基于多特征融合的票据分类技术及应用

对票据进行高速、准确的分类是实现票据自动处理的关键。论文分析了各种票据分类方法的优缺点,并根据金融、税务等行业所使用的票据特点,提出基于多特征融合的快速分类方法,可以将票据的几何尺寸、分类条码、标题、特征字符串、特征图像块、特征框线等特征有机地融合并进行分类,提高了票据分类的速度与准确性。利用该技术设计的银行票据处理系统的实际应用说明了该方法的有效性。

基于受控形态学的无限制票据分类

目前的票据类型识别要求票据中必须存在框线、分类码等明确的分类标志,而现有的实际票据往往不满足这些条件,基于受控形态学操作的二次分类方法选取图像本身的结构特征进行了分级受控击中击不中变换,对票据样式没有任何限制。分析和实验表明,该方法计算复杂度低、速度快、准确率高。

基于多特征融合的票据分类技术及应用

在进行票据处理的过程中实现票据快速、准确地分类能够显著提高工作效率,本文针对票据分类的方法进行分析,并指出了其中的利弊。在金融和税务中使用票据具有其自身的特点,根据其特点进行分类能够提高分类的速度。同时也可以根据票据中隐藏的分类条码、特征字符和特征图像等对其进行分类,保证票据分类的效率,同时保证分类的准确性。在银行系统中,采用多特征融合的票据分类技术能够充分证明该方法的实用性。

基于框线检测的票据图像分类方法

针对表格型票据,提出了一种基于框线检测的多类别票据图像分类方法。准确提取票据图像的框线特征,根据票据框线的拓扑结构建立起模板库;通过基于框线相关性的相似度模型,与标准模板库中模板的框线特征进行匹配,进而确定票据的分组类别。实际的票据分类实验证实了该方法的有效性和鲁棒性,为票据自动处理打下了坚实的基础。

层次型金融票据图像分类方法

金融票据图像识别处理是当今的一个热点研究方向,而票据分类是其中重要的基础部分。针对种类繁多、数量巨大、版面复杂和噪声干扰严重的金融票据彩色图像,本文提出了一种基于二叉树决策的层次型票据类型匹配方法。该方法利用三个类型判断器:基于票据版面结构的松弛匹配、基于OCR的票据标题识别和基于票据颜色的色彩分析,层次化的进行票据类型判断。实验表明,层次型金融票据图像分类方法具有良好的效果;基于该方法的银行票据识别处理系统已经广泛应用于各大银行的相关业务系统中。

基于深度学习的票据识别系统设计

信息时代,票据给人们的生活带来了极大的便利。但是,输入票据的过程较耗时,大量的票据会给财务人员带来一定的工作压力。幸运的是,大数据分析和深度学习技术的发展,使得通过一个基于深度学习的票据内容识别技术方案简化这一过程成为可能。这个方案涉及3个阶段。第一阶段,使用ResNet分类拍摄的票据图像。第二阶段,对特定的票据进行文本定位和识别。在文本检测阶段,DBNet被用来检测和定位票据中的细粒度文本。第三阶段,通过文本序列识别(Convolutional Recurrent Neural Network,CRNN)实现文本识别任务。基于深度学习的票据识别系统比人工识别的识别速度更快,准确率更高。