孙瑞彬 钱夔 徐伟敏 路红

1 南京工程学院 自动化学院,南京,211167 2 南京学府睿捷信息科技有限公司,南京,210009

0 引言

随着信息的快速发展,数字时代已然来临.OCR (Optical Character Recognition) 技术即光学字符识别作为计算机视觉领域的一个重要分支,通过具有拍照功能的设备获取文档图片,再利用诸多算法对文档内容进行分析识别.发票识别作为OCR领域的重要研究方向,可有效解决票据信息人工录入时效率低、准确率低的问题,提升企业的办事效率.

票据类OCR技术的研究吸引了众多学者,产生了许多研究成果,比如：王阳等[1]基于深度学习的OCR文字识别方法,解决了银行业对于海量图像处理效率低下的问题；郭剑雄等[2]的英文字符算法研究,有效解决了英文字符识别不准确的问题；刘淼等[3]对Android图文同步识别系统的研究,改善了Tesseract-OCR引擎对模糊图像识别效果不佳的问题.但现有的技术对复杂票据的版面分析并无较好的处理方法,对内容涵盖多种字符的文档图像也做不到高效的精准识别[4].

本文基于Tesseract-OCR引擎给出了一套自适应识别方法.利用OpenCV函数库对图像进行滤波[5]，阈值化处理得到二值图像,然后进行开运算提取发票表格以改善票据版面复杂时难以识别的问题；结合表格交点坐标与自定义模板,完成表头匹配后,再通过jTessBoxEditor有针对性地训练字库,优化图文中涵盖中英文、数字及各种符号的识别准确率.最终实现对该类含复杂版面、多语言文本的发票图像感兴趣区域的自适……