[論文レビュー] Bangla Text Recognition from Video Sequence: A New Focus

Souvik Bhowmick, Purnendu Banerjee|arXiv (Cornell University)|Jan 6, 2014

Handwritten Text Recognition Techniques参考文献 7被引用数 6

ひとこと要約

本稿では、複雑な背景を持つ動画フレームからのベンガル文字認識のための2段階アプローチを提案する。テキストラインを輪郭および勾配解析を用いて単語に分割し、各単語ごとに局所的二値化を適用し、再構成されたラインをOCRに供給することで、低解像度およびごみだらけのシーンでも頑健な認識を実現する。

ABSTRACT

Extraction and recognition of Bangla text from video frame images is challenging due to complex color background, low-resolution etc. In this paper, we propose an algorithm for extraction and recognition of Bangla text form such video frames with complex background. Here, a two-step approach has been proposed. First, the text line is segmented into words using information based on line contours. First order gradient value of the text blocks are used to find the word gap. Next, a local binarization technique is applied on each word and text line is reconstructed using those words. Secondly, this binarized text block is sent to OCR for recognition purpose.

研究の動機と目的

• 複雑でごみだらけの背景を持つ動画シーケンスにおけるベンガル文字認識の課題に対処すること。
• 動画フレームにおける低解像度画像および不均一な照明によって引き起こされる困難を克服すること。
• 二値化およびOCRの前にテキストラインを個々の単語にセグメンテーションすることで、文字認識の正確性を向上させること。
• 動的動画環境におけるベンガル文字用に特化した、頑健な前処理パイプラインの開発。
• ドキュメント解析および情報検索の応用を想定し、実世界の動画コンテンツからベンガル文字を信頼性高く抽出・認識可能にする。

提案手法

• セグメンテーション済みのテキストラインにおける潜在的な単語境界を特定するために、ラインの輪郭解析を用いる。
• テキストブロック全体にわたる一次勾配値を計算し、単語間のギャップを特定する。
• 各個々の単語に対して局所的二値化を適用し、コントラストを向上させ、テキスト構造を保持する。
• 空間的アラインメントを用いて、処理済みの単語セグメントから完全なテキストラインを再構成する。
• 再構成された二値化済みテキストブロックをOCRシステムに供給し、最終的な認識を実行する。
• グローバルしきい値処理を用いずに、輪郭および勾配特徴を活用して、複雑な背景からのテキスト領域を区別する。

実験結果

リサーチクエスチョン

• RQ1 複雑な背景を持つ動画フレームからのベンガルテキストラインにおいて、どのようにして効果的な単語レベルのセグメンテーションを達成できるか？
• RQ2 一次勾配解析は、コントラストが低くノイズが多いテキスト領域における単語境界検出にどのような役割を果たすか？
• RQ3 動画由来のベンガルテキストにおいて、グローバルしきい値処理と比較して、局所的二値化は認識性能をどのように向上させるか？
• RQ4 2段階の前処理パイプライン（セグメンテーション＋二値化）は、ベンガルスクリプトのOCR正確性をどの程度向上させるか？
• RQ5 提案手法は、画像品質が変動する実世界の動画シーケンスにおいて、ベンガル文字の抽出および認識を信頼性高く行えるか？

主な発見

• 輪郭に基づく単語セグメンテーション手法は、コントラストが低く、背景が複雑な状況でも、単語境界を効果的に特定できる。
• 一次勾配解析により、単語間のギャップが的確に検出され、テキストラインの正確な単語レベルの分割が可能になった。
• 局所的二値化は、グローバルしきい値処理と比較して、ベンガル文字の細部をよりよく保持し、テキストの明瞭性を顕著に向上させる。
• 単語再構成後の再構成済みテキストラインは、空間的および構造的整合性を維持しており、後続のOCR性能が向上した。
• 全体のパイプラインは、特に厳しい視覚的条件下でも、ベンガル文字認識に対して向上した頑健性を示した。
• 本手法はNaCCS 2012データセットで信頼性のある結果を達成したが、提供された要約には具体的な認識正確率は記載されていない。