发票字段识别：从拍照到结构化的几个难点

2026 年 10 月 12 日

最近在做一个桌面端的发票信息整理工具，目标很简单：拍一张发票照片，桌面上就能得到结构化的字段。功能听起来不复杂，真正动手才发现从"图像"到"结构化数据"之间有不少坑。这篇笔记记录几个印象最深的问题和处理思路。

一、拍摄姿态：先纠偏，再识别

手持拍摄几乎不可能正对票面，倾斜和透视变形会直接影响文字检测。我的处理顺序是：

• 先检测票面四角：边缘检测加轮廓筛选，按面积和长宽比排除干扰轮廓；
• 用四点做透视变换，把票面矫正成标准矩形；
• 再进入文字检测环节。

这一步做好之后，后续识别准确率的提升比换识别模型更明显。

二、光照：局部自适应比全局阈值可靠

室内阴影、反光都会让固定阈值二值化失效。改用局部自适应阈值后，明暗不均的票面也能得到比较干净的文本区域。代价是参数需要按场景调：窗口太大，噪声变多；窗口太小，大字号字段可能被切碎。目前的做法是先估算图像的整体对比度，再给窗口尺寸一个初值，效果够用。

三、表格线：形态学去线

票面上有大量横竖表格线，文字检测容易被线干扰。用较长的水平、垂直核做形态学开运算，提取出线再减掉，剩下的就是文字区域。这一步要注意不要过度腐蚀——金额栏的文字离表格线往往很近。

四、字段定位：锚点词加相对位置

票面字段不是固定坐标。不同票种、不同版式的字段位置差异很大，硬编码坐标必然失效。我的思路是"锚点词加相对位置"：

• 先识别出"购买方""销售方""金额""税额"这类锚点词；
• 再以锚点为参照，取它右侧或下方的文本块作为字段值；
• 对多行字段（如名称），做纵向合并。

这个方法不依赖具体版式，换票种时只需要补充锚点词表。

五、为什么坚持本地处理

票面信息属于敏感数据，我的选择是识别在设备端完成，图片不出本机。代价是模型体积和推理速度要做取舍，但对这类工具来说，隐私比省几毫秒更值得。

下一步

• 倾斜角度过大时的兜底策略；
• 手写备注区域的识别；
• 归档时按月份的整理规则。

就先记到这里，有进展再更新。