深圳技师学院 杨思怡 付相祥 吴晓华 夏 清

在高速信息化的时代，针对海量文档数据处理效率低下的问题，提出了一种基于OCR技术的识别系统，首先利用OpenCV对文档数据进行预处理滤波，边缘计算，灰度化等一系列预处理，然后使用Canny算子找到图片边缘信息后应用一个透视的转换去获取一个文档的自顶向下的正图，最后完成了一个基于Tesseract-OCR的文档扫描识别项目，该实验表明此方法具有准确的识别率，提供多种语言开发调用，以及具备高可用性；可以有效提升数据录入的效率，大大减轻人工的消耗。

随着信息技术的快速发展，数字化时代已然来临。人们不再满足传统的纸质办公而是将需求投放在了电子文稿上，在现如今的商业事务中，资金的往来以及员工的报销将会产生大量的纸质票据，而将纸质的票据进行保存及录入成为了一大难题。在传统的票据录入中往往需要耗费大量人工进行手动录入，但其却存在效率低下，差错率高，成本昂贵等弊端。为了有效提高票据录入的效率，本项目将提出Tesseract-OCR引擎所给出的一套自适应识别方法。利用OpenCV函数库对图像进行滤波，灰度化，阈值化处理后得到二值图像。再通过透视变换对图像进行摆正，应用一个透视的转换去获取一个票据的自顶而下的正图，最后再通过OCR技术对票据进行识别。具体过程如图1所示。

图1 文档扫描识别具体过程图

1 OpenCV和Tesseract-OCR识别

1.1 OpenCV

OpenCV是一个跨平台计算机视觉和机器学习的软件库，它可以运行在各大操作系统上，并且能提供多种语言的接口。……