AI時代文檔識別技術之表格圖像識別詳解

本文主要介紹基于深度神經(jīng)網(wǎng)絡的表格圖像識別解決方案。作者系騰訊QQ研發(fā)中心——CV應用研究組的yonke。
來源：騰訊技術工程微信號

1.前言

1.1背景

大多數(shù)人日常辦公處理的文件，無非就是表格和文檔，其中表格的重要性毋庸置疑。在各行各業(yè)的桌面辦公場景中，Excel和WPS是電子表格的事實標準。我們經(jīng)常遇到這種需求：將一個表格圖片的內(nèi)容導入Excel。

以前我們只能對著圖片把內(nèi)容一點點敲進excel，既低效又容易出錯。近年來，在深度學習的加持下，OCR （Optical Character Recognition，光學字符識別）的可用性不斷提升，大量用戶借助OCR軟件，從圖片中自動提取文本信息。

然而對于表格場景，只是提取文本依然不夠，用戶還需反復手動復制粘貼以還原出電子表格，這依然耗費大量時間。因此我們實現(xiàn)了一種識別表格圖像的解決方案，并與騰訊文檔結(jié)合，切實提升用戶辦公效率。

下面是我們的識別效果展示：

1.2 業(yè)界方案

表格圖像識別有較高的商業(yè)價值，一般都在付費的專業(yè)OCR軟件中才能體驗到：比如ABByy fine reader。這些軟件所用的技術，并沒有完全公開。

比如ABByy公開的論文中，也只是簡略介紹主要原理，無法復現(xiàn)，且距今已久，后期的技術進步無法得知。因此我們難以從商業(yè)軟件中得到啟示。
遍閱近幾年比較有實操價值的論文，可分為以下三種思路：

1）利用OCR檢測文本，從文本框的空間排布信息推導出有哪些行、有哪些列、哪些單元格需合并，由此生成電子表格；
2）運用圖像形態(tài)學變換、紋理提取、邊緣檢測等手段，提取表格線，再由表格線推導行、列、合并單元格的信息；
3）神經(jīng)網(wǎng)絡端到端學習，代表工作是TableBank，使用image to text技術，將表格圖片轉(zhuǎn)為某種結(jié)構(gòu)化描述語言（比如html定義表格結(jié)構(gòu)的標簽）。

經(jīng)過實驗，發(fā)現(xiàn)以上三種思路都有不便落地的缺陷：

思路1）極度依賴OCR檢測結(jié)果和人工設計的規(guī)則，對于不同樣式的表格，需做針對性開發(fā)，推廣性差；
思路2）依賴傳統(tǒng)圖像處理算法，在魯棒性方面較欠缺，并且對于沒有可見線的表格，傳統(tǒng)方法很吃力，很難把所有行/列間隙提取出來；
思路3）解決方案沒有次第，一旦出現(xiàn)bad case，無法從中間步驟快速干預修復，只能重新調(diào)整模型（還不一定能調(diào)好），看似省事，實則不適合工程落地。

2.基于深度圖像分割的方案

針對已有方案的缺點和優(yōu)點，我們提出一套更具可行性的解決方案。流程如下：

1） 對表格圖片應用深度學習進行圖像分割，分割的目的是對表格線部分進行標注，分割類別是4類：橫向的線，豎向的線，橫向的不可見線，豎向的不可見線，類間并不互斥，也就是每個像素可能同時屬于多種類別，這是因為線和線之間有交點，交點處的像素是同屬多條線的。

2）對分割圖分別做幾何分析，即先提取連通區(qū)域，再對連通區(qū)域擬合折線，再對游離的線段根據(jù)距離和傾角進行合并形成框線。由于拍攝角度或者紙張的彎曲，一般原圖表格會有一些傾斜，可使用投影變換（perspective transformation）對原圖進行校正，使得橫框線校至水平，豎框線校至豎直。

3） 對校正后的圖調(diào)用OCR，識別其中的文本內(nèi)容，以及每個字符的坐標。

4） 根據(jù)第2）步得到的框線，計算出有哪些行，哪些列，其中哪些單元格跨行列合并了。由此得到每個單元格在圖中的位置（top_left, top_right, bottom_left, bottom_right）四點坐標。

5） 將單元格位置，與字符坐標進行匹配，決定每個字符在哪個單元格中。最后計算每個單元格的字號大小，對齊方式等格式信息。

下面對每個步驟進行詳細剖析。

2.1 圖像分割模型

圖像分割（segmentation）旨在對圖像的每個像素賦予標簽。在這里，我們的分割任務有多標簽，每個像素可能屬于橫線、豎線、不可見橫線、不可見豎線。

為了提取上述各種線所在的像素，我們嘗試了多種圖像分割算法和二值化算法：OTSU二值化、adaptiveThreshold二值化、Canny算子、SED（Structural Edge Detection）算法、深度學習圖像分割。深度學習在準確性和魯棒性有壓倒性優(yōu)勢，我們最后專注于深度學習方法，而拋棄所有傳統(tǒng)算法。

目前較常用的深度學習圖片分割模型有DeepLab系列，fcn，Unet，SegNet等，經(jīng)過實驗對比我們發(fā)現(xiàn)在這個問題中，以上方法最后收斂效果幾乎是一樣的，故我們選擇收斂速度最快的Unet。

為了更快的速度，對于backbone的設計，我們參考mobilenet，使用depthwise+pointwise替代常規(guī)卷積。表格線是細長型物體，角度要么基本水平，要么基本豎直，并且有的線會很長，在橫豎方向上更大的感受野將帶來更多好處。故我們選用的卷積核形狀為5x1和1x5，實測比常用的3x3能達到更好的性能，MIOU指標有2%的提升。由于標簽不互斥，我們不用softmax做輸出，而是用4個sigmoid，分別表示4個標簽的概率。由于各類像素數(shù)量不平衡，我們的損失函數(shù)采用加權(quán)交叉熵，迭代到后期收斂速度變慢后可用Dice Coeff Loss。訓練數(shù)據(jù)我們采用人工標注+仿真生成結(jié)合。下圖是我們訓練收斂后的效果，直觀看擬合得還不錯。

2.2 分割結(jié)果幾何分析

對分割結(jié)果設定閾值0.5進行二值化，轉(zhuǎn)成幾張二值化圖，分別表示每種線所屬的像素。接著對每個二值化圖求連通區(qū)域。對連通區(qū)域進行過濾，長度太小的丟棄。對剩下的每個有效連通區(qū)域，分別擬合折線，即得到大量線段。對線段的角度進行統(tǒng)計，橫、豎兩種線段與x軸的夾角均值應接近0和90度，若否，則認為識別失敗并終止。在橫、豎線段中，若有角度偏離均值3個標準差以上的，則過濾掉。對于剩下的線段，應用DisjointSet算法進行合并，被合并的線段構(gòu)成一條新的長直線，這些直線代表框線。兩線段合并的判定條件是：夾角小于15度，并且一條線段的端點到另一條線段的距離小于一定閾值。

最終得到的若干直線，就是表格的框線。但是手機拍攝的照片一般都有一些傾斜，為便于后續(xù)處理和提高OCR結(jié)果的質(zhì)量，我們將對圖片進行傾斜校正。校正方法使用投影變換，也即擬合一個單應矩陣H，使得HX=X'，X的每一列是在每條直線上以固定距離采樣的點的齊次坐標，X'的對應列是該點校正后的齊次坐標。橫線校正至水平，也即線上所有點的y坐標一致；豎線校正至豎直，也即線上所有點的x坐標一致。最后將求得的投影變換應用到原圖中，將圖片也校正。

2.3 OCR

將校正后的圖片送去OCR，可得到圖中每個字符的坐標。注意我司幾個OCR平臺返回的結(jié)果都是一串文字的文本框，這個文本框不一定與表格單元格能一一對應，有可能一個文本框里包含多個單元格，也可能一個單元格里檢測出多個文本框。每個文本框中有若干字符，附帶的字符坐標對判斷其所屬單元格就十分重要了。下圖是我司某個OCR平臺所返回的識別結(jié)果。

2.4 識別表格結(jié)構(gòu)

接下來需要識別表格的結(jié)構(gòu)，以跟OCR結(jié)果進行匹配。我們對一個完整的表格定義如下：

1）所有單元格，單元格定義為[起始行，結(jié)束行，起始列，結(jié)束列]
2）每一行的行高（像素）
3）每一列的列寬（像素）
4）每個單元格的字號大小（像素）
5）每個單元格的對齊方式（left/right/center）
6）每個單元格的文字內(nèi)容

表格的結(jié)構(gòu)是指1），2）和3）。我們提出一套高效的算法從表格線推導出每行（列）的高（寬）和所有單元格的坐標。

由表格框線推導行（列）的高（寬）比較容易，只需對所有的橫（豎）線按從上（左）到下（右）排序，相臨框線形成一行（列），所以只需計算相臨框線的y坐標（x坐標）差即可。

由表格框線推導單元格坐標就不太容易了。因為現(xiàn)實中存在很多單元格合并的情況，一個單元格可能跨了若干行和若干列。對此我們的思路是列舉所有的單元格候選，每個單元格表示為（起始行，結(jié)束行，起始列，結(jié)束列），然后對所有單元格按面積從小到大排序。接著遍歷排序好的候選單元格，去判斷其上下左右的框線是否都真實存在，若存在，則此單元格就在原圖存在。注意到，每當確立一個單元格存在，所有與其共享起始行和起始列的其他單元格則不可能再存在，因為我們不考慮單元格中套著單元格的情況。所以雖然單元格候選集很大，但我們可以利用這一性質(zhì)在遍歷過程中進行剪枝，所以會很高效。

2.5 匹配文字內(nèi)容，確定字號和對齊方式

2.4定義的表格還有4）5）6）沒有識別。經(jīng)過以上步驟，我們已經(jīng)得到每個單元格的坐標和每個字符的坐標。接下來就只需進行對號入座就可得到每個單元格中的文本，也即解決了6）。字號可由OCR文本高度確定，但是由于返回的高度總有一些不一樣，實際表格中常常不會有太多字號，經(jīng)常是同一列的單元格用一樣的字號。因此我們對所有得到的文本高度進行聚類，當兩行文本高度比例在[0.91, 1.1]之間，就可以認為是同個高度。聚好類后，對類內(nèi)高度求平均值，以平均值做為此類所有文本的真實高度。最后將文本高度換算為字號，由此4）也解決了。最后根據(jù)文本在單元格中的位置，判斷每個單元格的對齊方式，對于對齊方式，也采取類似的聚類方法來去除噪音。由此5）也解決了。

至此，表格的所有單元格，每一行的行高，每一列的列寬，每個單元格的字號大小，每個單元格的對齊方式，每個單元格的文字內(nèi)容都已經(jīng)識別出來了。只需將單位換成Excel、WPS或者騰訊文檔的標準單位，就可以轉(zhuǎn)成電子表格了！

3.實現(xiàn)與部署

3.1 整體流程

我們實現(xiàn)的這套表格識別方案，擁有客戶端實時檢測表格和后臺識別生成表格兩個部分。上文介紹的是后臺識別生成的部分?？蛻舳藢崟r檢測所用的模型是SSD（Single Shot MultiBox Detector），可實時框選表格所在的區(qū)域，協(xié)助用戶調(diào)整拍攝角度。系統(tǒng)流程如下圖所示：

我們的方案目前集成在騰訊文檔中，大家可以體驗。

3.2 訓練數(shù)據(jù)仿真

我們?nèi)斯げ杉瘶俗⒘藬?shù)萬樣本。做為補充，我們也程序仿真生成樣本。仿真方法是先對背景圖要放表格的區(qū)域進行紋理檢測，將高頻部分去掉，再做Inpainting，這樣既保留的背景，又留出了空白。接著隨機生成表格結(jié)構(gòu)，在背景留白處畫出表格，在畫線，放文字之后，還需在線和文字的像素周圍將高斯噪聲加上，以模擬相機傳感器的成像特點。最后對生成的圖和標注圖進行mesh warp，模仿紙張扭曲。

4.性能指標

4.1 深度學習分割模型性能

我們的深度學習表格線分割模型和其他傳統(tǒng)的算法對比如下。測試數(shù)據(jù)是人工標注的真實表格圖片，數(shù)量4w張?？梢钥闯鑫覀兊哪Ｐ痛蟠髢?yōu)于傳統(tǒng)算法。

4.2 表格結(jié)構(gòu)識別的性能指標

為了客觀評價我們整套表格識別方案的性能。我們構(gòu)造一個數(shù)據(jù)集，并建立一個評價指標系統(tǒng)。表格識別結(jié)果好不好，不能只靠肉眼判定，要量化評價。表格結(jié)構(gòu)識別過程，可看成是對單元格的檢測，我們關注檢測的precision和recall指標。為計算precision和recall，需計算true positive，false positive，false negative樣本，計算策略如下:

在2w張表格圖片樣本中驗證，以下是目前為止我們的性能

推薦閱讀：

• 打破兩項世界紀錄，騰訊優(yōu)圖開源視頻動作檢測算法DBG
• 比 Bert 體積更小速度更快的 TinyBERT

更多騰訊AI相關技術干貨，請關注專欄騰訊技術工程

審核編輯：符乾江