一种光学字符识别重复检测方法和系统

技术领域

本发明属于光学字符识别领域，尤其涉及一种光学字符识别重复检测方法和系统。

背景技术

多媒体文件的OCR的应用在不同行业不同场景越来越普遍，但是多媒体文件的OCR应用会耗费大量的计算资源。

在现有的OCR技术中，通常只是单纯的对每个多媒体文件应用不同的算法，但该方案存在对一个媒体文件进行多次计算的情况，从而造成计算资源的浪费。在大数据场景下，会涉及大量多媒体文件的OCR应用，采用上述方案会使得资源无法充分有效的利用，造成多媒体文件任务的堆积，降低整个系统的实时性。

在另一技术方案中，会对多媒体计算的结果保存，并作重复验证，但是对于大数据的场景，验证步骤又会成为瓶颈，同样会导致任务堆积和实时性降低。

发明内容

本申请实施例提供了一种光学字符识别重复检测方法和系统，以至少解决现有技术方案在进行光学字符识别时导致任务堆积、实时性差的问题。

第一方面，本申请实施例提供了一种光学字符识别重复检测方法，包括：字符识别步骤，使用一光学字符识别工具对一多媒体文件进行识别；结果保存步骤，将对所述多媒体文件的识别文本信息进行保存；重复检测步骤，对所述多媒体文件进行识别前，查询是否存在所述多媒体文件的识别信息文本，若存在，则直接调用所述识别信息文本。

优选的，所述结果保存步骤包括：使用布隆过滤器对所述多媒体文件的识别文本信息进行保存。

优选的，所述结果保存步骤包括：使用一自定义保存工具和一布隆过滤器对所述多媒体文件的识别文本信息进行保存。

优选的，所述重复检测步骤包括：第一检测步骤，查询在所述自定义保存工具中是否存在所述多媒体文件的识别信息文本，若存在，则直接调用所述识别信息文本，若不存在，则使用所述光学字符识别工具对所述多媒体文件进行识别，并将对所述多媒体文件的识别文本信息保存至所述布隆过滤器。

优选的，所述重复检测步骤还包括：第二检测步骤，查询在所述布隆过滤器中是否存在所述多媒体文件的识别信息文本，若存在，则直接调用所述识别信息文本，若不存在，则使用所述光学字符识别工具对所述多媒体文件进行识别，并将对所述多媒体文件的识别文本信息保存至所述自定义保存工具和所述布隆过滤器。

第二方面，本申请实施例提供了一种光学字符识别重复检测系统，适用于上述一种光学字符识别重复检测方法，包括：字符识别单元，使用一光学字符识别工具对一多媒体文件进行识别；结果保存单元，将对所述多媒体文件的识别文本信息进行保存；重复检测单元，对所述多媒体文件进行识别前，查询是否存在所述多媒体文件的识别信息文本，若存在，则直接调用所述识别信息文本。

在其中一些实施例中，所述结果保存单元包括：使用布隆过滤器对所述多媒体文件的识别文本信息进行保存。

在其中一些实施例中，所述结果保存单元包括：使用一自定义保存工具和一布隆过滤器对所述多媒体文件的识别文本信息进行保存。

在其中一些实施例中，所述重复检测单元包括：第一检测模块，查询在所述自定义保存工具中是否存在所述多媒体文件的识别信息文本，若存在，则直接调用所述识别信息文本，若不存在，则使用所述光学字符识别工具对所述多媒体文件进行识别，并将对所述多媒体文件的识别文本信息保存至所述布隆过滤器。

在其中一些实施例中，所述重复检测单元还包括：第二检测模块，查询在所述布隆过滤器中是否存在所述多媒体文件的识别信息文本，若存在，则直接调用所述识别信息文本，若不存在，则使用所述光学字符识别工具对所述多媒体文件进行识别，并将对所述多媒体文件的识别文本信息保存至所述自定义保存工具和所述布隆过滤器。

相比于相关技术，本申请实施例提供的一种光学字符识别重复检测方法能够进行高效精确的重复数据验证，避免相同多媒体任务的重复计算，同时适用于大数据的应用场影，在大量数据的场景下，检测步骤也不会成为新的瓶颈。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明的光学字符识别重复检测方法流程图；

图2为图1中步骤S3的分步骤流程图；

图3为本发明的光学字符识别重复检测系统的框架图；

图4为本发明的电子设备的框架图；

以上图中：

1、字符识别单元；2、结果保存单元；3、重复检测单元；31、第一检测模块；32、第二检测模块；60、总线；61、处理器；62、存储器；63、通信接口。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

以下，结合附图详细介绍本发明的实施例：

图1为本发明的光学字符识别重复检测方法流程图，请参见图1，本发明光学字符识别重复检测方法包括如下步骤：

S1：使用一光学字符识别工具对一多媒体文件进行识别。

在具体实施中，使用一光学字符识别(OCR)工具，对批量的多媒体文件进行识别，所述的多媒体文件为图片或视频形式的文件，OCR工具会将所述多媒体文件中的文字信息进行识别，并输出文本形式的文字信息。

S2：将对所述多媒体文件的识别文本信息进行保存。

在具体实施中，为提高资源利用率，减少平均每个多媒体文件的平均处理时间，需要利用每个文件之前的处理结果，本申请实施例设计了一个多媒体文件OCR结果保存和查询步骤，该步骤保存多媒体文件的文本信息，同时提供接口可以查询媒体文件的文本信息。在具体实施中，自行开发一保存和查询程序实现上述方法。

可选的，使用布隆过滤器对所述多媒体文件的识别文本信息进行保存。

在具体实施中，对大量的数据而言，检测性能又容易成为计算的瓶颈，需要更高效的保存和查询方法。布隆过滤器(Bloom Filter)是1970年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都比一般的算法要好的多，缺点是有一定的误识别率和删除困难。布隆过滤器可以以较小的资源消费提供更高效的写入和查询。

在具体实施中，对所述多媒体文件的识别出来的文本信息，使用布隆过滤器进行保存。

可选的，使用一自定义保存工具和一布隆过滤器对所述多媒体文件的识别文本信息进行保存。

在具体实施中，布隆过滤器有一个很大的缺点，即不精确的返回，对多媒体文件而言，如果已经处理过并保存至布隆过滤器中，则查询时一定会返回这个文件已处理过的结果，该结果是精确的，但是没有处理过的媒体文件，也有很小的概率返回该媒体文件已经处理过的错误信息。单纯利用布隆过滤器会导致结果的不准确。

在具体实施中，结合利用自定义开发的程序和布隆过滤器实现保存和查询步骤，可以同时在优化效率的同时保证数据的准确性。

S3：对所述多媒体文件进行识别前，查询是否存在所述多媒体文件的识别信息文本，若存在，则直接调用所述识别信息文本。

在具体实施中，对每一个多媒体文件，经多媒体文件OCR装置处理过之后，把结果信息保存，每次处理媒体文件前，通过接口检测否有之前处理成功的结果，如果未处理过，返回空信息，表示该多媒体文件未被处理过，执行OCR识别，并将处理结果进行保存，如果已处理过，则返回上次识别计算的结果，直接利用该结果。

可选的，图2为图1中步骤S3的分步骤流程图，请参见图2：

S31：查询在所述自定义保存工具中是否存在所述多媒体文件的识别信息文本，若存在，则直接调用所述识别信息文本，若不存在，则使用所述光学字符识别工具对所述多媒体文件进行识别，并将对所述多媒体文件的识别文本信息保存至所述布隆过滤器。

S32：查询在所述布隆过滤器中是否存在所述多媒体文件的识别信息文本，若存在，则直接调用所述识别信息文本，若不存在，则使用所述光学字符识别工具对所述多媒体文件进行识别，并将对所述多媒体文件的识别文本信息保存至所述自定义保存工具和所述布隆过滤器。

在具体实施中，对每一个多媒体文件，经多媒体文件OCR装置处理过之后，把结果信息保存到布隆过滤器，每次处理媒体文件前，先通过自定义的保存和查询程序的接口查询是否已经处理过，若该多媒体文件未处理过，则自定义的保存和查询程序会返回空信息，表示该多媒体文件未被处理过，执行OCR识别，并将处理结果写入布隆过滤器，若自定义的保存和查询程序返回的信息不为空，则表示这个文件已经处理过，但在具体实施中，该结果有很小的概率是错误的，会把未处理过的多媒体文件判断为已处理过，因此，后续通过布隆过滤器获取上次多媒体文件的处理信息，如果布隆过滤器返回空信息，表示该多媒体文件未被处理过，执行OCR识别，并将处理结果写入布隆过滤器和自定义的保存和查询程序，如果已处理过，则布隆过滤器返回上次识别计算的结果，直接利用该结果。

需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例提供了一种光学字符识别重复检测系统，适用于上述的一种光学字符识别重复检测方法。如以下所使用的，术语“单元”、“模块”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件、或者软件和硬件的组合的实现也是可能并被构想的。

图3为根据本发明的光学字符识别重复检测系统的框架图，请参见图3，包括：

字符识别单元1：使用一光学字符识别工具对一多媒体文件进行识别。

在具体实施中，使用一光学字符识别(OCR)工具，对批量的多媒体文件进行识别，所述的多媒体文件为图片或视频形式的文件，OCR工具会将所述多媒体文件中的文字信息进行识别，并输出文本形式的文字信息。

结果保存单元2：将对所述多媒体文件的识别文本信息进行保存。

在具体实施中，为提高资源利用率，减少平均每个多媒体文件的平均处理时间，需要利用每个文件之前的处理结果，本申请实施例设计了一个多媒体文件OCR结果保存和查询功能，该单元保存多媒体文件的文本信息，同时提供接口可以查询媒体文件的文本信息。在具体实施中，自行开发一保存和查询程序实现上述方法。

可选的，使用布隆过滤器对所述多媒体文件的识别文本信息进行保存。

在具体实施中，对大量的数据而言，检测性能又容易成为计算的瓶颈，需要更高效的保存和查询方法。

在具体实施中，对所述多媒体文件的识别出来的文本信息，使用布隆过滤器进行保存。

可选的，使用一自定义保存工具和一布隆过滤器对所述多媒体文件的识别文本信息进行保存。

在具体实施中，布隆过滤器有一个很大的缺点，即不精确的返回，对多媒体文件而言，如果已经处理过并保存至布隆过滤器中，则查询时一定会返回这个文件已处理过的结果，该结果是精确的，但是没有处理过的媒体文件，也有很小的概率返回该媒体文件已经处理过的错误信息。单纯利用布隆过滤器会导致结果的不准确。

在具体实施中，结合利用自定义开发的程序和布隆过滤器实现保存和查询功能，可以同时在优化效率的同时保证数据的准确性。

重复检测单元3：对所述多媒体文件进行识别前，查询是否存在所述多媒体文件的识别信息文本，若存在，则直接调用所述识别信息文本。

在具体实施中，对每一个多媒体文件，经多媒体文件OCR装置处理过之后，把结果信息保存，每次处理媒体文件前，通过接口检测否有之前处理成功的结果，如果未处理过，返回空信息，表示该多媒体文件未被处理过，执行OCR识别，并将处理结果进行保存，如果已处理过，则返回上次识别计算的结果，直接利用该结果。

可选的，重复检测单元还包括第一检测模块31：查询在所述自定义保存工具中是否存在所述多媒体文件的识别信息文本，若存在，则直接调用所述识别信息文本，若不存在，则使用所述光学字符识别工具对所述多媒体文件进行识别，并将对所述多媒体文件的识别文本信息保存至所述布隆过滤器。

以及第二检测模块32：查询在所述布隆过滤器中是否存在所述多媒体文件的识别信息文本，若存在，则直接调用所述识别信息文本，若不存在，则使用所述光学字符识别工具对所述多媒体文件进行识别，并将对所述多媒体文件的识别文本信息保存至所述自定义保存工具和所述布隆过滤器。

在具体实施中，对每一个多媒体文件，经多媒体文件OCR装置处理过之后，把结果信息保存到布隆过滤器，每次处理媒体文件前，先通过自定义的保存和查询程序的接口查询是否已经处理过，若该多媒体文件未处理过，则自定义的保存和查询程序会返回空信息，表示该多媒体文件未被处理过，执行OCR识别，并将处理结果写入布隆过滤器，若自定义的保存和查询程序返回的信息不为空，则表示这个文件已经处理过，但在具体实施中，该结果有很小的概率是错误的，会把未处理过的多媒体文件判断为已处理过，因此，后续通过布隆过滤器获取上次多媒体文件的处理信息，如果布隆过滤器返回空信息，表示该多媒体文件未被处理过，执行OCR识别，并将处理结果写入布隆过滤器和自定义的保存和查询程序，如果已处理过，则布隆过滤器返回上次识别计算的结果，直接利用该结果。

另外，结合图1、图2描述的一种光学字符识别重复检测方法可以由一电子设备来实现。图4为本发明的电子设备的框架图。

电子设备可以包括处理器61以及存储有计算机程序指令的存储器62。

具体地，上述处理器61可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器62可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器62可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器62可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器62可在数据处理装置的内部或外部。在特定实施例中，存储器62是非易失性(Non-Volatile)存储器。在特定实施例中，存储器62包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。

存储器62可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器61所执行的可能的计算机程序指令。

处理器61通过读取并执行存储器62中存储的计算机程序指令，以实现上述实施例中的任意一种光学字符识别重复检测方法。

在其中一些实施例中，电子设备还可包括通信接口63和总线60。其中，如图4所示，处理器61、存储器62、通信接口63通过总线60连接并完成相互间的通信。

通信端口63可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。

总线60包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。总线60包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线60可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(FrontSide Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线60可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

该电子设备可以执行本申请实施例中的一种光学字符识别重复检测方法。

另外，结合上述实施例中的一种光学字符识别重复检测方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种光学字符识别重复检测方法。

而前述的存储介质包括：U盘、移动硬盘、只读存储器(ReadOnly Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。