一種多頁面版式文檔的腳注識別和提取方法

基本信息

申請?zhí)?/td> CN201910743304.X 申請日 -
公開（公告）號 CN110705223A 公開（公告）日 2020-01-17
申請公布號 CN110705223A 申請公布日 2020-01-17
分類號 G06F40/169 分類 計算；推算；計數(shù);
發(fā)明人 徐劍波;張詩玉;王磊 申請（專利權）人 北京眾信博雅科技有限公司
代理機構 - 代理人 -
地址 100000 北京市海淀區(qū)西三旗安寧莊路4號9號樓4層0996
法律狀態(tài) -

摘要

摘要 本發(fā)明涉及一種多頁面版式文檔的腳注識別和提取方法，屬于信息提取領域。本發(fā)明所述的方法，通過提取版式文件的中的文字塊、線段，提取頁面中字號、排版等特征滿足條件的文字塊作為腳注文字候選，并進行正文中小字符與腳注區(qū)域文字的比對來提高候選腳注引用的正確性，同時通過提取腳注線，并區(qū)分起始腳注線與續(xù)頁腳注線，把腳注線與腳注文字交叉驗證以排除干擾文字及干擾線段，最終確認腳注區(qū)域。采用本發(fā)明所述的方法，可以自動從多頁的版式文檔中提取腳注，適應不同的排版風格，適應腳注在頁面底部或文章尾部等情況，并保證高的正確率。