隨著人工智能的發(fā)展，在生活中有許多方便高效的應用，如人臉識別、證書識別與認證、名片識別、車牌識別等。，這些都方便了我們的日常生活。同樣，這些技術也可以為我們的日常業(yè)務流程提供智能高效的解決方案。

日常交易和清算業(yè)務交易中有各種電子郵件、傳真等文件，主要包括交易確認文件、存款協(xié)議、敲門指令、跨行收費、線下中標公告、海外券商確認單等。這些文檔需要手動識別并提取到系統(tǒng)中。利用光學字符識別技術，可以識別和糾正文檔圖像內(nèi)容，提取關鍵字段元素并與相關系統(tǒng)連接，減少人工輸入，提高工作效率，減少人工輸入錯誤。

典型的光學字符識別技術路線如下圖所示:

在光學字符識別技術中，圖像預處理通常旨在糾正圖像的成像問題。輸入的文字通過掃描儀進入電腦后，紙張的厚度、平滑度、打印質(zhì)量等都會造成文字失真，造成斷筆、粘連、污漬等干擾。因此，在進行文本識別之前，需要對有噪聲的文本圖像進行處理。因為這種處理工作是在字符識別之前，所以叫做預處理。預處理一般包括灰度化、二值化、幾何變換(透視、畸變、旋轉等)。)，畸變校正，模糊去除，圖像增強和光線校正，線和字分割，平滑，歸一化等。

最重要的環(huán)節(jié)，也是影響識別準確率的環(huán)節(jié)，是文本檢測和文本識別。文本檢測是檢測文本的位置、范圍和布局，包括布局分析和文本行檢測。文本檢測的主要問題是哪里有字符，字符的范圍有多大。

文本識別是基于文本檢測，識別文本的內(nèi)容，主要是識別每個字符是什么。對于文本圖像，提取特征并將其扔給分類器，分類器將對其進行分類，并告訴您該特征應該識別哪個文本。分類器一般通過模板匹配、判別函數(shù)、神經(jīng)網(wǎng)絡分類、基于規(guī)則的推理等方法來設計。分類器通常在實際識別之前進行訓練，這是一個有監(jiān)督的學習過程。有很多成熟的分類器，比如SVM，CNN。將圖像中的文本信息翻譯成文本信息。

識別出的文本可以通過詞庫中的匹配詞典進行修正，比如相似詞的處理:“分”和“Xi”是相似的，但如果遇到“分數(shù)”這個詞，就不應該識別為“Xi數(shù)”，因為“分數(shù)”是一個正常的詞。這需要語言模型來糾正，通常需要再次檢查以確保其正確性。

劇終

OCR技術步驟多，算法復雜。但是隨著識別算法的不斷完善和成熟，字符編碼庫更加準確，OCR識別的準確率也大大提高。目前，OCR字符特征的主流算法識別率幾乎達到95%。同時有成熟的OCR引擎，可以幫助開發(fā)者提高開發(fā)效率。

前期我們在部分業(yè)務中測試了近1000份文檔，整體成功率在97%以上。通過引入OCR技術，將優(yōu)化業(yè)務流程，減少人工提取操作，提高清算估價業(yè)務的自動化水平，使業(yè)務流程更加簡單高效。