當(dāng)前問題：保險(xiǎn)公司在業(yè)務(wù)辦理和處理中所用的各類資料多以圖片形式存在（一般通過紙質(zhì)掃描或移動(dòng)端拍照采集獲得），需要人工介入對(duì)大量圖片進(jìn)行質(zhì)量審核和內(nèi)容錄入，占用較多的業(yè)務(wù)處理時(shí)間，影響高效快速響應(yīng)客戶。

　　應(yīng)對(duì)措施：借助OCR技術(shù)，有望替代人工實(shí)現(xiàn)圖片的自動(dòng)審核和錄入，幫助業(yè)務(wù)實(shí)現(xiàn)全流程自動(dòng)化處理。

OCR識(shí)別技術(shù)

　　OCR識(shí)別的核心技術(shù)包括文本區(qū)域檢測及文字切分、文字特征提取以及文字內(nèi)容識(shí)別。區(qū)域檢測及文字切分常用的方法包括投影法、邊界輪廓檢測法、CNN卷積神經(jīng)網(wǎng)絡(luò)法等；文字特征提取常用的方法包括結(jié)構(gòu)法和統(tǒng)計(jì)法，前者利用單字的構(gòu)成基元及拓?fù)浣Y(jié)構(gòu)作為特征，后者利用單字的圖像像素空間向量作為特征，各有利弊，因此經(jīng)常混合使用。文字內(nèi)容識(shí)別常用的方法包括K-近鄰法、SVM支持向量機(jī)法、神經(jīng)網(wǎng)絡(luò)法等，用待識(shí)別文字的特征與字典庫進(jìn)行匹配，字典庫內(nèi)容包含所有欲識(shí)別文字的字符集，通過匹配選擇最適合的分類結(jié)果作為識(shí)別結(jié)果。衡量一個(gè)OCR系統(tǒng)好壞的主要指標(biāo)有：識(shí)別率、拒識(shí)率、誤識(shí)率、識(shí)別速度等。

　　對(duì)于OCR識(shí)別應(yīng)用，一般處理流程包括6個(gè)步驟，如圖1所示。

　
圖1   OCR識(shí)別應(yīng)用處理流程

　　6個(gè)步驟中，專業(yè)的OCR引擎可完成步驟3~5的處理，其他步驟根據(jù)識(shí)別對(duì)象的具體特點(diǎn)通過應(yīng)用程序開發(fā)實(shí)現(xiàn)。

單證OCR識(shí)別的應(yīng)用方法和流程

　　本文以保單正本頁為例，對(duì)OCR識(shí)別單證的一般應(yīng)用方法、流程及算法進(jìn)行探索研究，總結(jié)經(jīng)驗(yàn)方法。整個(gè)研究過程選用Tesseract 4.0 作為OCR識(shí)別引擎，該工具是當(dāng)前主流的OCR開源工具，最初由HP公司開發(fā)，后來由Google維護(hù)，支持包括中文在內(nèi)的60多種語言，以字符的線段特征和原型特征作為識(shí)別特征，采用基于KNN的自適應(yīng)分類器，最新的4.0版本還引入了LSTM神經(jīng)網(wǎng)絡(luò)算法。應(yīng)用開發(fā)語言選用了主流的數(shù)據(jù)科學(xué)語言Python語言。研究中選取了保單上的關(guān)鍵要素信息進(jìn)行識(shí)別（如圖2虛線框表示部分），按照要素在保單上的排序順序輸出結(jié)果，整體流程方法如下。

　
圖2   識(shí)別內(nèi)容區(qū)域

　　01.預(yù)處理保單正本頁圖片

　　輸入的圖片格式采用tif或jpeg格式，關(guān)鍵的處理方法包括：對(duì)圖片進(jìn)行灰度化處理，將三通道RGB圖片轉(zhuǎn)換為單通道的灰度圖片；提升分辨率,一般圖片分辨率為72DPI，Tesseract對(duì)圖片分辨率的要求是至少300DPI，需要進(jìn)行轉(zhuǎn)換調(diào)整；統(tǒng)一圖片大小，方便后續(xù)圖片切割，對(duì)圖片進(jìn)行歸一化處理保持統(tǒng)一尺寸；去掉圖片噪音，使用低通濾波算法降低圖片干擾。

　　02.分析保單正本頁版面特征

　　分析待識(shí)別內(nèi)容在保單正本頁上的坐標(biāo)分布，供下一步圖片切割使用。首先，使用低通濾波、形態(tài)學(xué)中的膨脹腐蝕及邊緣檢測處理技術(shù)，檢測圖片各保單要素信息所在的區(qū)域輪廓（如圖3所示），其中邊緣檢測分別使用Prewitt算子、Laplace算子、Sobel算子進(jìn)行測試，Sobel算子表現(xiàn)效果最好并確定選用該算子。其次，在輪廓檢測后，由于輪廓順序混亂無法確定哪個(gè)輪廓對(duì)應(yīng)哪個(gè)保單要素，為此需要定位輪廓所處位置，利用輪廓坐標(biāo)以及保單要素自身的寬度特征信息等，確定輪廓間的前后上下順序，計(jì)算輪廓所處行和位置編號(hào)，然后對(duì)照原始圖片上各要素的位置，確定輪廓與保單要素的對(duì)應(yīng)關(guān)系，進(jìn)而得到各保單要素的坐標(biāo)位置信息。

　
圖3   待識(shí)別保單要素區(qū)域輪廓

　　03.切割正本頁圖片并二次處理

　　使用上一步產(chǎn)生的保單要素坐標(biāo)位置信息，自動(dòng)從正本頁圖片上切割分離出每個(gè)待識(shí)別要素的子圖片，供識(shí)別使用。分割出的子圖片詳見圖4所示。

　
圖4   切割后的保單要素

　　另外，根據(jù)Tesseract特點(diǎn)，其識(shí)別率與圖片大小相關(guān)，在實(shí)踐中發(fā)現(xiàn)調(diào)整保單要素圖片大小可獲得不同的識(shí)別率，因此逐一對(duì)各要素圖片進(jìn)行調(diào)試并最終確定每個(gè)要素圖片的縮放比率，在45%到110%之間不等，按此對(duì)切割后的圖片進(jìn)行二次縮放處理。

　　04.識(shí)別子圖片內(nèi)容

　　使用python中的Tesseract算法函數(shù)進(jìn)行識(shí)別，Tesseract提供了對(duì)行文字切分、特征提取和分類識(shí)別的能力，將各保單要素子圖片作為輸入，輸出為識(shí)別結(jié)果。

　　05.識(shí)別結(jié)果后處理

　　修正錯(cuò)誤識(shí)別的內(nèi)容。有些識(shí)別錯(cuò)誤具有一定的規(guī)律性，比如Tesseract在識(shí)別保單號(hào)和投保單號(hào)時(shí)，容易將‘0’識(shí)別成‘C’，‘7’識(shí)別成‘/’，‘9’識(shí)別成‘%’等，可以進(jìn)行排查替換。另外，針對(duì)一些專業(yè)詞匯，比如險(xiǎn)種名稱、交費(fèi)方式，可以建立詞匯字典，將識(shí)別結(jié)果與字典內(nèi)容進(jìn)行相似度匹配檢查，用最佳匹配結(jié)果替換降低錯(cuò)誤率。相似度檢查方法可使用difflib庫中的get_close_matches函數(shù)算法，實(shí)現(xiàn)最佳內(nèi)容查找匹配。

　　通過上述方法，完成對(duì)保單正本頁的識(shí)別。在評(píng)價(jià)識(shí)別準(zhǔn)確率方面，采用了如下公式規(guī)則：將保單正本頁上每個(gè)信息要素做為一個(gè)識(shí)別對(duì)象，如合同號(hào)、投保單號(hào)各是一個(gè)識(shí)別對(duì)象，計(jì)算公式為：準(zhǔn)確率=(正確識(shí)別的對(duì)象個(gè)數(shù))/(識(shí)別對(duì)象總數(shù))。按此公式計(jì)算，使用Tesseract進(jìn)行識(shí)別的準(zhǔn)確率達(dá)80%左右。

結(jié)束語

　　OCR技術(shù)在單證識(shí)別領(lǐng)域的應(yīng)用還有很多難點(diǎn)有待進(jìn)一步深入研究解決，包括圖片存在噪聲、模糊、光線變化、形變、復(fù)雜背景干擾等問題，單證票據(jù)存在虛線干擾、版面缺失、文字溢出表格、文字與表格線交叉等情況，對(duì)定位和識(shí)別文字形成巨大挑戰(zhàn)。人工智能機(jī)器學(xué)習(xí)的發(fā)展將為這些問題的突破帶來機(jī)遇，在文字區(qū)域檢測方面，R-CNN、Faster R-CNN、R-FCN等目標(biāo)檢測算法通過訓(xùn)練樣本獲取圖片上各要素的輪廓位置特征，克服了傳統(tǒng)圖像處理方法受到的圖片問題干擾，具有比傳統(tǒng)方法更加準(zhǔn)確的位置定位；在文字識(shí)別方面，CNN、RNN、CTC、LSTM等算法通過訓(xùn)練學(xué)習(xí)自動(dòng)提取字符特征，降低了傳統(tǒng)特征提取方法的復(fù)雜度，并提升了分類識(shí)別的準(zhǔn)確率。總之，基于深度學(xué)習(xí)的目標(biāo)檢測和識(shí)別訓(xùn)練正在成為OCR識(shí)別技術(shù)的新趨勢，將是下一步研究應(yīng)用的方向。

（文章來源：金融電子化雜志）

掃碼即可手機(jī)
閱讀轉(zhuǎn)發(fā)此文