首页/ 北京众信博雅科技有限公司/ 专利详情

一种多页面版式文档的脚注识别和提取方法

基本信息

申请号 CN201910743304.X 申请日 -
公开（公告）号 CN110705223A 公开（公告）日 2020-01-17
申请公布号 CN110705223A 申请公布日 2020-01-17
分类号 G06F40/169 分类 计算；推算；计数;
发明人 徐剑波;张诗玉;王磊 申请（专利权）人 北京众信博雅科技有限公司
代理机构 - 代理人 -
地址 100000 北京市海淀区西三旗安宁庄路4号9号楼4层0996
法律状态 -

摘要

摘要 本发明涉及一种多页面版式文档的脚注识别和提取方法，属于信息提取领域。本发明所述的方法，通过提取版式文件的中的文字块、线段，提取页面中字号、排版等特征满足条件的文字块作为脚注文字候选，并进行正文中小字符与脚注区域文字的比对来提高候选脚注引用的正确性，同时通过提取脚注线，并区分起始脚注线与续页脚注线，把脚注线与脚注文字交叉验证以排除干扰文字及干扰线段，最终确认脚注区域。采用本发明所述的方法，可以自动从多页的版式文档中提取脚注，适应不同的排版风格，适应脚注在页面底部或文章尾部等情况，并保证高的正确率。