近代书籍特化.pptVIP

近代書籍に特化した多フォント活字認識法 芦田尚美*，髙田雅美*，木目沢司?，城和貴* *奈良女子大学大学院 ?国立国会図書館 発表の流れ 背景 目的と問題点 文字認識の手法 実験 まとめ 背景 国立国会図書館　近代デジタルライブラリー 蔵書のデジタルアーカイブ化 Webでの閲覧が出来るサービス 問題点 テキスト化の必要性 明治～大正期の書籍 約160,000冊 そのほとんどが画像データ →全文検索の適用不可 書籍の問題 フォントの種類が不明 旧字体/異字体を含む 低品質の印刷 　→従来のOCR技術を適用できない 旧字体 文字認識の流れ 前処理 特徴抽出 PDC特徴 PDC特徴 PDC特徴 PDC特徴 特徴ベクトル 特徴ベクトルの次元 全走査方向(8方向)　× 　深度(外郭深度N=3)　× 　寄与度成分(4方向)　× 　区画(16区画※)　 ＝　1536次元ベクトル となる 文字の識別 Support Vector Machines 原理 実験 実験データ 近代デジタルライブラリーの書籍画像から切り出した文字 文字種：10種類の文字 「行」，「三」，「人」，「生」，「十」，「来」，「小」，「中」，「年」，「彼」の10種 教師データを各クラスにつき50個生成し，訓練 LIB-SVMを使用 文字画像例 実験手順(1) 前処理 2値化 3×3のメディアンフィルタ（ノイズ除去） 余白の除去 大きさの補正（線形なサイズ補正） 位置の補正 特徴抽出 PDC特徴の抽出 実験手順(2) SVMでの学習 各クラスにつき50個の画像を教師として選択 グリッドサーチによってSVMのパラメータを決定 教師データの学習 未知データを用いて評価 実験環境 CPU：Intel Pentium D 2.80GHz OS：Windows XP SVM：LIB-SVM ver 2.88 実験結果 認識率　97.8％ 内訳： 誤認識した文字(1) 誤認識した文字(2) 誤認識した文字(3) ノイズが多い 誤認識した文字(4) 「中」と「十」は共に垂直?水平方向に太い文字線がある 類似した文字形状 誤認識した文字(5) 「中」と「小」は共に画像中央に長い縦線とその左右の短い縦線を持つ 類似した文字形状 ニューラルネットワークによる実験 3層の階層型 中間層：64ユニット 誤差逆伝播法 1000回の学習 教師データに対する誤答率0.8% 学習時間：12248[sec] (参考)中間層32ユニット 3000回の学習で教師データに対する誤答率10％ ニューラルネットによる実験結果 テストデータに対する認識率　77.6% 考察(SVMによる認識) 誤認識 ノイズが多い ノイズの点を文字線と認識 余白の除去が適切に行われなかった 明瞭な文字画像を誤認識する場合もある 類似した特徴を持つ文字と誤認 明確な理由が判明しない誤認もあった 誤認が多いクラス 学習例がテストデータ数と比較し少ない 考察(NNによる学習) 中間層64個で学習 認識率77.6% 中間層32個では不足 学習時間はSVMより長い SVMの約7.7倍 まとめ 近代書籍の活字認識を行った 97.8％の精度で10種の文字を認識できた SVMはNNより適している 改善点 ノイズ除去アルゴリズムの改良 文字種が多くなる→階層的な分類で対応 文字領域の切り出しの自動化 * Nara Women’s University * Nara Women’s University 近代活字OCRの必要性 入力 前処理 特徴抽出 識別 入力 前処理 特徴抽出 識別 ノイズの除去 画像余白の除去 大きさの補正 位置の補正 入力 前処理 特徴抽出 識別 PDC（Peripheral Direction Contribution: 　　外郭方向寄与度）特徴 文字線の 複雑さ 方向 接続関係 相対位置関係 　　　　　　　　　　を抽出する 示 8方向から走査 走査 ぶつかった点から8方向に矢印を伸ばす 長さが方向寄与度となる 方向寄与度→どの向きの成分が大きいかを表す 第2，第3深度の成分が 0でない→文字線が複雑 0である→文字線が単純 正反対の方向の矢印の長さを足し合わせ，4方向の長さを得る 深度1 深度2 深度3 走査方向 第1外郭形状 第2外郭形状 第3外郭形状 元画像 あ ※各方向128回の走査の後， 16等分して平均 入力 前処理 特徴抽出 識別 SVM（Support Vector Machines）を使用 機械学習の一種 高い汎化性能 マージン最大化 カーネルトリック 比較的単純な仕組み 他の機械学習と比較し同等以上の性能 x w b 分離超平面 高次元特徴空間に射影 →平面で分離可能 × ○ 線形