征地档案数字识别研究与应用.docxVIP

?

?

征地档案数字识别研究与应用

?

?

龙之冠

摘要?针对永州市经济技术开发区征地档案数据整理建库工作中界址点坐标电子数据缺失现象，当前主要通过人工识别档案资料并且将坐标数据抄录进入数据库的方式，但是存在工作效率低下、审核成本高等问题。为提高征地档案数据整理建库工作效率，本文基于Tesseract训练机制，在此基础上开发程序实现征地红线图中界址点坐标的识别。实践结果表明该方法能够有效辅助征地档案数据整理建库工作，业务生产效率显著提升。

Key?征地档案;界址点坐标;数字识别;Tesseract-OCR

：G270.7???????????：A

Abstract：InviewoftheabsenceofelectronicdatainlandexpropriationarchivesdatacollationanddatabaseconstructioninYongzhoueconomicandtechnologicaldevelopmentzone，itismainlythroughmanualidentificationofarchivaldataandtranscriptionofcoordinatedataintothedatabase.therearesomeproblemssuchaslowefficiencyandhighauditcost.Inordertosimplifytheworkflowoflandexpropriationarchivesdataanddatabaseconstruction，ThispaperdevelopsadatarecognitionprogramforidentifingthecoordinatesofboundarypointsinlandexpropriationredlinemapbasedonTesseract-OCRengine.Theexperimentalresultsshowthatthemethodcaneffectivelyassistthecollectionandconstructionoflandexpropriationarchivesdataandimprovetheproductionefficiencyofthebusiness.

Keywords：landexpropriationarchives;boundarypointcoordinates;digitalrecognition;tesseract-OCR

界址点是征地范围界线的节点，它是标定征地范围界线以及权属关系的重要标志[1]。在征地档案数据整理建库工作中发现诸多征地红线图缺失配套的电子坐标数据，按照传统人工方法，手动将界址点坐标抄录进入Excel文件或文本文档，然后通过AutoCAD或者南方CASS读取坐标数据生成dwg文件，再导入ArcGIS中添加属性数据，最终以shp文件格式存入服务器进行存档。但是实际工作量较大，其中需要进行抄录的界址点坐标数据数以万计，手动抄录数据人力成本巨大，随着项目量增加会徒增诸多问题包括数据遗漏、耗时费力、工作效率低下等[2-5]。

为解决上述问题，本文基于Google开源OCR引擎Tesseract，针对征地红线图纸实际情况，对于图纸褶皱、等高线压盖、无关注记干扰等关键的识别问题进行研究。基于Tesseract自带的训练学习机制得到征地数据样本字符库，加入自带的识别参考字符库，以此提高数据识别率。

1?数字识别研究

纸质档案数字识别研究依托永州市经济技术开发区征地档案数据整理建库项目开展。由于参与项目的第三方测绘单位较多且相互协调困难，数据整合过程中发现超过70%的档案只有界址点纸质数据而没有电子数据，存在大量电子坐标数据缺失现象。参照过往工作经验，需要通过人工识别抄录数据入库，过程费时耗力且效率低下、审核困难。

Tesseract由HP公司開发，目前成为Google开源社区项目，是一个开源OCR引擎（OpticalCharacterRecognition，光学字符识别），可以基于引擎开发用于识别多种格式的图像文件并将其转换成文本[6-10]。目前OCR技术相对成熟，但是其与征地图纸相关测绘业务的结合很少，因为测绘业务对于数据精度要求极高、历史存档文件扫描效果差等现象。因此需要针对征地档案内界址点数据特征进行专门研究，通过对Tesseract训练字符库来扩大识别范围