版面相似中文表单的分类方法研究.pdf

北京大学学报 (自然科学版) 第 51卷 第2期 2015年3月 ActaScientiarumNaturaliumUniversitatisPekinensis，Vo1．5l，No．2(Mar．2015) doi：10．13209~．0479·8023．2015．028 版面相似中文表单的分类方法研究 王思萌 高良才 王悦涵 李平立 汤帜 北京大学计算机科学技术研究所， E京 100080；十通信作者，E—mail：glc@pku．edu．ca 摘要 针对具有相似版面的中文表单，提出一种简单有效的基于距离度量的表单分类方法，该方法对表单的 用户填写信息、布局信息和位置偏移分别进行距离度量，并通过 3种权重有效地降低用户填写信息的随机 性、版面相似表单的布局一致性和位置抖动性对表单分类的影响。实验表明，所提方法在多个中文表单图像 库上的分类准确率达到 90％以上，比目前最新的表单分类方法有明显提高 。 关键词 表单分类；距离度量；权重计算 中图分类号 TP391 A StudyonClassificationofFormswithSimilarLayout W ANG Simeng，GAO Liangcai，W ANG Yuehan，LIPingli，TANG Zhi InstituteofComputerScienceandTechnology，PekingUniversity,BeOing100080；十Correspondingauthor，E-mail：glc@pku．edu．ca Abstract Theauthorsproposeasimplebuteffectivedistancebasedmethodtoidentifyformswithsimilarlayouts bymeasuringtheuserfilled—indata，preprinteddataandditheringdata．Theproposedmethodutilizesthreekindsof weightcomponentstomitigatetheimpactofrandomnessofuserfilled—indata，consistencyofsimilarlayoutsand positionditheringrespectively．Experimentalresultsshow thattheproposedmethodcanachievemorethan90％ classificationaccuracyonaseriesofdatasets，which issignificantlybetterthantheresultsofthestate—of-the—art method． Keywords ofrm classification；distancemetric；weightcalculation 目前，在很多业务 (如银行、保险和统计等)中， 的分类 问题，分类 目标是将采用不同模板的表单区 大量的中文表单通过打印／复印等形式生成后，传递 分开，即同一类表单除用户填写区域外均相同。 给客户进行打印填写或手工填写，导致大量的中文 在银行和保险等机构中，有大量的相似业务存 表单以纸质形式存在，给后期的表单 自动化处理带 在，如 “取款”和 存“款”；另外还有隶属于不同银行 来许多困难 。为了使办公更加 自动化，进而能够从 或保险机构 的同一种业务，如不同银行的汇款单 。 表单中抽取出有用的信息，对表单 自动化处理的需 银行等业务部门的分类归档工作通常是 由人工完成 求 日益强烈。 的，通常业务部 门在处理同一客户的需求时，就会 表单的自动化处理通常包括纸质表单的扫描、 有多种相似的表单需要客户和工作人员进行填写和 读人 、分类 、版面分析 、识别和编辑等一系列过 登记，然后再由工作人员进行人工录入操作。因此 程 。表单分类是表单 自动化处理流程 中的关键步