印刷体英文文档识别系统的设计与实现.pdfVIP

第 l3卷 第6期 哈 尔 滨 理 工 大 学 学 报 Vo1．13 No．6 2008年 l2月 JOURNALHARBIN UNIV．SCI．＆TECH． Dee．，2008 印刷体英文文档识别系统的设计与实现 尹 芳， 王卫兵， 陈德运 (哈尔滨理工大学 计算机科学与技术学院，黑龙江 哈尔滨 150080) 摘 要：光学字符识别是模式识别领域的一个重要分支．提出并实现了一种用于印刷体英文文 档的OCR系统．该系统使用基于字符识别的方法进行文档识别，图像经过预处理后 ，提取多种特征 进行组合，并且考虑到字符粘连的情况，在训练样本中加入部分易粘连字母组合进行识别．通过实 验证明，该识别系统快速 、稳定且有效． 关键词：英文文档识别；特征提取；特征组合 中图分类号：TP391 文献标识码 ：A 文章编号：1007—2683(2008)06—0009—04 Architectureand ImplementationofthePrintedEnglish DocumentationRecognitionSystem YIN Fang， WANG Wei-bing， CHEN De—yun (SchoolofComputerScienceandTechnology，HarbinUniversityofScienceandTechnology，Harbin150080，China) Abstract：Opticalcharacterrecognition(OCR)isanimportantbranchofpatternrecognition．Thispaperputs forwardandachievesanOCR system torecognizeprintedEnglishdocumentation．Itusesamethodtoidentifydocu— mentsbasedontheuseofcharacterrecognitionmethod．Afterpreprocess，avarietyoffeaturesisextractedtoeom— bineandrecognize．Consideringcharactersticking，somemulti—charactertrainingsamplesareadded intothe trainingsampleset．Experimentresultshowsthatthesystem isfast，stableandeffective． Keywords：Englishdocumentationrecognition；featureextraction；featurecombination 粘连、断裂及与斜体混排等现象，应用字符组合模 1 引 言 版、提取特征组合、对单词采用连通域切分，或字典 法等后处理等技术予以解决．实验证明，以上技术的 印刷体英文文档识别是模式识别领域的一个重 应用使系统具有处理速度快、识别准确率高的特点， 要分支，广泛应用于社会各领域，如排版、印刷、文件 完全符合一个实用型系统的性能要求． 处理、表格阅读、办公 自动化文本处理等．文本的自 其处理流程描述如下：首先利用扫描仪将待识 动识别技术不仅可以提高工作效率 、准确率，而且可 别文档扫描为二值或灰度图像数据，对该原始图像 以大大节省人力资源．随着办公 自动化技术的日益 进行二值化、去除噪声预处理，再通过对文档结构的 普及，对该方向的深入研究具有重大的经济、社会效 分析进行行、列切分，将识别对象由文档转换为若干 益．本文对一个英文文档识别