如何基于Google Cloud Vision OCR识别结果预测文档标题？

实现核心逻辑 #

清单、表单类文档的标题普遍具备三类可量化特征，可通过规则匹配直接判定：

• 位于页面最顶部的核心展示区域
• 字号明显大于页面内其他正文文本
• 长度适中，普通英文标题的字符数普遍在5到30区间内
• 符合英文标题格式规范，多为单词首字母大写或全大写格式

具体操作步骤 #

1. 提取结构化OCR元数据
   不要直接使用Vision API返回的拼接纯文本，解析fullTextAnnotation字段下每个文本块的附加属性：

• 提取每个文本块的边界框坐标（boundingPoly.vertices），计算Y坐标最小值，数值越小说明文本位置越靠上
• 计算每个文本块的平均字号，可通过统计同一块内所有字符的边界框高度均值得到
• 过滤识别置信度低于0.8的低质量文本块，避免识别误差干扰结果

2. 设计标题加权打分规则
   对所有符合基础条件的文本块按以下规则计算总分，得分最高的即为预测标题：

• 位置权重（40分）：Y坐标最小的文本块拿满分，每向下移动50像素扣5分
• 字号权重（40分）：字号最大的文本块拿满分，每比最大字号小2pt扣3分
• 长度权重（20分）：文本长度在5-30字符区间内拿满分，超出或不足按差值扣分
• 格式权重（额外加10分）：所有单词首字母大写或全大写的文本块额外加分，匹配英文标题常规格式

3. 针对示例场景验证
   目标标题“Piano Posture Checklist”刚好命中所有高权重规则：处于页面最顶部文本区域、字号为全页最大、长度符合要求、所有单词首字母大写，总分远高于其他正文条目，会被优先判定为标题。

Python实现代码片段 #

def predict_doc_title(vision_ocr_response):
    title_candidates = []
    # 遍历OCR返回的所有页面文本块
    for page in vision_ocr_response.full_text_annotation.pages:
        for block in page.blocks:
            # 计算文本块的最小Y坐标，判断上下位置
            y_coords = [vertex.y for vertex in block.bounding_box.vertices]
            block_min_y = min(y_coords)
            # 计算文本块平均字号
            char_height_list = []
            for para in block.paragraphs:
                for word in para.words:
                    for symbol in word.symbols:
                        symbol_height = max(v.y for v in symbol.bounding_box.vertices) - min(v.y for v in symbol.bounding_box.vertices)
                        char_height_list.append(symbol_height)
            avg_font_size = sum(char_height_list)/len(char_height_list) if char_height_list else 0
            # 拼接文本块内容
            block_content = ''.join([symbol.text for para in block.paragraphs for word in para.words for symbol in word.symbols])
            # 计算总分
            total_score = 0
            # 位置分：这里假设页面总高度为1200像素，可根据实际场景调整系数
            total_score += (1200 - block_min_y) * 0.05
            # 字号分
            total_score += avg_font_size * 0.8
            # 长度分
            if 5 <= len(block_content) <= 30:
                total_score += 20
            else:
                total_score -= abs(len(block_content) - 17) * 2
            # 格式加分：匹配英文首字母大写规则
            if all(word.istitle() for word in block_content.split()):
                total_score += 10
            title_candidates.append((total_score, block_content))
    # 取得分最高的文本作为标题
    title_candidates.sort(reverse=True, key=lambda x: x[0])
    return title_candidates[0][1] if title_candidates else ""

内容的提问来源于stack exchange，提问作者Smijo Thekkudan