印刷体文档中的数学公式识别方法综述.pdf

2009年第3期 中图分类号：唧 91．41 文献标识码：A 文章编号：1009—2552(2o09)o3一Ol17一o4 印刷体文档 中的数学公式识别方法综述 陈 峰，郑春光 (哈尔滨理工大学计算机学院，哈尔滨 150o86) 摘 要：数学公式识别是将中文电子文档中包含的数学公式识别出来的方法。印刷体文档中的 数学公式识别是 由预处理，数学公式的抽取分割定位和结构分析识别3部分组成。主要介绍了目 前数学公式识别的研究现状 ，并对 已提 出的各种成熟识别方法进行总结。 关键词：数学公式识别 ；公式提取；结构分析 Survey0ftllerec0gIliti0nmeth0df0lrmathematical f0lrmuIasinprintedd0cuments CⅧ 1NFeng，Z皿 NGChun．guang (sd100l0fC唧 Imter，IIaI蛐 v t)r0fsci愀 and llI10 ，酗 15oo86，a1iIla) A I仃锄ct：Mathematicalf0IInularec0朗i【ti帆 isamethod t0recognizetIlen1a山锄 aticalf0mmlaLsin Chinese electmnicdocurnents．Itisc0mp0sed0fpreprocessing，theextracti0n，divisi0nandlocalization0f瑚 thematical f0mlula，andthestructureanalysisrecognition．Thispaperm il1lyin)ducedtheresearchsitu on0f mathem ticalf0nnularec0gIlition，s咖 zedthemau【rerecogniti0nIne山ods． Ie【ywords：ma山em ticalf0硼ularec0 ition；f0Ⅱnula既t砭c【ti0n；stⅢcturalana1ysis 0 引言 而这些科技文献不仅包含普通文字、图像和图形，还 在科技高速发展的现代，许多科技文献中包含 包含大量的数学公式。目前主流的OCR系统能够 大量的公式，它们有的和文档中的文字混杂在一起 高效、准确地识别文档中的文字，但一般不具备数学 (内嵌)，有的独 占一行。由于 目前的 OCR(Optical 公式的识别与重构功能，仍需要按照图片来处理公 Ch锄ce【rReco簿1iti0n，光学字符识别)系统不能正确 式，存储数据量大且无法编辑、修改；因此，研究数学 识别文献中的数学公式，这些公式都是 以图像的形 公式识别、分析和重构，对于拓宽OCR系统的应用 式存在的。当人们对科技文献进行数字化时，其中 领域具有重要意义。 的公式只能按照图像格式进行保存 ，而不能加 以识 本文对当前的数学公式识别的研究现状和数学 别分析，这样就不能依据公式对文章进行检索，而有 公式识别过程中的成熟算法进行了综述 。 的文章的核心内容就是这些公式，失去了公式的文 1 国内外研究现状 章可能毫无意义。当读者想验证或重用这些数学公 数学公式的识别包括符号识别和结构分析两个 式时，只能使用专门的数学计算软件或数学排版软件 阶段。符号识别，文字识别是符号识别的一个最重 按照其语法规则重新输入，其输入要比普通文本的输 要的分支，它作为一个热门的研究领域已经具有三 入困难，因为数学表达式除了英文字符和阿拉伯数字 十多年的历史了，这为数学表达式中的特殊符号的 之外还包括许多特殊的符号和希腊字母，使其输入过 识别奠定了坚实的基础；结构分析，数学表达式的结 程复杂繁琐，速度慢，且存在一定的错误率。