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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。