两个不同的行。3.根据权利要求1所述的方法，其特征在于，所述按照所述页面上字符之间在高度范围上的重叠信息对所述页面上的每个行包括的多个字符进行行校正，包括：从所述页面上的多个字符中任意选择一个字符作为当前字符，获取高度范围与所述当前字符的高度范围有重叠的多个字符；若获取到的高度范围与所述当前字符的高度范围有重叠的多个字符都属于同一个行，则保持所述当前字符所在的行不变；若获取到的高度范围与所述当前字符的高度范围有重叠的多个字符分别属于两个行，分别计算出两个行中高度范围与所述当前字符的高度范围有重叠的字符的个数，将所述当前字符所在的行确定为高度范围与所述当前字符的高度范围有重叠的字符的个数最多的行。4.根据权利要求1所述的方法，其特征在于，所述根据字符在页面上的高度信息将所述页面上的多个字符归属到所述页面上的多个行上之前，所述方法还包括：根据从所述页面上分割出的多个符号块识别出所述页面上的多个原始字符；根据所述页面上每个原始字符的高度范围和宽度范围从所述页面上的所有原始字符中剔除掉过大字符或者过小字符，得到所述页面上的多个字符。5.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据字符在页面上的高度信息将所述页面上的多个字符归属到所述页面上的多个行上，得到所述页面上的每一行包括的多个字符之后，所述方法还包括：根据所述页面上的每一行中相邻两个字符之间的字符间距计算所述页面上的每一行的字符段分割距离；根据所述字符段分割距离对所述页面上的每一行包括的多个字符进行分段，得到所述页面上的每一行包括的多个字符段。6.根据权利要求5所述的方法，其特征在于，所述多个字符段中每个字符段包括：行校正后的多个字符；所述使用语义分析模型对所述页面上的每一行包括的行校正后的多个字符进行语义校正，包括：使用语义分析模型对所述页面上的每一行中字符段内信息和字符段间信息分别进行语义校正...

【专利技术属性】
技术研发人员：周龙沙，王红法，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44