OCR識別技術.docx

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