[論文レビュー] A survey of modern optical character recognition techniques

Eugene Borovikov|arXiv (Cornell University)|Jan 1, 2004

Handwritten Text Recognition Techniques参考文献 48被引用数 23

ひとこと要約

2004年の調査では、ラテン文字および非ラテン文字のスクリプトを対象とした印刷物および手書き文字認識を焦点として、現代の光学式文字認識（OCR）技術の包括的概要が提供されている。OCRパイプライン、前処理および後処理技術、商用およびオープンソースOCRエンジンの評価、耐障害性、多言語および適応型OCRシステムにおける主な課題と今後の方向性が明らかにされている。

ABSTRACT

This report explores the latest advances in the field of digital document recognition. With the focus on printed document imagery, we discuss the major developments in optical character recognition (OCR) and document image enhancement/restoration in application to Latin and non-Latin scripts. In addition, we review and discuss the available technologies for hand-written document recognition. In this report, we also provide some company-accumulated benchmark results on available OCR engines.

研究の動機と目的

• 印刷物および手書き文書認識におけるOCR技術の進展を体系的にレビューすること。
• 画像品質、スクリプトの複雑さ、言語の混合といったOCRにおける技術的課題を分析すること。
• ベンチマークデータを用いて商用およびパブリックドメインOCRエンジンの性能と限界を評価すること。
• 特に非ラテン文字スクリプトおよび手書き認識を対象とした、OCRにおける主なトレンドと今後の研究方向性を特定すること。
• 文脈、画像強調処理、適応型システムがOCRの耐障害性および正確性を向上させる上で重要な役割を果たすことを強調すること。

提案手法

• 商用およびパブリックドメインのソリューションに分類し、性能ベンチマークを実施することでOCRシステムを調査・分類すること。
• OCRパイプラインの分析：前処理（画像強調、セグメンテーション）、認識（特徴ベースおよび統計的手法）、後処理（文脈的補正）。
• 正解データ（グランド・トゥースト）を用いたOCR精度の評価および、画像品質やスクリプトの複雑さの変動に対する性能の評価。
• 特に草書体スクリプトの認識に、統計的パターン認識および隠れマルコフモデル（HMMs）を適用すること。
• 認識誤り率の低減と耐障害性の向上を図るために、文脈的言語モデリングを統合すること。
• 多言語および多スクリプトOCRに焦点を当て、アラビア文字やデヴァナガリ文字のような複雑なスクリプトおよび非ラテン文字セットを含めること。

実験結果

リサーチクエスチョン

• RQ1 多様なスクリプトにわたる印刷物および手書き文字認識において、高精度OCRを達成するための主な技術的課題は何か？
• RQ2 画像品質と前処理技術は、OCR認識性能にどのように影響するか？
• RQ3 現在のOCRシステムが、アラビア語やデヴァナガリ文字のような複雑なスクリプトを処理する際に抱える限界は何か？
• RQ4 草書体の手書き文字認識において、HMMのような統計モデルは印刷文字認識と比べてどの程度効果的か？
• RQ5 正解データが存在しない状況において、文脈的言語モデリングはOCR精度向上にどのような役割を果たすか？

主な発見

• 商用OCRエンジンは、特に200dpi以上の解像度で、明確にセグメンテーションされた印刷物のテキストに対して、ほぼエラーのない性能を達成している。
• 手書き文字認識は、高い可変性のため依然として困難である。HMMベースのシステムは有望ではあるが、読みづらいまたは草書体のスクリプトでは依然として困難を抱えている。
• 画像品質が劣化すると、特に中国語や韓国語のような複雑なスクリプトではOCR精度が著しく低下する。
• ノイズ低減や画像強調処理などの前処理技術は、低品質なスキャン画像において顕著に認識精度を向上させる。
• 文脈的言語モデリングにより、探索空間が縮小され、曖昧またはノイズの多い状況でも認識の耐障害性が向上する。
• 1980年代以降、OCRシステムのコストは著しく低下しており、標準的なデスクトップハードウェアでもソフトウェアベースのOCRが広く利用可能になった。