一种财务信息票据归类方法及其系统与流程

本发明属于财务信息归类领域，具体涉及一种财务信息票据归类方法及其系统。

背景技术：

企业的财务信息大多都通过财务信息票据来表达，通过对财务信息票据进行分类从而实现对企业财务信息进行归类，然而票据种类繁多,同行同种票据的版面信息是一致的,而不同的银行或者不同的业务具有不同版面格式的票据。票据版面判定的主要过程是对待识别票据提取版面特征,和标准的模板库中票据版面特征进行对比,选取最佳匹配模板作为票据分类结果,从而将其判定为多种已知票据中的一种。

传统的财务信息票据匹配归类过程中不可避免的出现错误的归类，而且在对票据对财务信息进行归类时，当票据的倾斜度较大时，难以得到理想效果。

技术实现要素：

本发明在于提供一种财务信息票据归类方法，以解决传统的财务信息票据匹配归类过程中不可避免的出现错误的归类，而且在对票据对财务信息进行归类时，当票据的倾斜度较大时，难以得到理想效果的问题。

本发明是这样实现的，本发明提供一种财务信息票据归类方法，包括如下步骤：

步骤s1：建立模板库，所述模板库储存企业常用的票据模板，

步骤s2：提取财务信息票据模板的二维特征点集,

步骤s3：获取企业的财务信息票据，并提取财务信息票据中的二维特征点集，

步骤s4：通过blondel算法生成步骤s3中财务信息票据与步骤s2中票据模板之间的相似矩阵，

步骤s5：通过scott算法对步骤s4中的相似矩阵进行分析，并提取二维特征点集中的二维特征点，生成财务信息票据二维特征点集与票据模板二维特征点集之间的关联矩阵，

步骤s6：根据步骤s5中关联矩阵的关联程度，完成对财务信息票据的归类。

优选的，所述步骤s2中票据模板的二维特征点集和步骤s3中财务信息票据的二维特征点集均为票据图像上的点特征、边缘特征、曲面特征、角点、边缘和斑点等图像特征。

优选的，所述步骤s5中通过blondel算法生成相似矩阵的具体步骤包括：

步骤a：将财务信息票据和票据模板描述成两个邻接矩阵，

步骤b：通过迭代公式对步骤a中的两个邻接矩阵进行近似求解，

步骤c：生成财务信息票据和票据模板之间的相似矩阵。

优选的，所述步骤b中的迭代公式为：

其中，z表示矩阵数列，a为财务信息票据的邻接矩阵，b为票据模板的邻接矩阵。

优选的，所述步骤s6中通过scott算法生成关联矩阵生成的具体步骤包括：

步骤d：根据步骤c中的相似矩阵，分别从步骤s4和步骤s3中的二维特征点集中取出二维特征点，

步骤e：通过高斯函数对步骤d中的二维特征点进行分析，生成近邻矩阵，

步骤f：对步骤e中的近邻矩阵进行奇异分解，生成关联矩阵。

优选的，所述步骤f中关联矩阵的计算公式为：

其中，u和v为酉矩阵，即财务信息票据和票据模板中的二维特征点的行矢量和列矢量都俩俩相互正交，e为一个单位矩阵。

一种财务信息票据归类系统，包括财务信息票据录入模块、票据模板存储模块和财务信息归类模块，

所述财务信息票据录入模块用于录入财务信息票据，并提取财务信息票据中的二维特征点集，

所述票据模板录入模块用于存储企业常用的票据模板，并提取票据模板中的二维特征点集

所述财务信息归类模块用于对财务信息票据和票据模板之间进行分析，完成对财务信息票据的归类。

优选的，所述票据模板存储模块还包括票据模板录入单元和票据模板存储单元，

其中，所述票据模板录入单元用于录入企业常用的票据模板，

所述票据模板存储单元用于存储企业常用的票据模板。

优选的，所述财务信息归类模块还包括blondel算法单元和scott算法单元，

其中，所述blondel算法单元用于生成财务信息票据和票据模板之间的相似矩阵，

所述scott算法单元用于对财务信息票据和票据模板之间的相似矩阵进行分析，生成关联矩阵，实现对财务信息的归类。

与现有的技术相比，本发明的有益效果是：通过blondel算法对财务信息票据和模板票据之间进行相似度计算，已解决对传统的财物信息归类时，当财务信息票据的倾斜度较大时，无法得到理想的归类效果，通过scott算法以提取财务信息票据图像和票据模板中的点特征、边缘特征、线段特征、全局特征等图像特征，scott算法从图的宏观结构入手，以提取图的多边形、图像结构等信息作为特征，对财务信息票据进行精确归类，从而实现对财务信息进行归类，已解决传统的财务信息票据匹配归类过程中出现错误的归类结果的问题。

附图说明

图1为本发明的流程示意图；

图2为本发明的blondel算法流程示意图；

图3为本发明的scott算法流程示意图；

图4为本发明的系统流程图；

具体实施方式

下面将结合发明实施例中的附图，对发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是发明一部分实施例，而不是全部的实施例。基于发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于发明保护的范围。

实施例1

请参阅图1-3，本发明提供一种财务信息票据归类方法，包括如下步骤：

步骤s1：建立模板库，所述模板库储存企业常用的票据模板，

步骤s2：提取财务信息票据模板的二维特征点集,

步骤s3：获取企业的财务信息票据，并提取财务信息票据中的二维特征点集，

步骤s4：通过blondel算法生成步骤s3中财务信息票据与步骤s2中票据模板之间的相似矩阵，

步骤s5：通过scott算法对步骤s4中的相似矩阵进行分析，并提取二维特征点集中的二维特征点，生成财务信息票据二维特征点集与票据模板二维特征点集之间的关联矩阵，

步骤s6：根据步骤s5中关联矩阵的关联程度，完成对财务信息票据的归类。

在本实施方式中，通过建立模板库存储企业常用的票据模板，然后通过blondel算法对企业的财务信息与模板库中的票据模板进行相似计算，生成相似矩阵，避免在对财务信息票据进行归类时，由于倾斜角度过大，导致无法获取理想的归类效果，接着通过scott算法对相似矩阵进行分析，同时scott算法提取财务信息票据和票据模板上的图像特征，并计算财务票据和票据模板之间关联矩阵，根据关联矩阵计算结果，实现对财务信息的归类。

进一步的，所述步骤s2中票据模板的二维特征点集和步骤s3中财务信息票据的二维特征点集均为票据图像上的点特征、边缘特征、曲面特征、角点、边缘和斑点等图像特征。

在本实施方式中，在本实施方式中，scott算法通过票据模板图像和财务信息票据图像上的点特征、边缘特征、曲面特征、角特征、边缘和斑点等图像特征，从宏观角度上，实现对财务信息票据的高效匹配和精确归类。

进一步的，所述步骤s5中通过blondel算法生成相似矩阵的具体步骤包括：

步骤a：将财务信息票据和票据模板描述成两个邻接矩阵，

步骤b：通过迭代公式对步骤a中的两个邻接矩阵进行近似求解，

步骤c：生成财务信息票据和票据模板之间的相似矩阵。

在本实施方式中，通过使用blondel算法来对财务信息票据的邻接矩阵和票据模板的邻接矩阵进行相似度匹配时，可以克服距离特征的缺点，当财务信息票据的倾斜角度过大时，通过blondel算法对财务信息进行位置矫正，从而解决财务信息票据在倾斜角度较大时，无法取得理想归类效果的问题。

进一步的，所述步骤b中的迭代公式为：

其中，z表示矩阵数列，a为财务信息票据的邻接矩阵，b为票据模板的邻接矩阵。

在本实施方式中，通过迭代公式对财务信息票据和票据模板进行近似求解，描述财务信息票据和票据模板中顶点的相似程度，当相似程度越高时，两个顶点的匹配程度越高，从而财务信息票据的倾斜角度越低，不会出现因为财务信息票据应为倾斜角度过大而产生归类效果不准确的问题。

进一步的，所述步骤s6中通过scott算法生成关联矩阵生成的具体步骤包括：

步骤d：根据步骤c中的相似矩阵，分别从步骤s4和步骤s3中的二维特征点集中取出二维特征点，

步骤e：通过高斯函数对步骤d中的二维特征点进行分析，生成近邻矩阵，

步骤f：对步骤e中的近邻矩阵进行奇异分解，生成关联矩阵。

在本实施方式中，通过对相似矩阵进行分析，分别提取财务信息票据和票据模板二维特征集中的二维特征点，通过高斯函数对财务信息票据的二维特征点和票据模板中的二维特征点进行分析生成近邻矩阵，在对近邻矩阵进行奇异分解，scott算法利用两个特征集间元素的距离构建出一个近邻矩阵，基于“匹配的元素之间距离最近”以及“最佳匹配只有一个”作为匹配归类的出发点，实现scott算法从宏观结构上对财务信息票据进行精确高效的匹配归类。

进一步的，所述步骤f中关联矩阵的计算公式为：

其中，u和v为酉矩阵，即财务信息票据和票据模板中的二维特征点的行矢量和列矢量都俩俩相互正交，e为一个单位矩阵。

在本实施方式中，通过关联矩阵计算公式，对财务信息票据和票据模板中的二维特征点的行矢量和列矢量进行计算，生成关联矩阵，其中当关联矩阵中的关联值越高，财务信息票据的归类越准确，同时通过关联矩阵计算公式对相似矩阵进行优化，增加财务信息归类的准确性。

在本实施方式中，首先通过建立数据库储存企业常用的票据模板，并提取票据模板上的二维特征点集，然后获取企业财务信息票据，并提取企业财务信息票据上的二维特征点集，并通过blondel算法将票据模板和企业财务信息票据描述成两个邻接矩阵，并对两个邻接矩阵进行近似求解，生成票据模板和企业财务信息票据之间的相似矩阵，之后通过scott算法对相似矩阵进行分析，提取企业财务信息票据二维特征点集中的二维特征点，提取票据模板中二维特征点集中的二维特征点，通过高斯函数对两个二维特征点进行分析，生成近邻矩阵，最后对近邻矩阵进行奇异分解，获取关联矩阵，通过对关联矩阵进行分析，实现对财务信息进行归类。

实施例2

请参阅图4，本发明提供一种财务信息票据归类系统，包括财务信息票据录入模块、票据模板存储模块和财务信息归类模块，

所述财务信息票据录入模块用于录入财务信息票据，并提取财务信息票据中的二维特征点集，

所述票据模板录入模块用于存储企业常用的票据模板，并提取票据模板中的二维特征点集

所述财务信息归类模块用于对财务信息票据和票据模板之间进行分析，完成对财务信息票据的归类。

在本实施方式中，通过设置财务信息票据录入模块录入财务信息票据，并提取财务信息票据中的二维特征点集，通过设置票据录入模块存储企业常用的票据模块，并提取票据模板中的二维特征点集，通过设置财务信息归类模块获取财务信息票据图像信息和票据模板图像信息，并对财务信息票据图像信息和票据模板图像信息进行分析，实现对财务信息票据的分类。

优选的，所述票据模板存储模块还包括票据模板录入单元和票据模板存储单元，

其中，所述票据模板录入单元用于录入企业常用的票据模板，

所述票据模板存储单元用于存储企业常用的票据模板。

在本实施方式中，所述票据模板录入单元用于录入企业常用的票据模板，并将票据模板送入票据模板储存单元中，票据模板储存单元对票据模板进行储存，并提取票据模板中的二维特征点集。

优选的，所述财务信息归类模块还包括blondel算法单元和scott算法单元，

其中，所述blondel算法单元用于生成财务信息票据和票据模板之间的相似矩阵，

所述scott算法单元用于对财务信息票据和票据模板之间的相似矩阵进行分析，生成关联矩阵，实现对财务信息的归类。

在本实施方式中，blonde算法单元通过对票据模板和企业财务信息票据描述成两个邻接矩阵，并对两个邻接矩阵进行近似求解，生成票据模板和企业财务信息票据之间的相似矩阵,scott算法单元通过对相似矩阵进行分析，提取企业财务信息票据二维特征点集中的二维特征点，提取票据模板中二维特征点集中的二维特征点，通过高斯函数对两个二维特征点进行分析，生成近邻矩阵，最后对近邻矩阵进行奇异分解，获取关联矩阵，并对关联矩阵进行分析，实现财务信息票据的分类。

在本实施方式中，通过票据模板录入单元用于录入企业常用的票据模板，并将票据模板送入票据模板储存单元中，通过票据模板储存单元对票据模板进行储存，并提取票据模板中的二维特征点集，票据模板录入单元录入企业常用的票据模板，并将票据模板送入票据模板储存单元中，票据模板储存单元对票据模板进行储存，并提取票据模板中的二维特征点集，之后blonde算法单元通过对票据模板和企业财务信息票据描述成两个邻接矩阵，并对两个邻接矩阵进行近似求解，生成票据模板和企业财务信息票据之间的相似矩阵,scott算法单元通过对相似矩阵进行分析，并提取企业财务信息票据二维特征点集中的二维特征点和票据模板中二维特征点集中的二维特征点，通过高斯函数对两个二维特征点进行分析，生成近邻矩阵，最后对近邻矩阵进行奇异分解，获取关联矩阵，并对关联矩阵进行分析，实现财务信息票据的分类。

在本实施方式中，扫描单元对待处理图像进行扫描，区域生长算法单元在待处理图像中选择合适的生长点将图像分割为多个区域，其中各个分割区域内明暗亮度一致，通过平滑度处理单元对待处理图像每块区域进行降噪处理，减少图像各区域因为外部环境所造成的的图像数据丢失，通过信息提取单元，对待处理图像每块区域进行信息填补，提取图像各区域中的像素点、像素值、像素灰度、区域高度和区域宽度，二值矩阵生成单元根据提取到的图像信息通过全局阈值方法生成待处理图像每块区域的全局阈值，然后基于待处理图像每块区域的全局阈值，设置每块区域的全局前景阈值上限，根据每块区域的全局阈值上限，获取每块区域的二值矩阵，二值图像生成单元通过对每块区域的二值矩阵进行分析，获取待处理图像的二值图像。

尽管已经示出和描述了发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，发明的范围由所附权利要求及其等同物限定。