CN111611990B - 用于识别图像中表格的方法和装置 - Google Patents
用于识别图像中表格的方法和装置 Download PDFInfo
- Publication number
- CN111611990B CN111611990B CN202010444345.1A CN202010444345A CN111611990B CN 111611990 B CN111611990 B CN 111611990B CN 202010444345 A CN202010444345 A CN 202010444345A CN 111611990 B CN111611990 B CN 111611990B
- Authority
- CN
- China
- Prior art keywords
- field
- vector
- field value
- semantic
- name
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 199
- 230000015654 memory Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000012015 optical character recognition Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了用于识别图像中表格的方法和装置,可用于图像处理技术领域。具体实现方案为:获取待处理图片;识别待处理图片包括的字段名和字段值;获取字段名的语义向量和字段值的语义向量;基于字段名的语义向量和字段值的语义向量与预先训练的匹配模型,确定字段名和字段值的匹配关系;根据字段名和字段值的匹配关系生成表格。该实施方式提高了识别图像中表格的效率。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及图像处理技术领域。
背景技术
表格是日常工作中一种非常常用的文档形式,但在很多场景下,表格都是以图像的形式存在的,如何将图片形式的表格转化为能够结构化存储的格式,成为急需解决的问题。
将图像表格做结构化存储的传统方式多为人工录入,将图片信息对照着录入到数据***中,此举耗费大量的人力,并且具有很高的重复性。随着光学字符识别(OpticalCharacter Recognition,OCR)技术的发展,图像到文本数据转化的技术已经趋近成熟,但是OCR技术并不能确定出字段名与字段值之间的对应关系。
发明内容
本申请实施例提出了用于识别图像中表格的方法、装置、设备以及存储介质。
第一方面,本申请的一些实施例提供了一种用于识别图像中表格的方法,该方法包括:获取待处理图片;识别待处理图片包括的字段名和字段值;获取字段名的语义向量和字段值的语义向量;基于字段名的语义向量和字段值的语义向量与预先训练的匹配模型,确定字段名和字段值的匹配关系;根据字段名和字段值的匹配关系生成表格。
第二方面,本申请的一些实施例提供了一种用于识别图像中表格的装置,该装置包括:第一获取单元,被配置成获取待处理图片;识别单元,被配置成识别待处理图片包括的字段名和字段值;第二获取单元,被配置成获取字段名的语义向量和字段值的语义向量;确定单元,被配置成基于字段名的语义向量和字段值的语义向量与预先训练的匹配模型,确定字段名和字段值的匹配关系;生成单元,被配置成根据字段名和字段值的匹配关系生成表格。
第三方面,本申请的一些实施例提供了一种设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得上述一个或多个处理器实现如第一方面上述的方法。
第四方面,本申请的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面上述的方法。
根据本申请的技术,提高了识别图像中表格的效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请的一些可以应用于其中的示例性***架构图;
图2是根据本申请第一实施例的示意图;
图3是本申请实施例中一个待处理图片的示意图;
图4是根据本申请第二实施例的示意图;
图5是根据本申请第三实施例的示意图;
图6是适于用来实现本申请实施例的用于识别图像中表格的方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于识别图像中表格的方法或用于识别图像中表格的装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如文本识别类应用、社交类应用、搜索类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上安装的应用提供支持的后台服务器,服务器105可以获取终端设备101、102、103上传的待处理图片;识别待处理图片包括的字段名和字段值;获取字段名的语义向量和字段值的语义向量;基于字段名的语义向量和字段值的语义向量与预先训练的匹配模型,确定字段名和字段值的匹配关系;根据字段名和字段值的匹配关系生成表格。
需要说明的是,本申请实施例所提供的用于识别图像中表格的方法可以由服务器105执行,也可以由终端设备101、102、103执行,相应地,用于识别图像中表格的装置可以设置于服务器105中,也可以设置于终端设备101、102、103中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于识别图像中表格的方法的一个实施例的流程200。该用于识别图像中表格的方法,包括以下步骤:
步骤201,获取待处理图片。
在本实施例中,用于识别图像中表格的方法执行主体(例如图1所示的终端或服务器)可以获取待处理图片,待处理图片中包括待识别的表格的图像,待处理图片可以是扫描或拍摄得到的,可以来源于医疗机构、金融机构或其他类型的机构。此外,上述执行主体还可以对待处理图片进行消除相机畸变、裁剪、旋转等预处理操作,便于后续的识别。
步骤202,识别待处理图片包括的字段名和字段值。
在本实施例中,上述执行主体可以识别步骤201中获取的待处理图片包括的字段名和字段值。表格至少包含字段名以及字段值,其中,字段名表征一些固定属性,字段值表征固定属性对应的内容,以图3为例,“项目类别”、“项目名称”、“数量”、“单位”、“单价”、“金额”以及“类别”等固定属性,即为字段名,而表征固定属性对应的内容即为字段值,如“项目名称”对应的“造影导管(日本泰尔茂210)”,“数量”对应的“3.00”。
在这里,上述执行主体可以使用OCR技术或其他基于卷积神经网络的图像检测的方法,如是区域卷积神经网络(Region-CNN)算法,快速区域卷积神经网络(Faster R-CNN)算法,识别待处理图片包括的字段名和字段值。
其中,光学字符识别是指对文本资料的图像文件进行分析识别处理,获取文字及版面信息的过程。也即,将图像中的文字进行识别,并以文本的形式返回。典型的OCR技术方案可分为两部分:文字检测和文字识别。文字检测即检测图像中文本的所在位置、范围及其布局,通常也包括版面分析和文字行检测等。文字检测主要确定图像的哪些位置有文字,文字的范围有多大。文本识别是在文本检测的基础上,对文本内容进行识别,将图像中的文本信息转化为文本信息。文字识别主要确定出文字检测出的每个文字是什么。
Faster R-CNN算法采用辅助生成样本的区域候选网络(region proposalnetworks,RPN),将算法结构分为两个部分,先利用RPN判断候选框是否为目标框,再经分类定位的多任务损失函数判断目标框的类型,整个网络流程能够共享卷积神经网络提取到的特征信息,节约了计算成本。对于受限场景的文字检测,Faster R-CNN算法的表现较为出色,可以通过多次检测确定不同粒度的文本区域。
此外,上述执行主体可以利用文字检测得到的文字范围对同一行的文本进行分割,也可以通过预先训练的语义模型对同一行的文本进行分割,例如,可以通过预先训练的长短期记忆网络(LSTM,Long Short-Term Memory)或双向长短期记忆网络(BiLSTM,Bi-directional Long Short-Term Memory)进行分割。
步骤203,获取字段名的语义向量和字段值的语义向量
在本实施例中,上述执行主体可以获取步骤201中识别出的字段名的语义向量和字段值的语义向量。字段名的语义向量和字段值的语义向量可以通过词袋模型、Word2Vec(词到向量)模型、主题模型等模型确定。
在本实施例的一些可选实现方式中,字段值的语义向量,包括经由以下步骤确定的语义向量:将字段值输入预先训练的编码网络,得到字段值中各单字的语义编码;融合字段值中各单字的语义编码得到字段值的语义向量。同样,字段名的语义向量也可以参考本实现方式确定。由于表格中可能出现一些词典中不包括的词,相比于通过词典查询得到语义向量的方式,本实现方式通过融合字段值中各单字的语义编码得到字段值的语义向量,可以为每个字段值确定出更贴合其实际语义的语义向量,基于更贴合其实际语义的语义向量,匹配模型可以确定出更准确的匹配关系。
作为示例,编码网络可以包括前向LSTM和后向LSTM,通过对前向LSTM和后向LSTM输出结果做拼接,得到每个单字上下文信息表示,并通过最大池化、平均池化等方式得到字段值的语义向量。具体的,对于当前单字t,前t-1个单字表示向量可以作为t的上文信息,通过前向LSTM,对t的上文信息进行编码,得到前向LSTM中t时刻的隐层输出;同样,通过后向LSTM,对t的下文信息进行编码,可得后向LSTM中t时刻的隐层输出,将前向LSTM中t时刻的隐层输出和后向LSTM中t时刻的隐层输出做向量级的拼接得到t时刻的双向LSTM输出表示,再通过最大池化操作融合字段值中各单字的语义编码得到字段值的语义向量。
步骤204,基于字段名的语义向量和字段值的语义向量与预先训练的匹配模型,确定字段名和字段值的匹配关系。
在本实施例中,上述执行主体可以基于字段名的语义向量和字段值的语义向量与预先训练的匹配模型,确定字段名和字段值的匹配关系。匹配模型的输入可以基于字段名的语义向量、字段值的语义向量,及其他相关的向量生成,例如可以直接将字段名的语义向量和字段值的语义向量作为匹配模型的输入向量,也可以将字段名的语义向量和字段值的语义向量拼接后作为匹配模型的输入向量,还可以将将字段名的语义向量和字段值的语义向量及其他相关的向量拼接后作为匹配模型的输入向量。
在这里,匹配模型可以表征输入向量与字段名和字段值的匹配关系的对应关系。匹配模型可以是基于样本对初始匹配模型训练得到的,匹配模型也可以是技术人员基于对大量的输入参数的参数值和匹配结果的统计而预先制定的、存储有多个输入参数的参数值与匹配结果的对应关系的对应关系表;也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对一个或多个输入参数的参数值进行数值计算而得到用于表征匹配结果的计算结果的计算公式,例如,该计算公式可以是将一个或多个输入参数的参数值进行加权平均的公式,得到的计算结果若大于预定值则表示匹配。
匹配模型可以包括逻辑回归(Logistic Regression)、随机森林(randomforest)、迭代决策树(gradient boosting decision tree)或支持向量机(SupportVector Machine)等用于分类的模型,也可以包括全连接网络和softmax逻辑回归、最大值自变量点集(argmax)等函数。
步骤205,根据字段名和字段值的匹配关系生成表格。
在本实施例中,上述执行主体可以根据字段名和字段值的匹配关系生成表格。字段名与字段值匹配,说明可将字段值归于字段名下。字段名与字段值不匹配,可以继续确定其他字段名与该字段值是否匹配。此外,上述执行主体还可以依据字段值的位置信息,或参照文字的方向,确定哪些字段值位于同一行。
本实施例中的用于识别图像中表格的方法的流程200中通过字段名的语义向量和字段值的语义向量与预先训练的匹配模型,确定字段名和字段值的匹配关系,而后根据字段名和字段值的匹配关系自动生成表格,相比于人工录入或OCR识别后人工确定字段名和字段值的匹配关系的表格生成方式,提高了识别图像中表格的效率。
进一步参考图4,其示出了用于识别图像中表格的方法的又一个实施例的流程400。该用于识别图像中表格的方法的流程400,包括以下步骤:
步骤401,获取待处理图片。
步骤402,识别待处理图片包括的字段名和字段值。
步骤403,基于字段名的语义向量和字段值的语义向量与预先训练的匹配模型。
步骤404,获取字段名的位置信息和字段值的位置信息。
在本实施例中,用于识别图像中表格的方法执行主体(例如图1所示的终端或服务器)可以通过OCR或其他文字检测算法,例如Faster R-CNN,获取字段名的位置信息和字段值的位置信息。位置信息可以指示字段名和字段值的位置。位置信息可以包括待处理图像中字段名和字段值所在区域的关键点的坐标,或待处理图像中字段名和字段值所在区域的边界线的信息。关键点可以包括中心点、边界点等,以区域形状为矩形为例,关键点可以包括左上角点、左下角点、右上角点、右下角点。
步骤405,根据字段名的位置信息和字段值的位置信息生成字段名和字段值的距离向量。
在本实施例中,上述执行主体可以根据字段名的位置信息和字段值的位置信息生成字段名和字段值的距离向量。距离向量可以表征字段名和字段值之间距离,距离向量的维度可以直接包括字段名和字段值之间距离,或其他可以表征字段名和字段值之间距离的信息,例如,横纵坐标之间的差值。
在本实施例的一些可选实现方式中,根据字段名的位置信息和字段值的位置信息生成字段名和字段值的距离向量,包括:根据字段名所在区域的关键点的坐标与字段值所在区域的关键点的坐标在预定方向上的差值,生成字段名和字段值的距离向量。预定方向可以包括横坐标方向和/或纵坐标方向。具体的,以区域形状为矩形为例,距离向量的四个维度可以分别为:字段值所在区域的左上角点的横坐标与字段名所在区域的左上角点的横坐标之差、字段值所在区域的左上角点的纵坐标与字段名所在区域的左上角点的纵坐标之差、字段值所在区域的右下角点的横坐标与字段名所在区域的右下角点的横坐标之差、字段值所在区域的右下角点的纵坐标与字段名所在区域的右下角点的纵坐标之差。
本实现方式通过字段名所在区域的关键点的坐标与字段值所在区域的关键点的坐标在预定方向上的差值,生成字段名和字段值的距离向量,与直接使用字段名和字段值之间距离生成距离向量的方式相比,基于本实现方式生成的距离向量可以体现出字段名和字段值在预定方向上的位置关系,包含更丰富的位置信息,有助于后续确定出更准确的匹配关系。
步骤406,根据字段名的语义向量、字段值的语义向量与距离向量生成匹配模型的输入向量。
在本实施例中,上述执行主体可以根据字段名的语义向量、字段值的语义向量与距离向量生成匹配模型的输入向量。上述执行主体可以直接拼接字段名的语义向量、字段值的语义向量与距离向量得到匹配模型的输入向量,也可以对语义向量、字段值的语义向量与距离向量进行一些处理,而后可以基于拼接等方式融合处理后的向量得到输入向量。
在本实施例的一些可选实现方式中,根据字段名的语义向量、字段值的语义向量与距离向量生成匹配模型的输入向量,包括:融合字段名的语义向量和字段值的语义向量,得到第一向量;对距离向量的进行维度变换,得到第二向量,第二向量的维度与第一向量的维度相同;拼接第一向量和第二向量得到输入向量。作为示例,上述执行主体可以将字段名的语义向量、字段值的语义向量拼接得到第一向量,也可以在拼接后通过一个全联接层将二者的信息进行充分融合和学习得到第一向量。由于位置信息与语义信息在确定字段名与字段值的匹配关系时都很重要,本实现方式通过维度变换,使得表征位置信息的第二向量的维度与表征语义信息的第一向量的维度相同,二者拼接作为匹配模型的输入向量,使得输入向量中携带的的位置信息与语义信息更加均衡,匹配模型可以兼顾二者得出更准确的输出结果。
步骤407,将输入向量输入匹配模型,根据匹配模型的输出确定字段名和字段值的匹配关系。
在本实施例中,上述执行主体可以将输入向量输入匹配模型,根据匹配模型的输出确定字段名和字段值的匹配关系。匹配模型的输出可以指示字段名和字段值是否匹配。
步骤408,根据字段名和字段值的匹配关系生成表格。
在本实施例中,步骤401、步骤402、步骤403、步骤408的操作与步骤201、步骤202、步骤203、步骤205的操作基本相同,在此不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于识别图像中表格的方法的流程400中根据字段名的语义向量、字段值的语义向量与距离向量共同生成匹配模型的输入向量,输入向量中不仅包含语义信息,还包含距离信息,综合两种信息,可以更准确的确定出字段名和字段值的匹配关系,从而提高识别图像中表格的准确性。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于识别图像中表格的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于识别图像中表格的装置500包括:第一获取单元501、识别单元502、第二获取单元503、确定单元504和生成单元505。其中,第一获取单元,被配置成获取待处理图片;识别单元,被配置成识别待处理图片包括的字段名和字段值;第二获取单元,被配置成获取字段名的语义向量和字段值的语义向量;确定单元,被配置成基于字段名的语义向量和字段值的语义向量与预先训练的匹配模型,确定字段名和字段值的匹配关系;生成单元,被配置成根据字段名和字段值的匹配关系生成表格。
在本实施例中,用于识别图像中表格的装置500的第一获取单元501、识别单元502、第二获取单元503、确定单元504和生成单元505的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205。
在本实施例的一些可选实现方式中,确定单元,包括:获取子单元,被配置成获取字段名的位置信息和字段值的位置信息;第一生成子单元,被配置成根据字段名的位置信息和字段值的位置信息生成字段名和字段值的距离向量;第二生成子单元,被配置成根据字段名的语义向量、字段值的语义向量与距离向量生成匹配模型的输入向量;确定子单元,被配置成将输入向量输入匹配模型,根据匹配模型的输出确定字段名和字段值的匹配关系。
在本实施例的一些可选实现方式中,第二生成子单元,进一步被配置成:融合字段名的语义向量和字段值的语义向量,得到第一向量;对距离向量的进行维度变换,得到第二向量,第二向量的维度与第一向量的维度相同;拼接第一向量和第二向量得到输入向量。
在本实施例的一些可选实现方式中,位置信息,包括:待处理图像中字段名和字段值所在区域的关键点的坐标;以及第一生成子单元,进一步被配置成:根据字段名所在区域的关键点的坐标与字段值所在区域的关键点的坐标在预定方向上的差值,生成字段名和字段值的距离向量。
在本实施例的一些可选实现方式中,装置还包括语义向量确定单元,语义向量确定单元被配置成:将字段值输入预先训练的编码网络,得到字段值中各单字的语义编码;融合字段值中各单字的语义编码得到字段值的语义向量。
本申请的上述实施例提供的装置,通过获取待处理图片;识别待处理图片包括的字段名和字段值;获取字段名的语义向量和字段值的语义向量;基于字段名的语义向量和字段值的语义向量与预先训练的匹配模型,确定字段名和字段值的匹配关系;根据字段名和字段值的匹配关系生成表格,提高了识别图像中表格的效率。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的用于识别图像中表格的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的用于识别图像中表格的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的用于识别图像中表格的方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的用于识别图像中表格的方法对应的程序指令/模块(例如,附图5所示的第一获取单元501、识别单元502、第二获取单元503、确定单元504和生成单元505)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的用于识别图像中表格的方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据用于识别图像中表格的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至用于识别图像中表格的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于识别图像中表格的方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与用于识别图像中表格的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,提高了识别图像中表格的效率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (13)
1.一种用于识别图像中表格的方法,包括:
获取待处理图片;
识别所述待处理图片包括的字段名和字段值;
获取所述字段名的语义向量和所述字段值的语义向量;
基于所述字段名的语义向量、所述字段值的语义向量、距离向量与预先训练的匹配模型,确定所述字段名和所述字段值的匹配关系,其中,所述匹配关系用于表征所述字段值是否归于所述字段名下,所述字段名表征固定属性,所述字段值表征固定属性对应的内容,所述距离向量基于所述字段名的位置信息和所述字段值的位置信息确定;
根据所述字段名和所述字段值的匹配关系生成表格。
2.根据权利要求1所述的方法,其中,所述基于所述字段名的语义向量、所述字段值的语义向量、距离向量与预先训练的匹配模型,确定所述字段名和所述字段值的匹配关系,包括:
获取所述字段名的位置信息和所述字段值的位置信息;
根据所述字段名的位置信息和所述字段值的位置信息生成所述字段名和所述字段值的距离向量;
根据所述字段名的语义向量、所述字段值的语义向量与所述距离向量生成所述匹配模型的输入向量;
将所述输入向量输入所述匹配模型,根据所述匹配模型的输出确定所述字段名和所述字段值的匹配关系。
3.根据权利要求2所述的方法,其中,所述根据所述字段名的语义向量、所述字段值的语义向量与所述距离向量生成所述匹配模型的输入向量,包括:
融合所述字段名的语义向量和所述字段值的语义向量,得到第一向量;
对所述距离向量的进行维度变换,得到第二向量,所述第二向量的维度与所述第一向量的维度相同;
拼接所述第一向量和所述第二向量得到所述输入向量。
4.根据权利要求2所述的方法,其中,所述位置信息,包括:所述待处理图片中所述字段名和所述字段值所在区域的关键点的坐标;以及
所述根据所述字段名的位置信息和所述字段值的位置信息生成所述字段名和所述字段值的距离向量,包括:
根据所述字段名所在区域的关键点的坐标与所述字段值所在区域的关键点的坐标在预定方向上的差值,生成所述字段名和所述字段值的距离向量。
5.根据权利要求1-4中任一项所述的方法,其中,所述字段值的语义向量,包括经由以下步骤确定的语义向量:
将所述字段值输入预先训练的编码网络,得到所述字段值中各单字的语义编码;
融合所述字段值中各单字的语义编码得到所述字段值的语义向量。
6.一种用于识别图像中表格的装置,包括:
第一获取单元,被配置成获取待处理图片;
识别单元,被配置成识别所述待处理图片包括的字段名和字段值;
第二获取单元,被配置成获取所述字段名的语义向量和所述字段值的语义向量;
确定单元,被配置成基于所述字段名的语义向量、所述字段值的语义向量、距离向量与预先训练的匹配模型,确定所述字段名和所述字段值的匹配关系,其中,所述匹配关系用于表征所述字段值是否归于所述字段名下,所述字段名表征固定属性,所述字段值表征固定属性对应的内容,所述距离向量基于所述字段名的位置信息和所述字段值的位置信息确定;
生成单元,被配置成根据所述字段名和所述字段值的匹配关系生成表格。
7.根据权利要求6所述的装置,其中,所述确定单元,包括:
获取子单元,被配置成获取所述字段名的位置信息和所述字段值的位置信息;
第一生成子单元,被配置成根据所述字段名的位置信息和所述字段值的位置信息生成所述字段名和所述字段值的距离向量;
第二生成子单元,被配置成根据所述字段名的语义向量、所述字段值的语义向量与所述距离向量生成所述匹配模型的输入向量;
确定子单元,被配置成将所述输入向量输入所述匹配模型,根据所述匹配模型的输出确定所述字段名和所述字段值的匹配关系。
8.根据权利要求7所述的装置,其中,所述第二生成子单元,进一步被配置成:
融合所述字段名的语义向量和所述字段值的语义向量,得到第一向量;
对所述距离向量的进行维度变换,得到第二向量,所述第二向量的维度与所述第一向量的维度相同;
拼接所述第一向量和所述第二向量得到所述输入向量。
9.根据权利要求7所述的装置,其中,所述位置信息,包括:所述待处理图片中所述字段名和所述字段值所在区域的关键点的坐标;以及
所述第一生成子单元,进一步被配置成:
根据所述字段名所在区域的关键点的坐标与所述字段值所在区域的关键点的坐标在预定方向上的差值,生成所述字段名和所述字段值的距离向量。
10.根据权利要求6-9中任一项所述的装置,其中,所述装置还包括语义向量确定单元,所述语义向量确定单元被配置成:
将所述字段值输入预先训练的编码网络,得到所述字段值中各单字的语义编码;
融合所述字段值中各单字的语义编码得到所述字段值的语义向量。
11.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010444345.1A CN111611990B (zh) | 2020-05-22 | 2020-05-22 | 用于识别图像中表格的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010444345.1A CN111611990B (zh) | 2020-05-22 | 2020-05-22 | 用于识别图像中表格的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611990A CN111611990A (zh) | 2020-09-01 |
CN111611990B true CN111611990B (zh) | 2023-10-31 |
Family
ID=72203770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010444345.1A Active CN111611990B (zh) | 2020-05-22 | 2020-05-22 | 用于识别图像中表格的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611990B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052825B (zh) * | 2020-09-18 | 2024-04-16 | 北京百度网讯科技有限公司 | 用于处理图像的方法、装置、设备以及存储介质 |
CN112115865B (zh) * | 2020-09-18 | 2024-04-12 | 北京百度网讯科技有限公司 | 用于处理图像的方法、装置、设备以及存储介质 |
CN112270222B (zh) * | 2020-10-14 | 2024-06-28 | 招商银行股份有限公司 | 信息标准化处理方法、设备及计算机可读存储介质 |
CN112364857B (zh) * | 2020-10-23 | 2024-04-26 | 中国平安人寿保险股份有限公司 | 基于数值抽取的图像识别方法、装置及存储介质 |
CN113011144B (zh) * | 2021-03-30 | 2024-01-30 | 中国工商银行股份有限公司 | 表单信息的获取方法、装置和服务器 |
CN114049642A (zh) * | 2021-11-22 | 2022-02-15 | 深圳前海微众银行股份有限公司 | 一种表格证件影像件的文本识别方法及计算设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06290272A (ja) * | 1993-04-02 | 1994-10-18 | Sharp Corp | 高速マッチング方式 |
CN107967482A (zh) * | 2017-10-24 | 2018-04-27 | 广东中科南海岸车联网技术有限公司 | 图标识别方法及装置 |
CN109902724A (zh) * | 2019-01-31 | 2019-06-18 | 平安科技(深圳)有限公司 | 基于支持向量机的文字识别方法、装置和计算机设备 |
CN110109918A (zh) * | 2018-02-02 | 2019-08-09 | 兴业数字金融服务(上海)股份有限公司 | 用于校验表格数据的方法、装置、设备和计算机存储介质 |
CN110569846A (zh) * | 2019-09-16 | 2019-12-13 | 北京百度网讯科技有限公司 | 图像文字识别方法、装置、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004139484A (ja) * | 2002-10-21 | 2004-05-13 | Hitachi Ltd | 帳票処理装置、該装置実行のためのプログラム、及び、帳票書式作成プログラム |
US10417489B2 (en) * | 2015-11-19 | 2019-09-17 | Captricity, Inc. | Aligning grid lines of a table in an image of a filled-out paper form with grid lines of a reference table in an image of a template of the filled-out paper form |
US10853638B2 (en) * | 2018-08-31 | 2020-12-01 | Accenture Global Solutions Limited | System and method for extracting structured information from image documents |
-
2020
- 2020-05-22 CN CN202010444345.1A patent/CN111611990B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06290272A (ja) * | 1993-04-02 | 1994-10-18 | Sharp Corp | 高速マッチング方式 |
CN107967482A (zh) * | 2017-10-24 | 2018-04-27 | 广东中科南海岸车联网技术有限公司 | 图标识别方法及装置 |
CN110109918A (zh) * | 2018-02-02 | 2019-08-09 | 兴业数字金融服务(上海)股份有限公司 | 用于校验表格数据的方法、装置、设备和计算机存储介质 |
CN109902724A (zh) * | 2019-01-31 | 2019-06-18 | 平安科技(深圳)有限公司 | 基于支持向量机的文字识别方法、装置和计算机设备 |
CN110569846A (zh) * | 2019-09-16 | 2019-12-13 | 北京百度网讯科技有限公司 | 图像文字识别方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
任通等.电子扫描表格图像中数据提取方法研究.《电子技术研发》.2012,6-10. * |
黄锦德等.一种新的表格识别特征提取方法.《计算机工程》.2006,第32卷(第32期),215-217. * |
Also Published As
Publication number | Publication date |
---|---|
CN111611990A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611990B (zh) | 用于识别图像中表格的方法和装置 | |
CN111860506B (zh) | 识别文字的方法和装置 | |
CN112560912B (zh) | 分类模型的训练方法、装置、电子设备和存储介质 | |
CN111967262B (zh) | 实体标签的确定方法和装置 | |
EP3859562A2 (en) | Method, apparatus, electronic device, storage medium and computer program product for generating information | |
CN110991427B (zh) | 用于视频的情绪识别方法、装置和计算机设备 | |
CN110569846A (zh) | 图像文字识别方法、装置、设备及存储介质 | |
CN111221984A (zh) | 多模态内容处理方法、装置、设备及存储介质 | |
CN111241819B (zh) | 词向量生成方法、装置及电子设备 | |
CN113656582B (zh) | 神经网络模型的训练方法、图像检索方法、设备和介质 | |
CN111667056B (zh) | 用于搜索模型结构的方法和装置 | |
CN111078878B (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
CN112507090B (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
CN112541359B (zh) | 文档内容识别方法、装置、电子设备及介质 | |
CN111639228B (zh) | 视频检索方法、装置、设备及存储介质 | |
CN111695519B (zh) | 关键点定位方法、装置、设备以及存储介质 | |
CN111241838B (zh) | 文本实体的语义关系处理方法、装置及设备 | |
CN113657395B (zh) | 文本识别方法、视觉特征提取模型的训练方法及装置 | |
CN111782785B (zh) | 自动问答方法、装置、设备以及存储介质 | |
KR20210090576A (ko) | 품질을 관리하는 방법, 장치, 기기, 저장매체 및 프로그램 | |
CN112487242A (zh) | 用于识别视频的方法、装置、电子设备及可读存储介质 | |
CN111090991A (zh) | 场景纠错方法、装置、电子设备和存储介质 | |
CN114429633A (zh) | 文本识别方法、模型的训练方法、装置、电子设备及介质 | |
CN112328896B (zh) | 用于输出信息的方法、装置、电子设备和介质 | |
CN111639234B (zh) | 用于挖掘核心实体关注点的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |