一、問題定義

在真實業(yè)務中，版式固定但字段位置可變，通用 OCR 引擎無法穩(wěn)定輸出結構化信息。因此需要一種“模板驅(qū)動”的方法：在圖像坐標系內(nèi)對字段做一次幾何定位，隨后把識別結果按坐標與規(guī)則綁定，終返回業(yè)務系統(tǒng)可直接消費的 JSON 或表結構。

二、坐標系與錨點設計

圖像坐標系

以左上角為原點，X 軸向右，Y 軸向下，單位像素。

錨點（Anchor）

在每個模板中選取 2~4 個不易變形的視覺特征（如 logo、表格線交點、公章外緣）作為錨點。通過求取錨點在當前圖中的實際坐標，可解出模板到圖像的仿射變換矩陣 M。

M 的計算公式：

[x′, y′, 1]? = M · [x, y, 1]?

其中 M 為 3×3 矩陣，通過小二乘法求解。

三、字段 ROI 的生成

模板階段

在標準空白表單上，用可視化工具框選字段區(qū)域，記錄 ROI 的相對坐標（錨點歸一化坐標）。

運行階段

對輸入圖像執(zhí)行錨點檢測 → 計算 M → 用 M 把相對坐標映射為像素坐標 → 獲得每個字段的外接矩形。

四、雙閾值分割策略

幾何閾值

若錨點匹配誤差 > ε（經(jīng)驗值 3~5 像素），則直接觸發(fā)模板失效報警，避免錯誤解析。

置信度閾值

對識別結果使用字符級置信度，低于閾值的字段標紅回傳人工復核。

五、規(guī)則引擎

正則校驗

字段通過預定義正則表達式即時校驗，如統(tǒng)一社會信用代碼 18 位數(shù)字+字母。

跨字段邏輯

利用輕量級腳本引擎（Lua/Java[script]）實現(xiàn)“金額 = 單價 × 數(shù)量”等跨字段規(guī)則；計算失敗即回退人工。

六、模板生命周期

版本化

每個模板以 Git-like 版本號管理，支持灰度發(fā)布。

熱更新

新增字段或移動坐標可在 30 秒內(nèi)下發(fā)到端側(cè)，無需重啟服務。

七、性能與精度

單張 A4 表單解析耗時 < 300 ms（CPU 單核）。

字段召回率 ≥ 99.2%，率 ≥ 99.6%。

模板配置平均耗時 5 分鐘。

八、小結

自定義模板的核心是把“人工版式理解”翻譯成“坐標+規(guī)則”的機器語言。通過錨點幾何校正、雙閾值過濾、可擴展規(guī)則引擎及版本化運維，系統(tǒng)能在版式變動時以成本完成再適配，實現(xiàn)高可靠、低維護的結構化輸出。