李沛霖，吕 巍，姚 琳，尚丹梅

（锦州医科大学，辽宁 锦州 121001）

0 引言

随着会计管理信息化的不断发展，会计票据的信息化需求也越来越迫切。会计管理工作每天都要面对大量的纸质票据，各种纸质票据按照传统的工作流程，需要人工手动录入信息，按流程逐级人工审核，并管理大量的纸质票据档案，这使得整体录入和审核工作量繁重，效率较低。在目前的会计信息化中可以将会计票据以图像的形式存档，但其本身是一种非结构化的数据格式，不利于信息的进一步利用。

光学字符识别（Optical Character Recognition，OCR）是一种通过光学技术扫描文本和字符以获得图像信息的方法，通过形态特征的分析确定标准文本和字符编码，转化为计算机内码，并存储在文本文件中，是快速文本输入的一种方式。如果将OCR 技术应用于会计票据识别，对于数字化的票据图像，OCR技术能将其内容逐项识别出来，方便进一步转化为会计文档。

目前，市场上已有很多成熟的OCR 产品，如汉王、文通、ABBYY FineReader OCR、Tesseract OCR、IRIS ReadIRIS、百度OCR 等。在众多OCR 识别产品中，Tesseract 作为谷歌的免费开源OCR 软件，使用集束搜索算法和K－近邻算法（KNN）进行预识别，并支持样本训练，可以形成特定的语言库。相对于其他价格昂贵的商业化识别软件，Tesseract 可以用较低成本针对会计场景建立专用字库，从而提高识别准确度。

1 会计票据图像识别系统构成

基于Tesseract 的会计票据图像识别平台系统构成如图1所示，主要包括图像预处理模块、OCR 字符识别模块及识别文本处理模块。图像预处理接收用户导入的票据图像，进行图像去噪声、图像二值化、图像倾斜矫正等操作，为图像后续的检测和识别做好准备。……