李沛霖，呂 巍，姚 琳，尚丹梅

（錦州醫(yī)科大學(xué)，遼寧 錦州 121001）

0 引言

隨著會計管理信息化的不斷發(fā)展，會計票據(jù)的信息化需求也越來越迫切。會計管理工作每天都要面對大量的紙質(zhì)票據(jù)，各種紙質(zhì)票據(jù)按照傳統(tǒng)的工作流程，需要人工手動錄入信息，按流程逐級人工審核，并管理大量的紙質(zhì)票據(jù)檔案，這使得整體錄入和審核工作量繁重，效率較低。在目前的會計信息化中可以將會計票據(jù)以圖像的形式存檔，但其本身是一種非結(jié)構(gòu)化的數(shù)據(jù)格式，不利于信息的進一步利用。

光學(xué)字符識別（Optical Character Recognition，OCR）是一種通過光學(xué)技術(shù)掃描文本和字符以獲得圖像信息的方法，通過形態(tài)特征的分析確定標(biāo)準(zhǔn)文本和字符編碼，轉(zhuǎn)化為計算機內(nèi)碼，并存儲在文本文件中，是快速文本輸入的一種方式。如果將OCR 技術(shù)應(yīng)用于會計票據(jù)識別，對于數(shù)字化的票據(jù)圖像，OCR技術(shù)能將其內(nèi)容逐項識別出來，方便進一步轉(zhuǎn)化為會計文檔。

目前，市場上已有很多成熟的OCR 產(chǎn)品，如漢王、文通、ABBYY FineReader OCR、Tesseract OCR、IRIS ReadIRIS、百度OCR 等。在眾多OCR 識別產(chǎn)品中，Tesseract 作為谷歌的免費開源OCR 軟件，使用集束搜索算法和K－近鄰算法（KNN）進行預(yù)識別，并支持樣本訓(xùn)練，可以形成特定的語言庫。相對于其他價格昂貴的商業(yè)化識別軟件，Tesseract 可以用較低成本針對會計場景建立專用字庫，從而提高識別準(zhǔn)確度。

1 會計票據(jù)圖像識別系統(tǒng)構(gòu)成

基于Tesseract 的會計票據(jù)圖像識別平臺系統(tǒng)構(gòu)成如圖1所示，主要包括圖像預(yù)處理模塊、OCR 字符識別模塊及識別文本處理模塊。圖像預(yù)處理接收用戶導(dǎo)入的票據(jù)圖像，進行圖像去噪聲、圖像二值化、圖像傾斜矯正等操作，為圖像后續(xù)的檢測和識別做好準(zhǔn)備。預(yù)處理后的票據(jù)圖像經(jīng)文字檢測和識別模塊處理，形成文本文件。識別文本處理模塊將文本信息轉(zhuǎn)化為相應(yīng)會計格式文檔。

2 圖像預(yù)處理

票據(jù)圖像在進行數(shù)字化轉(zhuǎn)換時，會受到各種環(huán)境因素影響，為了提高圖像識別的質(zhì)量，通常需要對圖像進行去噪聲、二值化、傾斜矯正等預(yù)處理。

2.1 圖像去噪聲

使用電子設(shè)備采集的圖像，受到外界光照、噪聲等環(huán)境的干擾，造成圖像清晰度下降，給圖像的檢測和識別帶來不利影響，在進行圖像分析和處理之前，需要消除圖像噪聲，并針對不同的噪聲特點采用適合的濾波器，以便最大程度地還原圖像的質(zhì)量。自適應(yīng)中值濾波可以根據(jù)圖像局部變化，動態(tài)的改變?yōu)V波器窗口尺寸大小，其算法流程如圖2 所示。該算法盡可能地保護圖像中的細節(jié)信息，避免圖像邊緣的細化或者粗化，能較好地保留圖像的邊界和高頻成分，適于處理會計票據(jù)圖像。

2.2 圖像二值化

圖像二值化是將彩色或多灰度圖像轉(zhuǎn)換為只有黑白二值的灰度圖像的過程，將圖像轉(zhuǎn)換為二值圖像，減少圖像數(shù)據(jù)量的同時，去除圖像的冗余信息，凸顯圖像的輪廓。

（1）圖像脫色處理

彩色圖像轉(zhuǎn)換為灰度圖像可以采用平均法、最大最小平均法及加權(quán)平均法等，其中加權(quán)平均法最常用，它根據(jù)人的亮度感知系統(tǒng)計算出RGB 三種顏色的參數(shù)，使用標(biāo)準(zhǔn)化參數(shù)計算對應(yīng)像素的灰度值（0－255），該算法實現(xiàn)簡單，使用廣泛。

（2）圖像黑白分割

對于票據(jù)圖像經(jīng)常出現(xiàn)的亮度分布不均勻、有陰影等情況。如果采用全局閾值法，將導(dǎo)致票據(jù)圖像出現(xiàn)大量的黑色區(qū)域；采用自適應(yīng)閾值法對票據(jù)圖像處理，容易出現(xiàn)文字?jǐn)嗔训那闆r。經(jīng)過大量測試，發(fā)現(xiàn)OTSU 法對票據(jù)圖像二值化效果較理想。

OTSU 算法按圖像的灰度特性，將圖像分成背景和目標(biāo)兩部分，背景和目標(biāo)之間的類間方差越大，說明構(gòu)成圖像的兩部分差別越大。當(dāng)部分目標(biāo)錯分為背景或者部分背景錯分為目標(biāo)都會導(dǎo)致兩部分差別變小，因此要計算能將兩類分開的最佳閾值，使得它們的類間方差最小。

假設(shè)圖像的尺寸大小為M×N，初始閾值為T0。對圖像中的像素依次進行計算，將圖像像素值大于初始閾值的像素點作為目標(biāo)，累積求得像素點個數(shù)N0，背景像素點個數(shù)為：

目標(biāo)像素點占整個圖像的像素個數(shù)比例ω0為：

設(shè)灰度圖像背景和目標(biāo)的區(qū)分閾值為T，目標(biāo)像素點所占圖像總像素點的比例為ω0，灰度均值為μ0，背景占圖像比例為ω1，灰度均值為μ1，則整幅圖像的平均灰度為：

令灰度圖像的每一個灰度值t＝0，1，…，N－1（N 為圖像的灰度級），使目標(biāo)和背景兩部分之間的類間方差達到最大：

OTSU 閾值法是求圖像全局閾值的最佳方法，計算簡單、快速，不受圖像亮度和對比度的影響。

2.3 圖像的傾斜矯正

在票據(jù)圖像的獲取過程中，經(jīng)常會出現(xiàn)圖像傾斜現(xiàn)象，這樣會影響圖像后續(xù)的字符分割效果，必須矯正圖像的水平度。Hough 變換是一種特征提取技術(shù)，它通過一種投票算法監(jiān)測具有特定形狀的物體，直線檢測精度高，受直線中的間隙和噪聲影響較小。將圖像空間中用直角坐標(biāo)表示的直線變換為極坐標(biāo)空間中的點，把直線上點的坐標(biāo)變換到過點的直線的系數(shù)域，通過利用共線和直線相交的關(guān)系使直線的提取問題轉(zhuǎn)化為在參數(shù)空間中計算局部最大值的計數(shù)問題，得到一個符合特定形狀的集合作為Hough 變換結(jié)果。在Hough 變換中用ρ 表示原點距直線的法線距離，θ 為該法線與x 軸的夾角，可用如下參數(shù)方程表示該直線：

使用Hough 變換通過尋找極坐標(biāo)系中點集的峰值，發(fā)現(xiàn)長的直線特征，接下來基于Hough 變換找到最長邊緣線，確定傾斜角度，完成票據(jù)的傾斜矯正。

3 基于Tesseract 的OCR 識別

經(jīng)過預(yù)處理的會計票據(jù)圖像樣本使用jTessBoxEditor 整合進一個Tiff 圖片集中，然后調(diào)用Tesseract 引擎進行預(yù)識別，生成文本檢測Box 文件，Box 為文本文件，順序地、每行一個字符地列出訓(xùn)練圖像中的字符，以及字符在圖像中的邊界框坐標(biāo)、邊界框長寬大小。對于Box 文件需要進一步校正，以修改其中的錯誤，積累字庫，針對票據(jù)圖像中出現(xiàn)的不同字體，可以生成字體特征文件，識別流程如圖3 所示。

訓(xùn)練完成后生成會計票據(jù)字庫，將字庫文件拷貝到Tesseract 安裝目錄下的Tessdata 文件內(nèi)，即可調(diào)用字庫進行會計票據(jù)圖像的識別。根據(jù)經(jīng)驗數(shù)據(jù)分析，基于Tesseract 的字符識別，需要確保每個字符最小的數(shù)量樣本，對于不經(jīng)常出現(xiàn)的字符至少需要10 次的數(shù)量樣本，出現(xiàn)特別頻繁的字符至少需要20 次的數(shù)量樣本。如果訓(xùn)練樣本數(shù)量較少，會影響識別的準(zhǔn)確率，解決辦法為增加訓(xùn)練樣本數(shù)量，這是提高識別率的最根本、最有效方法。

4 識別文本處理

對文字識別后生成的文本文件，依次讀出行列對應(yīng)的文字信息并寫入表格。對于表格中的數(shù)據(jù)，按照會計科目等類別，進行統(tǒng)計歸類、分類匯總，形成會計信息表，方便進一步根據(jù)實際需求編制財務(wù)表格。在文本數(shù)據(jù)導(dǎo)入并匯總成表格時，針對OCR 識別過程中可能出現(xiàn)的錯誤，還需引入糾錯程序，使用相似度算法對可能出現(xiàn)的錯誤進行自動糾錯，并提供手動糾錯提示。

5 結(jié)語

基于Tesseract 的會計票據(jù)圖像識別系統(tǒng)，借助圖像處理技術(shù)和開源OCR 識別引擎提供一種低成本的會計票據(jù)圖像識別方案，該方案對120 張樣本票據(jù)進行試驗，總體識別率為93.57%，準(zhǔn)確率相對較高，可以基本滿足會計工作需求，但仍然存在個別識別錯誤，需要手動校對。在后續(xù)的實踐應(yīng)用中還要不斷完善其功能，改進圖像預(yù)處理能力并積累字庫，進一步提高識別準(zhǔn)確率和效率，提高會計信息處理效率和智能化水平。