多字体印刷蒙古文文档识别系统基础资源的建设.pdfVIP

第2O卷第1期 呼伦贝尔学院学报 No．1 、，01．20 2012年 2月 JoumalofHulunbeierCol1 PublishedinF ，2012 多字体印刷蒙古文文档识别系统基础资源的建设 包艳花 (呼伦贝尔学院蒙古语言文学学院 内蒙古 海拉尔区 021008) 摘 要：简述了研制 “多字体印刷蒙古文 (混排汉英)文档识别系统”过程中利用的基础资 源的建设情况，包括样本库的建立、各类标准样本的建设、字符分库的建立等． 关键词：蒙古文文档识别系统；样本库；标准样本；字符分库 中图分类号：H212 文献标识码：A 文章编号：1009-4601(2012)I)1—0106-04 在教育部、国家语委的资助下，清华大学电 (一)有代表性原则 子工程系、内蒙古大学蒙古学学院、内蒙古师范 蒙古文印刷文档，无论其数量上，还是种类 大学计算机信息工程学院合作研发了 “多字体印 上都是相当可观的。在收集蒙古文印刷文档测试 刷蒙古文 (混排汉英)文档识别系统”，该系统能 样本时，必须选择能够代表蒙古文印刷物版面特 识别印刷多字体的蒙古文字符和文档 ，能识别处 点的样本。 理多字体蒙古文字符混排汉英的文档 ，并能转换 (二)全面性原则 成Unicode编码，是集版面分析，文本行、词切分， 收集的样本要尽量涵盖蒙古文出版物的版面 字符识别 ，编码转换后处理，’纵向文档图文对照 种类。涵盖文科方面和理科方面等多学科；包括 后编改等技术于一体的蒙古文文档识别实用化系 单体和多体样本；蒙汉文混排及蒙汉英混排等多 统 。 ’ 文种混排样本。收集蒙汉文混排及蒙汉英混排样 在研制 “多字体印刷蒙古文 (混排汉英)文 本时，必须选择以蒙古文为主的纵向样本。 档识别系统”的过程当中，可利用的数据资源匮 目前，已收集的测试样本有25种，共 l8O页。 乏。因此 ，在系统研发各阶段的基础资源都是在 其基本上涵盖了蒙古文出版物的版面种类。所搜 核心识别方法确定后，一步一步建设起来的。 集到的测试样本包括书籍 、刊物、报纸、办公文 在建设 “多字体印刷蒙古文 (混排汉英 )文 件等，其每一类都有电子排印版和铅印版的样本。 档识别系统”基础资源的过程中，每一步的工作 对这些蒙古文印刷文档测试样本制作成扫描 都离不开蒙古语言文字知识的支撑，但 目前为止， 图像文件之后，由清华大学来选择作为标准样本 这些知识 比较凌乱，还没有形成一个体系，还有 的图像。把有阴影的、有特殊图标的、有特殊文 待于归纳 、总结。 本版式的、有背景干扰的、有折痕干扰的一些图 一 、 蒙古文印刷文档测试样本库的建立 像去掉后，选择了 115页的图像文件作为标准样 为了提高系统的实用性，在研发阶段需要随 本，其它的作为系统测试样本。 时测试系统的性能，使其得到进一步的改进，所 二、蒙古文印刷文档标准样本的录入 以 “多字体印刷蒙古文 (混排汉英)文档识别系 从 2O世纪 8O年代初开始，中国、蒙古国、 统”的研发过程中首要的工作就是建立蒙古文印 德国、日本 、匈牙利、美国等国家的不少蒙古学 刷文档测试样本库。