文档信息的提取方法及装置与流程

本发明涉及信息处理的，尤其是涉及一种文档信息的提取方法及装置。

背景技术：

1、现有的文档ocr（optical character recognition，光学字符识别）识别技术，在处理文档时，通常采用整页预处理、整页ocr识别、局部规则抽取的处理模式。并且，在被红章覆盖的手写日期识别场景下，常见的处理方案主要包括红色像素去除、固定位置roi（‌region of interest‌，感兴趣区域）截取、局部二值化增强、关键字锚点定位以及整页结果优先的简单回退等等。部分方案会引入多次ocr重试或多图像增强，但通常仍然以直接识别结果为主，难以实现识别结果的合法性和准确验证，导致文档信息提取的准确性较低。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种文档信息的提取方法及装置，以缓解上述技术问题，进而提升文档信息提取与识别的准确性。

2、第一方面，本发明实施例提供了一种文档信息的提取方法，所述方法包括：读取待处理文档，将所述待处理文档按页渲染为预设分辨率的待处理图像；定位所述待处理图像中包含的印章区域，对所述印章区域进行抑制处理；对于抑制处理后的所述待处理图像，基于预设的目标字段生成多个感兴趣区域；其中，所述感兴趣区域包括所述待处理图像中包含日期字段的候选感兴趣区域，以及，所述日期字段中，包含申请日期场景下的签署区对应的附加感兴趣区域；对所述感兴趣区域执行多版本局部增强识别以解析出多个日期候选项；依据格式完整性、年份范围及上下文约束对所述日期候选项进行评分，选取评分最高的日期候选项作为最优识别结果；将所述最优识别结果映射为基础信息，并将所述基础信息与目标对象进行绑定，输出包含所述基础信息和所述目标对象的结构化数据。

3、结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，上述基于预设的目标字段生成多个感兴趣区的步骤，包括：在所述待处理图像中查找表征用户行为的第一关键词，基于所述第一关键词确定上边界；以及，在所述待处理图像中查找表征审核行为的第二关键词，基于所述第二关键词确定下边界；根据所述上边界和所述下边界确定签署区对应的位置为包含日期字段的所述候选感兴趣区域；在所述申请日期场景下，将所述签署区的右侧区域确定为附加感兴趣区域。

4、结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，上述对所述感兴趣区域执行多版本局部增强识别以解析出多个日期候选项的步骤，包括：针对所述感兴趣区域，分别执行不同参数的图像增强处理以生成多个局部增强版本；对所述多个局部增强版本分别执行局部光学字符识别，提取出每个所述局部增强版本对应的日期候选项。

5、结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，上述依据格式完整性、年份范围及上下文约束对所述日期候选项进行评分，选取评分最高的日期候选项作为最优识别结果的步骤，包括：将解析出的多个所述日期候选项的识别值进行聚合，计算相同的所述识别值在不同局部增强版本和/或不同感兴趣区域之间出现的次数，基于所述次数给予所述日期候选项共识度评分；分别计算每个所述日期候选项的格式完整性得分和年份范围得分；基于所述待处理图像的上下文信息计算每个所述日期候选项的上下文约束得分；基于所述共识度评分、所述格式完整性得分、所述年份范围得分和所述上下文约束得分进行加权计算，选取选取总分最高的所述日期候选项作为最优识别结果。

6、结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，上述方法还包括：基于所述待处理图像的页眉信息确定所述待处理图像的文档类型；基于所述文档类型，以预设类型单据为起始锚点，将所述待处理图像中包含的连续页面切分为独立的申请任务；根据多个所述申请任务建立所述待处理图像的上下文信息，其中，所述上下文信息用于表征所述待处理图像中业务流转的时间逻辑。

7、结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，上述基于所述待处理图像的上下文信息计算每个所述日期候选项的上下文约束得分的步骤，包括：从所述上下文信息中提取所述日期候选项的相邻字段的识别结果，所述识别结果中记录有上下文日期信息；基于所述待处理图像对应的业务流转时间逻辑，判断所述日期候选项与所述相邻字段的识别结果是否存在时间倒置或逻辑冲突；如果是，则降低所述日期候选项的上下文约束率得分；如果否，则提高所述日期候选项的上下文约束率得分。

8、结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，上述方法还包括：如果所述签署区的遮挡程度超过预设的遮挡范围，或者所述日期候选项不满足所述上下文信息所表征的所述待处理图像中业务流转的时间逻辑，则从同一个所述申请任务中的多个法定凭证字段中提取与所述日期候选项存在强关联的合法来源日期；当至少两个所述合法来源日期给出同一日期时，将该日期确定为合法来源共识日期，并将所述合法来源共识日期作为日期候选项。

9、结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第七种可能的实施方式，其中，上述方法还包括：当检测到所述日期候选项中的日号或者月份存在冲突时，基于所述上下文信息构造合法修复项，基于所述合法修复项对所述日期候选项中的日号或者月份进行修复。

10、结合第一方面，本发明实施例提供了第一方面的第八种可能的实施方式，其中，上述定位所述待处理图像中包含的印章区域，对所述印章区域进行抑制处理的步骤，包括：在hsv色彩空间定位所述待处理图像中的印章区域，以获取所述印章区域的边界框；对所述所述印章区域的边界框进行抑制处理。

11、第二方面，本发明实施例还提供一种文档信息的提取装置，所述装置包括：读取模块，用于读取待处理文档，将所述待处理文档按页渲染为预设分辨率的待处理图像；定位模块，用于定位所述待处理图像中包含的印章区域，对所述印章区域进行抑制处理；生成模块，用于对于抑制处理后的所述待处理图像，基于预设的目标字段生成多个感兴趣区域；其中，所述感兴趣区域包括所述待处理图像中包含日期字段的候选感兴趣区域，以及，所述日期字段中，包含申请日期场景下的签署区对应的附加感兴趣区域；识别模块，用于对所述感兴趣区域执行多版本局部增强识别以解析出多个日期候选项；评分模块，用于依据格式完整性、年份范围及上下文约束对所述日期候选项进行评分，选取评分最高的日期候选项作为最优识别结果；输出模块，用于将所述最优识别结果映射为基础信息，并将所述基础信息与目标对象进行绑定，输出包含所述基础信息和所述目标对象的结构化数据。

12、本发明实施例带来了以下有益效果：

13、本发明实施例提供的一种文档信息的提取方法及装置，能够读取待处理文档，将待处理文档按页渲染为预设分辨率的待处理图像；定位待处理图像中包含的印章区域，对印章区域进行抑制处理；对于抑制处理后的待处理图像，基于预设的目标字段生成多个感兴趣区域；其中，此处的感兴趣区域包括待处理图像中包含日期字段的候选感兴趣区域，以及，日期字段中，包含申请日期场景下的签署区对应的附加感兴趣区域；对感兴趣区域执行多版本局部增强识别以解析出多个日期候选项；依据格式完整性、年份范围及上下文约束对日期候选项进行评分，选取评分最高的日期候选项作为最优识别结果；将该最优识别结果映射为基础信息，并将基础信息与目标对象进行绑定，输出包含基础信息和目标对象的结构化数据；相较于传统的ocr处理方法，本发明实施例总共，可以通过增加附加感兴趣区域可以降低相邻日期之间吸附效应，并且，通过对多个日期候选项的识别过程可以提升文档信息提取的准确性，进而提升文档处理效率。

14、本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

15、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。