一种方形姓名印章文字提取、检测识别方法及系统技术方案

本发明专利技术公开了一种一种方形姓名印章文字提取、检测识别方法，该方法包括如下步骤：面向复杂环境的方形姓名印章提取；获取含有方形姓名印章的图片或文档扫描件；对处理后的图片或文档扫描件进行神经网络分类；从神经网络返回结果确定待识别目标的几何特征；获得只含有方形姓名印章的图片文件；将初步转正图片，和旋转了90度的初步转正图片分别进行OCR检测；比较S21中OCR检测后的两者图片的返回值；将S22获得的返回值较好图片，和旋转了180度的返回值较好图片分别进行OCR检测。本发明专利技术解决了方形姓名章难以识别的问题；对OCR系统的宽容度很高，无需额外训练或调整，节省了人力物力，大大提高了工作效率。大提高了工作效率。大提高了工作效率。

【技术实现步骤摘要】
一种方形姓名印章文字提取、检测识别方法及系统


[0001]本专利技术涉及印章文字识别方法领域，尤其涉及一种基于含有姓名印章的文档扫描图片的OCR文字识别方法及对应系统。

技术介绍

[0002]随着社会的发展，印章使用越来越频繁，各级国家机关、社会团体、高校以及企事业单位用都会用到印章，如何识别印章上的文字也变得越来越重要。
[0003]当今社会，还没有针对印章文字检测的成熟的、通用的算法。现有解决方案多是基于一个给定情境，对特定图章进行检定与文字识别，对文字识别系统有较高的需求，一般需要对文字识别系统进行额外的训练；且多数针对的是圆形公章，没有针对方形姓名章、法人章的成型方法。
[0004]另外，目前并不存在能对印章进行直接识别的OCR以及NLP软件或算法，导致当前对印章的处理强烈依赖于人工识别，增加了人力物力，且无法实现自动化流程。又因为印章出现的多是单个无意义文字，而且印章的旋转角度不定，加之印章的面积有限，导致即使是人工识别也不能达到较高的效率与准确度。当有大量业务出现时，现有的处理方法无法有效的进行应对。

技术实现思路

[0005]本申请提供了一种方形姓名印章文字提取、检测识别方法及系统，是一种面向复杂环境的方形姓名印章文字检测识别方法、装置、电子设备及计算机可读存储介质，在存在背景文本或杂色的干扰下，对印章中的文字与数字进行识别。
[0006]本专利技术是通过以下技术方案实现的：
[0007]本专利技术的第一个目的，是提供一种方形姓名印章文字提取、检测识别方法，该方法包括如下步骤：
[0008]S1.面向复杂环境的方形姓名印章提取；
[0009]S11.获取含有方形姓名印章的图片或文档扫描件，对图片进行色彩提取与二值化处理，得到二值图像；
[0010]S12.对处理后的图片或文档扫描件进行神经网络分类，判断所含印章是否为本方法所适用的，对于分类结果适用本方法的图片或扫描件，进行后续处理；
[0011]S13.从神经网络返回结果确定待识别目标的几何特征，利用方形姓名印章的几何特征与色彩特征确定最小外接矩形；
[0012]S14.根据外接最小矩形进行方形姓名印章的旋转与切割，通过投影变换将最小外接矩形内的像素重新映射到新的正方形画布，获得只含有方形姓名印章的图片文件；
[0013]S2.基于OCR返回值的方形姓名印章文字检测识别；
[0014]S21.将初步转正图片，和旋转了90度的初步转正图片分别进行OCR检测，两图片分别称为图片A与图片B；
[0015]S22.比较S21中OCR检测后的图片A与图片B的返回值，包括文本内容、文本角度、置信度，选取返值中文本内容较长、置信度较高, 或其他可以认为返回值较好的图片作为下一步处理的依据，称此图片为图片C；
[0016]S23.保留S22中获得的图片C及其识别结果，将图片C进行180 度旋转，称为图片D，旋转过后的图片D再次进行OCR检测；
[0017]S24.比较S22与S23中OCR检测后的图片C与图片D的返回值，与S22类似的选取返回值较好的图片作为转正图片，称为图片S，由图片S的识别结果得到方形姓名印章的数字内容；
[0018]S25.对S24中得到的转正图片S进行固定模式的切割，得到切割图片；
[0019]S26.对S25中的切割图片分别进行OCR识别，得到返回值；
[0020]S27.对所得所有OCR返回值text字段(即识别到的文本内容) 中的数字与中文字符依照与S25相对应的规则进行合并，得到方形姓名印章的文字识别结果。
[0021]作为优选实施例，所述S12之前增加步骤：对所述S11中的二值图像进行开操作、闭操作，去除小的噪点，保留最大连通域。
[0022]作为优选实施例，所述S12中的神经网络分类，是使用卷积神经网络进行分类，模型采用AlexNet，torch顺序结构搭建，交叉熵函数和SGD随机梯度下降，由于AlexNet的设计是进行224
×
224大小图像的分类，因而需要使用OpenCV对图像进行分类，在进行分类时，不同维度的处理可能会导致原有印章发生形变，从而导致分类的准确度不高，因而使用空间金字塔池化来取代部分池化层，从而极大的提高了分类的准确度。
[0023]作为优选实施例，对神经网络分类的分类器采用卷积神经网络 CNN，使用AlexNet网络模型，torch顺序结构，交叉熵函数和SGD 随机梯度下降，神经网络采用约4000张含有圆形、椭圆形与矩形印章的训练集进行训练，可以对印章是否为矩形印章进行准确的分类。
[0024]作为优选实施例，所述S13采用将提取框做一次投影变换，以最小旋转角映射到250*250的新画布上，即得到目标方形印章的提取图片。
[0025]作为优选实施例，所述S21中的初步转正图片，并非一般意义上的0度位置图片，而是指对于目标OCR系统而言识别效果最好的一张图片，由于OCR一般以0度文字为基准，推测其0度识别情况最好，因而称识别效果最好的图片为转正图片；但实际情况根据OCR系统与图片的不同，会出现其他角度识别情况比0度更好的情况，此时的转正图片为识别情况最好的非0度图片。
[0026]作为优选实施例，如果OCR的服务不是本地部署的，则还需要网络连接一台远程服务器，由远程服务器部署OCR服务。
[0027]本专利技术的第二个目的，是提供一种方形姓名印章文字提取、检测识别的系统，该系统包括：
[0028]图片获取模块，用于获取含有印章的图片或文档扫描件；
[0029]图片处理模块，用于对图片进行色彩提取，二值化处理与最大连通域提取；
[0030]印章分类模块，用于对上述文档或扫描件进行分类，判断所含印章是否为本方法所适用的，对于分类结果适用本方法的图片或扫描件，进行后续处理；
[0031]印章定位模块，用于从神经网络返回结果确定目标在图像中的具体位置，利用方形的几何特征确定外接最小矩形；
[0032]印章提取模块，用于根据外接最小矩形，通过投影变换进行方型印章的旋转与切割，获得只含有印章的图片文件；
[0033]光学文字识别模块，用于从图像中获取对应的文字信息；
[0034]图像处理模块，用于图像旋转与切割；
[0035]文字提取模块，用于OCR返回结果的提取与规则化。
[0036]本专利技术的第三个目的，是提供一种电子设备，所述电子设备包括：处理器、存储器，所述处理器和存储器均至少包括一个，所述处理器和存储器之间通信连接，所述存储器存储有可被所述处理器执行的指令，所述处理器执行所述指令，以实现如上所述方形姓名印章文字提取、检测识别方法的步骤。
[0037]本专利技术的实现原理：一种印章识别的思路是，根据印章本身的性质进行识别。由于印章颜色的特殊性，可以根据整个扫描文档中的特殊颜色来进行识别；亦可以通过印章的几何形状边框进行识别。这便引入了本专利技术的技术背景：
①...

【技术保护点】

【技术特征摘要】
1.一种方形姓名印章文字提取、检测识别方法，其特征在于，该方法包括如下步骤：S1.面向复杂环境的方形姓名印章提取；S11.获取含有方形姓名印章的图片或文档扫描件，对图片进行色彩提取与二值化处理，得到二值图像；S12.对处理后的图片或文档扫描件进行神经网络分类，判断所含印章是否为本方法所适用的，对于分类结果适用本方法的图片或扫描件，进行后续处理；S13.从神经网络返回结果确定待识别目标的几何特征，利用方形姓名印章的几何特征与色彩特征确定最小外接矩形；S14.根据外接最小矩形进行方形姓名印章的旋转与切割，通过投影变换将最小外接矩形内的像素重新映射到新的正方形画布，获得只含有方形姓名印章的图片文件；S2.基于OCR返回值的方形姓名印章文字检测识别；S21.将初步转正图片，和旋转了90度的初步转正图片分别进行OCR检测，两图片分别称为图片A与图片B；S22.比较S21中OCR检测后的图片A与图片B的返回值，包括文本内容、文本角度、置信度，选取返值中文本内容较长、置信度较高,或其他可以认为返回值较好的图片作为下一步处理的依据，称此图片为图片C；S23.保留S22中获得的图片C及其识别结果，将图片C进行180度旋转，称为图片D，旋转过后的图片D再次进行OCR检测；S24.比较S22与S23中OCR检测后的图片C与图片D的返回值，与S22类似的选取返回值较好的图片作为转正图片，称为图片S，由图片S的识别结果得到方形姓名印章的数字内容；S25.对S24中得到的转正图片S进行固定模式的切割，得到切割图片；S26.对S25中的切割图片分别进行OCR识别，得到返回值；S27.对所得所有OCR返回值text字段(即识别到的文本内容)中的数字与中文字符依照与S25相对应的规则进行合并，得到方形姓名印章的文字识别结果。2.根据权利要求1所述的一种方形姓名印章文字提取、检测识别方法，其特征在于，所述S12之前增加步骤：对所述S11中的二值图像进行开操作、闭操作，去除小的噪点，保留最大连通域。3.根据权利要求1所述的一种方形姓名印章文字提取、检测识别方法，其特征在于，所述S12中的神经网络分类，是使用卷积神经网络进行分类，模型采用AlexNet，torch顺序结构搭建，交叉熵函数和SGD随机梯度下降，由于AlexNet的设计是进行224
×
224大小图像的分类，因而需要使用OpenCV对图像进行分类，在进行分类时，不同维度的处理可能会导致原有印章发生形变，从而导致分类的准确度不高，...

【专利技术属性】
技术研发人员：顾俊杰，武星，陈成，钟鸣宇，
申请(专利权)人：上海深豹智能科技有限公司，
类型：发明
国别省市：