一种根据允许集对字符串OCR识别结果检错与纠错的方法与流程

本发明属于图像OCR(Optical Character Recognition，光学字符识别)技术领域。当使用OCR软件读取、分析图像文件并提取出其中的字符串时，本发明可以检查和纠正识别错误的字符串，从而辅助OCR软件降低识别的错误率。

背景技术：

OCR软件，指利用OCR(Optical Character Recognition，光学字符识别)技术，将图片、照片等图像上的文字内容转换为可编辑文本的软件，广泛应用于提取各种图像中的字符。通常，图像信息通过扫描仪、照相机等设备获取并存储在图像文件中，然后OCR软件读取、分析图像文件并通过字符识别提取出其中的字符串。

OCR软件的一个典型应用是文件编号的自动识别。比如，支票、税票和信件等各种文件进行数字化时，需要通过OCR软件提取其编号。由于文件编号可能出现模糊、错位等状况，OCR软件的识别结果会出现错误。如何检查和纠正OCR识别结果中的错误，国内外研究人员提出了一些解决办法。

美国已授权专利《Apparatus and method for OCR character and confidence determination using multiple OCR devices》(公开号：US 5805747 A)使用多个OCR软件进行识别，各OCR软件输出自己的识别结果并标记出置信度，最后综合各输出结果，给出最终识别结果并标记出置信度。该方法具有很好的通用性，但需要用到多个OCR识别软件。如果图像本身存在缺陷(比如个别数字过于模糊)，即使有多个OCR软件也无法得到准确的结果。

国内已授权专利《基于多种OCR方案组合校验以准确提取数字的方法》(公开号：CN 101009747 A)采用多种不同的OCR软件识别传真图片，以获取其中的传真号码，然后根据各自识别算法的特征对识别出的数字进行纠错，最后对所有识别出的传真号码进行统一校验。只有当识别出的传真号码完全匹配，系统才自动启动传真发送，否则由人工干预发送。该方法也是通过使用多个OCR软件以投票表决的方式来认定识别错误的数据。

现有的技术方案都没有关注到所识别文件编号的自身规律，更没有利用自身规律对错误数据实施检查和纠正。

技术实现要素：

本发明根据所要识别字符串的已知完整集合，针对OCR软件从图像中提取出的字符串提出一种检错与纠错的方法，目的在于辅助OCR软件检查出识别结果中的错误数据并对这些错误数据实施纠正，从而提高识别结果的准确率。其中，所要识别字符串的已知完整集合记为允许集，且允许集中字符串不能重复。OCR软件从图像中提取出的这些字符串记为OCR识别结果。

本发明的目的是通过下述技术方案来实现的。

一种根据允许集对字符串OCR识别结果检错与纠错的方法，包括下述步骤：

1)输入允许集和OCR识别结果；

2)OCR识别结果中找出的重复字符串；

3)从OCR识别结果中找出存在、而允许集中不存在的字符串，记为不可存在字符串；

4)从允许集中找出存在、而OCR识别结果中不存在的字符串，记为缺失字符串；

5)重复字符串、不可存在字符串和缺失字符串即为OCR识别结果中错误的字符串；

6)判断允许集中的所有字符串在每一个字符串位置是否具有相同字符；若具有相同字符，则将该位置与该字符构造成<位置,字符>，记为固定位置字符对；

7)对每一个不可存在字符串，用固定位置字符对的字符替换其相应位置处的字符；替换后的字符串组成纠正中间集；

8)从纠正中间集中找出与缺失字符串相同的字符串，组成纠正结果集；纠正结果集中字符串即为纠正成功的字符串。

步骤6所述的操作包含下述步骤：

6a)输入允许集数据；

6b)定义字符串位置index，定义字符char，定义元素为<index,char>的集合set，定义初始状态init；

6c)置index值为0，清空set，置init值为1；

6d)判断允许集是否为空；若为空，则返回set并结束本方法；若不为空，则取出允许集中最长的一个字符串；

6e)判断index值是否小于该字符串长度；若小于，则置char值为该字符串在index位置处字符；若不小于，则置index值为0，置init值为0，跳转至步骤6d)；

6f)判断init值是否为1；若为1，则构造键值对<index,char>并存入集合set；若不为1，则删除set中键为index而值不为char的元素；

6g)将index值增1并继续执行步骤6e)。

本发明对比已有技术具有以下特点：

1、通过在OCR识别结果集中提取重复元素，可以获得识别错误的字符串；

2、通过对允许集和OCR识别结果集作差，可以获得识别错误的字符串；

3、通过并发执行寻找识别错误字符串的相关操作，可以提高执行效率；

4、利用字符串的允许集合，可以纠正不可存在字符串；

附图说明

图1为本发明方法的总体数据流图；

图2为纠正不可存在字符串操作的数据流图；

图3为寻找固定位置字符对操作的算法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1所示，本发明给出了一种根据允许集对字符串OCR识别结果检错与纠错的方法，包括下述步骤：

1)输入允许集和OCR识别结果；

2)OCR识别结果中找出的重复字符串；

3)从OCR识别结果中找出存在、而允许集中不存在的字符串，记为不可存在字符串；

4)从允许集中找出存在、而OCR识别结果中不存在的字符串，记为缺失字符串；

5)重复字符串、不可存在字符串和缺失字符串均为OCR识别结果中错误的字符串；

6)判断允许集中的所有字符串在每一个字符串位置是否具有相同字符；若具有相同字符，则将该位置与该字符构造成<位置,字符>，记为固定位置字符对；

具体方法为：

6a)输入允许集数据；

6b)定义字符串位置index，定义字符char，定义元素为<index,char>的集合set，定义初始状态init；

6c)置index值为0，清空set，置init值为1；

6d)判断允许集是否为空；若为空，则返回set并结束本方法；若不为空，则取出允许集中最长的一个字符串；

6e)判断index值是否小于该字符串长度；若小于，则置char值为该字符串在index位置处字符；若不小于，则置index值为0，置init值为0，跳转至步骤6d)；

6f)判断init值是否为1；若为1，则构造键值对<index,char>并存入集合set；若不为1，则删除set中键为index而值不为char的元素；

6g)将index值增1并继续执行步骤6e)；

7)对每一个不可存在字符串，用固定位置字符对的字符替换其相应位置处的字符；替换后的字符串组成纠正中间集；

8)从纠正中间集中找出与缺失字符串相同的字符串，组成纠正结果集；纠正结果集中字符串即为纠正成功的字符串。

下面通过一个具体税收通用缴款书编号的OCR识别结果来进一步说明本发明检错与纠错方法。

税收通用缴款书是税务机关发行的一种常见税票，为了实现数字化存储和快速检索，需要被扫描成图像并通过OCR软件提取其编号。由于扫描获取的图像会出现模糊、错位等状况，OCR软件识别结果中会出现一些错误，这些错误需要被检查和纠正。税票编号在打印过程中不会重复，且可以事先确定其允许集合，故符合本发明方法的适用条件。因此，税票编号OCR识别结果中的错误可以利用本发明检查和修正，从而提高OCR软件识别税票编号的准确率。

本发明方法的总体数据流图如图1所示，具体实施过程如下：

1、将所要识别的全体税票编号输入到允许集121；采用OCR软件识别出的税票编号作为OCR识别结果122；

2、通过寻找重复字符串132操作，找出OCR识别结果122中的重复字符串124；

3、通过寻找不可存在字符串131操作，找出OCR识别结果中存在而允许集中不存在的字符串，记为不可存在字符串123；

4、通过寻找缺失字符串133操作，找出允许集中存在而OCR识别结果中不存在的字符串，记为缺失字符串125；

5、重复字符串124、不可存在字符串123和缺失字符串125均为OCR软件识别错误的字符串；

6、纠正不可存在字符串134，操作如图2所示，其具体过程如下：

(1)寻找固定位置字符对231：对每一个字符串位置，判断允许集中的所有字符串在该位置是否具有相同字符；若具有相同字符，则将该位置与该字符构造成<位置,字符>，记为固定位置字符对234；

(2)替换固定字符232：对每一个不可存在字符串，用固定位置字符对的字符替换其相应位置处字符；替换后的字符串组成纠正中间集221；

(3)从纠正中间集中找出与缺失字符串相同的字符串233，组成纠正结果集126；纠正结果集126中字符串即为纠正成功的字符串。

上述过程中步骤6所述的纠正不可存在字符串134操作中(1)的流程图如图3所示，具体过程如下：

6a)输入允许集数据；

6b)定义字符串位置index，定义字符char，定义元素为<index,char>的集合set，定义初始状态init；

6c)置index值为0，清空set，置init值为1；

6d)判断允许集是否为空；若为空，则返回set并结束本方法；若不为空，则取出允许集中最长的一个字符串；

6e)判断index值是否小于该字符串长度；若小于，则置char值为该字符串在index位置处字符；若不小于，则置index值为0，置init值为0，跳转至步骤4；

6f)判断init值是否为1；若为1，则构造键值对<index,char>并存入集合set；若不为1，则删除set中键为index而值不为char的元素；

6g)将index值增1并继续执行步骤5。

此实施实例通过一系列的操作实现了税票编号OCR识别结果的检错与纠错，验证了根据允许集对字符串OCR识别结果检错与纠错的方法。本发明与现有方法相比，更多地考虑了识别对象自身的特性，辅助OCR软件提高了识别结果的准确率。

以上结合附图对本发明的具体实施方式作了说明，但这些说明不能被理解为限制了本发明的范围，本发明的保护范围由随附的权利要求书限定，任何在本发明权利要求基础上的改动都是本发明的保护范围。