郝聚涛 段静文 陈超 陈鸿龙

（1.上海电机学院电子信息学院 上海市 201306 2.上海思贤信息技术有限公司 上海市 200233）

随着互联网技术的发展创新，办公也逐渐进入了信息化时代，纸质文档数字化由于其便于存储和传输已被广泛应用。但是，大中型的企业由于文档数量庞大，陷于难以梳理的困境。对大量以图像或者pdf 格式存储的文档，进行管理需要能够智能化进行文档的组织和归流，方便用户按照类型进行查找，有效提高工作效率。

文档图像的版面分析是文档信息处理系统的重要组成部分,以及复杂文档OCR（Optical Character Recognition）必不可少的环节,它是实现纸质文档数字化的重要环节。文档版面分析是一个将文档图像分解成不同区域块并且进行文本、图像、表格和数学公式等分类的过程。版面分析在信息检索、机器翻译、光学字符识别以及从文档中提取结构化数据都有着广泛应用。

版面分析包含三个主要步骤：

（1）检测感兴趣的文档块；

（2）提取特征；

（3）对文档块进行分类。

传统的自顶向下、自底向上和混合的块检测方法被用于文档块的分割。然后，使用基于块、基于像素或基于连接组件的技术从块中提取特征。最后引入机器学习算法来分类文档块。

近年来，深度学习在文档布局分类中得到了广泛的研究。Kang将CNN 引入到使用自定义网络进行文档分类的任务中与传统的基于特征的方法相比，显著降低了错误率。

本文中的标题检测就是对文档进行逻辑版面分析的一种特定应用，首先将文档图像分割几何区域，进行文本行识别。……