随着经济的发展,票据在生活中的使用量越来越大,在票据信息审核和财务报销等流程中,财务人员需要人工将票据信息录入到计算机系统中,这是一项繁重的任务。随着版面分析以及文字识别技术的发展,票据自动识别及录入成为了可能。票据识别和自动录入包括票据版面分割、文字检测与识别等多个部分,由于票据识别的实际需求是输出结构化的信息,因此票据版面分割具有非常重要的作用。本文针对表格形式复杂票据的结构化输出提出了一种基于深度学习的票据表格分割算法,论文的主要工作如下:1.采用深度学习的方法来提取票据中表格交叉候选点的热点图(heat map)。根据票据的特点,分析了Richer Convolutional Features(RCF)和Point-Pair Graph Network(PPGNet)的网络结构。RCF网络以VGG16作为主干网络,针对票据交叉候选点检测任务,对网络进行了改进。PPGNet采用了带有金字塔池化的FPN网络作为主干,利用其检测直线端点的部分,来确定票据中交叉候选点。2.对提取到的交叉候选点heat map进行噪声抑制,并采用层次聚类的方法,将heat map转换为坐标信息。在合成表格数据集和实际票据数据集上,与ground truth中的坐标进行对比,计算召回率和准确率。最终的交叉点检测结果表明PPGNet网络优于RCF系列网络。3.采用了Coherent Point Drift(CPD)算法进行交叉点匹配,实现票据表格的分割。首先将从待分割票据中提取出的交叉点集与票据模板交叉点集进行配准,通过概率矩阵得到两个点集中点的对应关系。然后通过模板交叉点对应的票据单元格组成信息,确定待分割票据单元格的顶点组成信息,最终完成票据中表格的分割。本文算法在实际票据数据集上进行了测试,实验结果表明了本文提出算法的有效性。