OCR發(fā)票識別應(yīng)用淺述

曾 東

(重慶工程職業(yè)技術(shù)學(xué)院 重慶 402260)

OCR發(fā)票識別應(yīng)用淺述

曾 東

(重慶工程職業(yè)技術(shù)學(xué)院 重慶 402260)

在經(jīng)濟(jì)活動中，個(gè)人或者企事業(yè)單位會用到大量的發(fā)票，傳統(tǒng)方法是將票據(jù)信息手工錄入計(jì)算機(jī)系統(tǒng)，工作效率低下、出錯(cuò)率較高、業(yè)務(wù)處理時(shí)效低。OCR(Optical Character Recognition)票據(jù)信息識別技術(shù)的研發(fā)改變了票據(jù)業(yè)務(wù)處理模式，依托于計(jì)算機(jī)軟硬件，將紛繁復(fù)雜的工作交給計(jì)算機(jī)完成，從而節(jié)省了大量人力物力，優(yōu)化了資源配置，提升了工作效率，具有強(qiáng)大的優(yōu)勢。

OCR；發(fā)票識別；票據(jù)識別

一、引言

OCR是光學(xué)字符識別技術(shù)的簡稱，字符識別是模式識別的一個(gè)重要分支，其工作原理是通過掃描儀、數(shù)碼相機(jī)等光學(xué)輸入設(shè)備獲取紙張上的文字圖片信息，采用光學(xué)方式將文檔資料轉(zhuǎn)換成黑白點(diǎn)陣的圖像文件，再利用模式識別算法分析文字體態(tài)特征，判斷識別出字符文字，進(jìn)而通過識別軟件將圖像中的文字轉(zhuǎn)換成文本格式，并按通用格式存儲在文本文件或者數(shù)據(jù)庫中，還可通過文字處理或編輯軟件等再進(jìn)一步加工。

經(jīng)過了數(shù)十年的發(fā)展，OCR技術(shù)在文檔識別方面的有了很大的進(jìn)步。在市場上已經(jīng)推出了很多成功的商業(yè)軟件，如漢王公司的文本王、清華文通TH-OCR、尚書OCR、蒙恬OCR以及丹青OCR等，其應(yīng)用范圍也越來越廣泛，不僅僅局限于個(gè)人或中小企業(yè)的辦公自動化，在金融、稅務(wù)、數(shù)字圖書館等領(lǐng)域也已經(jīng)開始了大規(guī)模地應(yīng)用。它的發(fā)展推進(jìn)了將文檔資料和各類紙質(zhì)存儲信息的數(shù)字化進(jìn)程，加速了信息資源開發(fā)利用共享，輕松實(shí)現(xiàn)了紙質(zhì)文檔的電子化，快速提高了工作效率，有效提升了人們的學(xué)習(xí)工作質(zhì)量。

二、OCR發(fā)票識別需求背景

在經(jīng)濟(jì)活動中應(yīng)用到大量的單證，為了將這些數(shù)量巨大、種類繁多的單證輸入計(jì)算機(jī)系統(tǒng)，需要進(jìn)行相應(yīng)的數(shù)據(jù)錄入工作。在現(xiàn)階段，傳統(tǒng)的手工錄入仍然是主要的工作方式，需要投入大量的成本和時(shí)間，不僅抬高了運(yùn)營成本，而且錄入速度也難以提升，錯(cuò)誤率也很難降低，對提高業(yè)務(wù)處理時(shí)效、提升服務(wù)品質(zhì)帶來了負(fù)面影響。

相對于傳統(tǒng)的手工錄入方式來說，OCR識別的速度遠(yuǎn)快于手工錄入，可以節(jié)省大量人力資源，優(yōu)化資源配置，使人員分配于更加有意義的工作，具有強(qiáng)大的優(yōu)勢。盡管目前的OCR技術(shù)的識別率雖然很難達(dá)到100%，但其質(zhì)量仍然高于大批量手工錄入。

針對上述情況，建立一套通用的OCR服務(wù)及管理平臺，可以為企業(yè)提供高速度、低成本的數(shù)據(jù)采集工具，為多個(gè)應(yīng)用系統(tǒng)提供通用服務(wù)，提高業(yè)務(wù)處理時(shí)效，降低錯(cuò)誤率，為業(yè)務(wù)快速發(fā)展提供有力的支撐。

三、OCR發(fā)票識別現(xiàn)狀

在票據(jù)識別方面，該項(xiàng)技術(shù)的研究應(yīng)用已逐漸廣泛，市場上較為著名的有清華文通的TH-OCR系統(tǒng)和漢王的尚書OCR系統(tǒng)等。票據(jù)識別技術(shù)可用于各類表單識別，譬如銀行客戶申請表、保險(xiǎn)客戶申請表、金融票據(jù)(如支票、匯票)、醫(yī)療費(fèi)用單證、收費(fèi)發(fā)票等；各類個(gè)人證件識別，譬如可識別身份證、駕駛證、行駛證等；各類企業(yè)證件識別，譬如可識別企業(yè)營業(yè)執(zhí)照、組織機(jī)構(gòu)代碼證等；各類車牌照識別，譬如道路上各種車牌照，如藍(lán)牌、黃牌、警牌、農(nóng)用車牌等。

發(fā)票識別是票據(jù)識別的一個(gè)小分支。有關(guān)數(shù)據(jù)顯示，中國每年會開具2000億張紙幣發(fā)票，約合紙張12萬噸，大約是86萬棵成年樹木。如果一單發(fā)票的成本需要1.6元，唯品會每年打印發(fā)票約合人民幣兩千多萬，京東則每年花費(fèi)將近兩個(gè)億。發(fā)票內(nèi)容是很重要的公司數(shù)據(jù)，在供應(yīng)商管理、合同管理、報(bào)銷管理、稅務(wù)認(rèn)證、客戶管理等各業(yè)務(wù)方面都需要使用。

眾所周知，財(cái)務(wù)數(shù)據(jù)多以表格和漢字出現(xiàn)，而這就是自動識別系統(tǒng)中最困難的地方。這些問題主要包括票據(jù)紙張不一、表格線分布不均勻、長短不一，以及漢字結(jié)構(gòu)復(fù)雜、相似字多等等。這也就造成了票據(jù)識別的難度要高于一般紙質(zhì)文檔的識別。對于傳統(tǒng)的紙質(zhì)文檔和單一的字符識別已經(jīng)取得了相當(dāng)大的進(jìn)展，但是對包括復(fù)雜表格和字符的圖像仍存在一些問題。

四、OCR發(fā)票識別軟件工作流程

發(fā)票單據(jù)識別OCR是一款通用的數(shù)據(jù)批量采集軟件，適用于各種具有表格特征的發(fā)票單據(jù)，通過掃描、圖像處理、自動分類、OCR識別技術(shù)，將表格圖像中的數(shù)據(jù)信息準(zhǔn)確、快速、真實(shí)地提取并保存，數(shù)據(jù)結(jié)果可導(dǎo)出為標(biāo)準(zhǔn)的數(shù)據(jù)格式，如Excel表，與企事業(yè)單位的ERP、CRM等系統(tǒng)實(shí)現(xiàn)無縫結(jié)合。軟件系統(tǒng)支持中英文、數(shù)字、符號等多類型字符的手寫體、印刷體識別。OCR軟件識別基本流程描述如下：

掃描：通過掃描儀等設(shè)備將目標(biāo)文檔(各類發(fā)票)以文檔圖像的形式讀入系統(tǒng)。

預(yù)處理：圖像在生成過程中，由于成像系統(tǒng)本身具有非線性或者攝像時(shí)視角不對，會使生成的圖像產(chǎn)生幾何失真，此外在拍照的過程中，由于各種原因文檔圖像經(jīng)常會出現(xiàn)一定程度的傾斜。而圖像傾斜將會影響文字識別的效果。因此，在進(jìn)行版面分析之前，進(jìn)行傾斜檢測和校正十分重要。通過對文檔圖像預(yù)處理提高了圖像的質(zhì)量，減小各種噪聲對后續(xù)過程的影響。

版面分析：將圖像文件中所包含的直線、文本表格、圖像等不同性質(zhì)的劃分開來，并將文本部分按照段落，標(biāo)題等進(jìn)行切分，以便于下一步的處理。

版面識別：對版面分析中的各個(gè)分欄的性質(zhì)及順序做出判斷與識別，同時(shí)，對于文本性質(zhì)的分欄，指出它是橫排還是豎排，是正文還是標(biāo)題，以及各個(gè)段落基于復(fù)雜度的自適應(yīng)中文版面分析方法研究的先后順序，從而保證識別后的文件的語義關(guān)系。通常把版面分析與版面識別統(tǒng)稱為版面理解。

字符切分：將文字區(qū)域的字符進(jìn)行切分，為字符識別做準(zhǔn)備。

字符識別：識別單個(gè)字符，將其轉(zhuǎn)化為字符編碼。

后處理與版面重構(gòu)：將前幾步的處理結(jié)果進(jìn)行進(jìn)一步處理,輸出目標(biāo)文件格式。

當(dāng)然，生成目標(biāo)格式文件的同時(shí)可以將票據(jù)要素詳細(xì)信息定向入庫存儲，方便后續(xù)查詢共享等操作。

使用OCR識別技術(shù)實(shí)現(xiàn)自動錄單，通過批量掃描識別的方式采集發(fā)票數(shù)據(jù)，大大提高數(shù)據(jù)采集的效率，降低了人力物力開銷。

OCR識別錄單方式是對傳統(tǒng)錄入方式的一個(gè)顛覆，基于先進(jìn)的圖像處理、OCR&ICR(智能字符識別)技術(shù)，把繁重重復(fù)的工作交給計(jì)算機(jī)去處理，充分發(fā)揮了計(jì)算機(jī)信息處理技術(shù)的優(yōu)勢，錄單主體的變更帶來的是錄單效率本質(zhì)的提高，這也是OCR識別技術(shù)研究的初衷。

評價(jià)OCR識別軟件系統(tǒng)的主要性能指標(biāo)有識別對象、識別率、誤識率、拒識率、可靠性、識別速度等。

五、結(jié)束語

隨著科技的發(fā)展，OCR識別技術(shù)將會衍生到人工智能的很多產(chǎn)品當(dāng)中，將有廣闊的市場，但前路漫漫，針對不同的復(fù)雜場景依然保持較好的識別性能，還需要更加深入研究，進(jìn)一步提升識別可靠性。

[1]黃宇.OCR技術(shù)在金融領(lǐng)域的應(yīng)用[J].金融電子化,2001(1):86-88.

[2]彭健.基于OCR技術(shù)的金融和財(cái)務(wù)票據(jù)自動錄入與管理系統(tǒng)[J].渝州大學(xué)學(xué)報(bào),1999(14-3):50-54.

[3]張艷.票據(jù)自動處理系統(tǒng)中若干關(guān)鍵技術(shù)研究[D].南京理工大學(xué),2008.

[4]田大增.視覺文檔圖像識別預(yù)處理[D].河北大學(xué),2007.

曾東(1987.12-)，男，漢族，重慶云陽人，教師，碩士研究生，重慶工程職業(yè)技術(shù)學(xué)院，物聯(lián)網(wǎng)技術(shù)與應(yīng)用。