面向中国市场的文字识别技术研发研究.pdfVIP

面向中国市场的文字识别技术研发 孙俊，黄开竹，于浩，岩见田均 sunjon．kzhuang。3兀J．iwamida@cn．fujitsu．c∞ 富士通研究开发中心有限公司 北京市朝阳区霄云路26号鹏涧大厦10层100016 擒要：富上通研究开发中心自1998年成立以来，一直致力于面向中文的信息处理技术的研发。随着中国业 务的不断普及，我们在文字识别领域的技术研发也取得了一定的进展。在印刷体字符识别方面．我们提{I{ r一种基于双子空问分解的灰度字符图像特征提取和识别算法．该算法对于由数码相机拍摄等原刨所引起 的字符图像退化具有很好的识别效果．在手写体字符识别方面。我们提出了一种基于中目地址层次结构模 型的于写中国地址识别系统。该系统利用了整体识别．动态规划，和减枝的方法，能有效地识别符种地址。 实验表明-该算法对工整手写地址整条识别率达到94，9％．对潦草地址的识别率也达到了74．6％的较好效果。 1引言 富士通研究开发中心自1998年成立以来．一直致力于面向中文的信息处理技术的研发。 随着中国业务的不断普及，我们在文字识别领域的技术研发也取得了一定的进展。近年来， ocR研究方向出现了几个热点，首先是文档图像获取方式的变化，在传统的基于扫描仪的文 档图像获取方式之外，随着数码相机的日益普及．越来越多的文档图像以数码照片的形式得 以保存，这大大方便了纸质文档电子化的过程。其次，在手写脱机字符识别方面，由于技术 上的难点一直未能突破．基于特定知识的行业应用成为应用的主要方向。我们针对这两个热 点方向。对退化字符识别和手写中文地址识别进行了专门的研究。 在印刷体字符识别方面，我们的研究方向是基于数码图像的退化字符识别。和传统的扫 描文档图像相比，数码相机得到的文档图像无论是从分辨率还是图像质量来看都有一定的差 距．字符图像的退化现象比较严重。这对传统的基于二值特征的字符特征提取和识别技术是 一个挑战。为了解决这个问题，我们提出了一种从灰度字符图像中直接进行特征提取和识别 的文字识别技术“1“。该算法首先对灰度字符图像进行非线性归一化，然后利用双子空问分 解对图像进行从粗到精的特征提取和分类，实验表明，该算法明显优于传统的基于二值字符 图像的字符识别算法。 在手写体识别方面．针对中国市场的开发，我们提出了基于中国地址层次结构模型的手 写中国地址识别系统。中文手写地址识别存在的难点表现为(1)脱机手写中文字符识别目 前尚未成熟(2)手写地址很难切分。针对这些问题，我们提出了整体识别的方法，将大规 模的中文手写字符识别转换为小规模的地名识别。同时．利用地址分层结构解决了手写地址 的切分问题。 文本的其余部分安排如F：第二章介绍基于双子空间的灰度字符图像识别算法，第三章 介绍基于中国地址层次结构模型的手写中国地址识别系统，第四章是总结。 —·466—— 2 基于双子空间分解的灰度字符图像识别算法 对于由于低分辨率或者数码相机拍摄造成的图像模糊，传统的二值化过程必然导致笔画 信息的丢失。因此，直接从灰度字符图像中提取特征对退化字符图像更加具有优势。本文提 出了一种利用双子空间分解的灰度字符图像特征提取和识别方法。 2．I双子空间特征提取和识别 双子空间分解包含2个步骤”1：第一步是针对所有字符类别构筑一个统一子空间，第二 步是针对每个字符类别构筑一个个体子空间。 统一子空间的构筑过程如下：假设灰度字符图像的图像大小是肭姒该图像可以被表示 为一个一个(肭眦1)的一维向量。针对统一子空间的自相关矩阵可以如F计算： l P COV,。=击∑b．一州勋．一m)7 1#I (1) 其中，P代表字符类别的数目，口是所有字符样本的均值向量，册是第j类字符的均值 向量。对COVsb进行特征值和特征向量分解，对应前17个最大特征值的n个特征向量记为； U=fuLu2,…。unj，它日1构成了缆一子空喊。 个体子空间的构筑过程如下：首先，对每个字符类别用统一子空间提取特征(PCA特征 提取)：