[論文レビュー] Development of a multi-user handwriting recognition system using Tesseract open source OCR engine

Sandip Rakshit, Subhadip Basu|arXiv (Cornell University)|Mar 30, 2010

Handwritten Text Recognition Techniques参考文献 11被引用数 4

ひとこと要約

この論文では、Tesseract OCRエンジンを用いたマルチユーザー手書き認識システムを提示している。ユーザー固有の分離済みおよびフリーフロー手書きサンプルを用いて、個別化された言語モデルを訓練した。3人のユーザーを対象にした実験で、文字単位の認識精度はそれぞれ87.92%、81.53%、65.71%を達成し、テストデータ全体での総合精度は78.39%であった。

ABSTRACT

The objective of the paper is to recognize handwritten samples of lower case Roman script using Tesseract open source Optical Character Recognition (OCR) engine under Apache License 2.0. Handwritten data samples containing isolated and free-flow text were collected from different users. Tesseract is trained with user-specific data samples of both the categories of document pages to generate separate user-models representing a unique language-set. Each such language-set recognizes isolated and free-flow handwritten test samples collected from the designated user. On a three user model, the system is trained with 1844, 1535 and 1113 isolated handwritten character samples collected from three different users and the performance is tested on 1133, 1186 and 1204 character samples, collected form the test sets of the three users respectively. The user specific character level accuracies were obtained as 87.92%, 81.53% and 65.71% respectively. The overall character-level accuracy of the system is observed as 78.39%. The system fails to segment 10.96% characters and erroneously classifies 10.65% characters on the overall dataset.

研究の動機と目的

• 複数のユーザーの異なる筆記スタイルに対応できるスケーラブルな手書き認識システムの開発を目的とする。
• 分離済みおよびフリーフローのテキストサンプルを用いて、ユーザー固有のモデルを訓練することで、手書きの多様性に取り組む。
• 限られた訓練データで微調整されたTesseract OCRの性能を評価することを目的とする。
• マルチユーザー手書きテキスト認識におけるセグメンテーション誤りと分類誤りを測定することを目的とする。
• TesseractのようなオープンソースOCRエンジンを個人向け手書き認識タスクに適応させる可能性を示すこと

提案手法

• 3人の異なるユーザーから分離済みおよびフリーフロー手書き文字サンプルを収集した。
• 各ユーザーの固有データセットを用いてTesseract OCRを訓練し、各ユーザーに特化した独自の言語モデルを生成した。
• 別々の訓練およびテストセットを用いた：訓練用に1844、1535、1113個の分離済みサンプルを、テスト用に1133、1186、1204個をそれぞれ使用した。
• Tesseractのアダプティブ学習フレームワークを活用し、各ユーザーごとの文字認識を最適化した。
• 文字単位の精度、セグメンテーション失敗率、誤分類率を用いて、システムの性能を評価した。
• ユーザー固有の結果を統合し、全体のシステムレベルのパフォーマンス指標を算出した。

実験結果

リサーチクエスチョン

• RQ1 Tesseract OCRは、異なる筆記スタイルを持つ複数のユーザーの手書きを効果的に認識できるか？
• RQ2 ユーザー固有の訓練が、分離済みおよびフリーフロー手書きにおける文字単位の認識精度に与える影響は何か？
• RQ3 多様なユーザーのサンプルにおいて、システムの文字セグメンテーションおよび誤分類のパフォーマンスはどの程度か？
• RQ4 マルチユーザー手書きデータにおいて、このシステムの総合精度はベースラインまたは一般的なOCRモデルと比べてどうか？
• RQ5 システムが文字のセグメンテーションや分類に失敗する主な原因は何か？

主な発見

• システムは3人のユーザーに対して、それぞれ87.92%、81.53%、65.71%のユーザー固有の文字単位認識精度を達成した。
• すべてのユーザーを統合したテストセット全体での文字単位の総合精度は78.39%であった。
• 全データセットにおいて10.96%の文字が正しくセグメンテーションされなかった。
• さらに10.65%の文字が誤って分類されたため、認識における顕著な誤り率が確認された。
• ユーザー間でのパフォーマンスに顕著な差が見られたため、個々の筆記スタイルおよび訓練データ量の大きさに敏感であることが示された。
• 結果から、Tesseractのユーザー固有の微調整が、汎用モデルと比較して認識精度を顕著に向上させることを示している。