基于Tesseract-OCR的复杂发票自适应识别

来源：南京信息工程大学学报·自然科学版杂志2021年第3期北京时间：

作者：孙瑞彬

单位：孙瑞彬,南京工程学院 自动化学院, 南京, 211167,钱夔,南京工程学院 自动化学院, 南京, 211167,kuiqian@njit.edu.cn徐伟敏,南京学府睿捷信息科技有限公司, 南京, 210009,路红,南京工程学院 自动化学院, 南京, 211167

摘要：针对复杂发票任意区域下的特定表格内容提取与实时识别问题，提出了一种基于Tesseract-OCR引擎的自适应识别方法.首先利用OpenCV对发票图像进行预处理滤波、自适应阈值等一系列预处理得到二值图像；然后利用形态学中的开运算提取表格全域线段，进行表格位置提取，并结合表格交点坐标与自定义模板，实现表头与内容自适应适配；最后利用jTessBoxEditor对表格区域内容进行字库训练优化，最终实现基于Tesseract-OCR的字符识别.实验结果表明该方法具有高准确识别率，支持感兴趣区域自适应识别，具备高可用性.

关键词：发票识别;Tesseract-OCR;OpenCV;字库训练;自适应识别

基金资助：南京工程学院引进人才科研启动基金（YKJ201918）；南京工程学院校级科研基金（CXY201930）