OCR識別技術.docx_第1頁
OCR識別技術.docx_第2頁
OCR識別技術.docx_第3頁
OCR識別技術.docx_第4頁
OCR識別技術.docx_第5頁
免費預覽已結束,剩余1頁可下載查看

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

OCR識別技術OCR技術是光學字符識別技術的縮寫(Optical Character Recognition),是通過掃描等光學輸入方式將各種票據、報刊、書籍、文稿及其它印刷品的文字轉化為圖像信息,再利用文字識別技術將圖像信息轉化為可以使用的計算機輸入技術??蓱糜阢y行票據、大量文字資料、檔案卷宗、文案的錄入和處理領域。適合于銀行、稅務等行業(yè)大量票據表格的自動掃描識別及長期存儲。相對一般文本,通常以最終識別率、識別速度、版面理解正確率及版面還原滿意度4個方面作為OCR技術的評測依據;而相對于表格及票據, 通常以識別率或整張通過率及識別速度為測定OCR技術的實用標準。采用OCR識別技術,可以將其應用于銀行票據光盤縮微系統(tǒng),可以自動提取票據要素,可減輕操作員的工作量,減少重復勞動,尤其是在與銀行事后且監(jiān)督系統(tǒng)相結合后,可以替代原先的操作人員完成事后監(jiān)督工作。由計算機自動識別票據上的日期、帳號、金額等要素,通過銀行事后監(jiān)督系統(tǒng)與業(yè)務系統(tǒng)中的數據進行比較,完成傳統(tǒng)的事后監(jiān)督操作;配有印章驗證系統(tǒng)后,自動將憑證圖像中的印章與系統(tǒng)中預留的印鑒進行比較,完成印章的真?zhèn)巫R別。OCR識別技術不僅具有可以自動判斷、拆分、 識別和還原各種通用型印刷體表格,在表格理解上做出了令人滿意的實用結果,能夠自動分析文稿的版面布局,自動分欄、并判斷出標題、橫欄、圖像、表格等相應屬性,并判定識別順序,能將識別結果還原成與掃描文稿的版面布局一致的新文本。表格自動錄入技術,可自動識別特定表格的印刷或打印漢字、字母、數字,可識別手寫體漢字、手寫體字母、數字及多種手寫符號,并按表格格式輸出。提高了表格錄入效率,可節(jié)省大量人力。同時支持將表格識別直接還原成PTF、PDF、HTML等格式文檔;并可以對圖像嵌入橫排文本和豎排文本、表格文本進行自動排版面分析。利用目前的高新技術-OCR,直接從憑證影像中提取金額、帳號等重要數據,代替人的手工錄入,與條碼識別/流水識別緊密結合,實現建立事后副本帳、完成事后監(jiān)督的工作。OCR處理一般使用性能較好的PC機,OCR處理程序一經啟動會自動掃描數據庫中的憑證影像,發(fā)現有需OCR處理而未處理的,提取到本地進行處理。 OCR手寫體、印刷體識別技術,能識別不同人寫的千差萬別的手寫體漢字和數字,應用于本系統(tǒng),識別憑證影像中儲戶填寫的信息,如大寫金額、小寫金額、帳號、存期、日期、證件號等,可以代替手工錄入。同時被識別得出的金額還要與流水識別所得的金額進行核對,核對成功,則OCR識別成功。這樣處理是為了避免誤判。 經過對銀行產生的實際憑證進行的大量測試,在實際開發(fā)過程中,根據銀行的實際需求,OCR技術在票據和表格識別能力和手寫體自動識別能力上不斷提升,目前處理速度可達到每分鐘6080張票據,存折識別率已經達到了85%以上,存單、憑條識別率達到90%以上,而85%以上的識別率就能減少80%以上的數據錄入員。在檔案領域OCR技術使檔案掃描成果達到了全文可識別,將檔案數字化發(fā)展提升了到了一個新的階段,是原本掃描出來的圖片變得更容易進行檢索,為數字檔案館的數據查詢提供了技術支持,是檔案數字化發(fā)展中必不可少的一環(huán)。技術歷史光學文字識別的概念是在1929年由奧地利科學家Gustav Tauschek最先提出來的,后來美國科學家Handel也提出了利用技術對文字進行識別的想法。而最早對印刷體漢字識別進行研究的是IBM公司的Casey和Nagy,1966年他們發(fā)表了第一篇關于漢字識別的文章,采用了模板匹配法識別了1000個印刷體漢字。早在60、70年代,世界各國就開始有OCR的研究,而研究的初期,多以文字的識別方法研究為主,且識別的文字僅為0至9的數字。以同樣擁有方塊文字的日本為例,1960年左右開始研究OCR的基本識別理論,初期以數字為對象,直至1965至1970年之間開始有一些簡單的產品,如印刷文字的郵政編碼識別系統(tǒng),識別郵件上的郵政編碼,幫助郵局作區(qū)域分信的作業(yè);也因此至今郵政編碼一直是各國所倡導的地址書寫方式。20世紀70年代初,日本的學者開始研究漢字識別,并做了大量的工作。中國在OCR技術方面的研究工作起步較晚,在70年代才開始對數字、英文字母及符號的識別進行研究,70年代末開始進行漢字識別的研究,到1986年漢字識別的研究進入一個實質性的階段,不少研究單位相繼推出了中文OCR產品.早期的OCR軟件,由于識別率及產品化等多方面的因素,未能達到實際要求。同時,由于硬件設備成本高,運行速度慢,也沒有達到實用的程度。只有個別部門,如信息部門、新聞出版單位等使用OCR軟件。1986年以后我國的OCR研究有了很大進展,在漢字建模和識別方法上都有所創(chuàng)新,在系統(tǒng)研制和開發(fā)應用中都取得了豐碩的成果,不少單位相繼推出了中文OCR產品。進入20世紀90年代以后,隨著平臺式掃描儀的廣泛應用,以及我國信息自動化和辦公自動化的普及,大大推動了OCR技術的進一步發(fā)展,使OCR的識別正確率、識別速度滿足了廣大用戶的要求。軟件結構由于掃描儀的普及與廣泛應用,OCR軟件只需提供與掃描儀的接口,利用掃描儀驅動軟件即可。因此,OCR軟件主要是由下面幾個部分組成。1. 圖像輸入、預處理:2. 圖像輸入:對于不同的圖像格式,有著不同的存儲格式,不同的壓縮方式。預處理:主要包括二值化,噪聲去除,傾斜較正等3. 二值化:對攝像頭拍攝的圖片,大多數是彩色圖像,彩色圖像所含信息量巨大,對于圖片的內容,我們可以簡單的分為前景與背景,為了讓計算機更快的,更好的識別文字,我們需要先對彩色圖進行處理,使圖片只前景信息與背景信息,可以簡單的定義前景信息為黑色,背景信息為白色,這就是二值化圖了。4. 噪聲去除:對于不同的文檔,我們對燥聲的定義可以不同,根據燥聲的特征進行去燥,就叫做噪聲去除5. 傾斜較正:由于一般用戶,在拍照文檔時,都比較隨意,因此拍照出來的圖片不可避免的產生傾斜,這就需要文字識別軟件進行較正。6. 版面分析:將文檔圖片分段落,分行的過程就叫做版面分析,由于實際文檔的多樣性,復雜性,因此,目前還沒有一個固定的,最優(yōu)的切割模型。7. 字符切割:由于拍照條件的限制,經常造成字符粘連,斷筆,因此極大限制了識別系統(tǒng)的性能,這就需要文字識別軟件有字符切割功能。8. 字符識別:這一研究,已經是很早的事情了,比較早有模板匹配,后來以特征提取為主,由于文字的位移,筆畫的粗細,斷筆,粘連,旋轉等因素的影響,極大影響特征的提取的難度。9. 版面恢復:人們希望識別后的文字,仍然像原文檔圖片那樣排列著,段落不變,位置不變,順序不變,的輸出到word文檔,pdf文檔等,這一過程就叫做版面恢復。10. 后處理、校對:根據特定的語言上下文的關系,對識別結果進行較正,就是后處理。工作流程一個OCR識別系統(tǒng),其目的很簡單,只是要把影像作一個轉換,使影像內的圖形繼續(xù)保存、有表格則表格內資料及影像內的文字

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論