[論文レビュー] Morphological Reconstruction for Word Level Script Identification

B.V. Dhandra, Mallikarjun Hangarge|arXiv (Cornell University)|Jun 25, 2011

Handwritten Text Recognition Techniques参考文献 13被引用数 8

ひとこと要約

本稿では、多言語のインディアン文書における単語レベルのスクリプト識別に、形態的再構築に基づく手法を提案する。方向性画像解析と領域記述子を活用し、カナダ語、テルグ語、デヴァナガリー文字、およびアラビア数字を区別する。2,625枚の単語画像を対象に、さまざまなフォントやサイズで評価された結果、最近傍法分類を用いて高い精度を達成し、多言語OCRの前処理において優れた性能を示した。

ABSTRACT

A line of a bilingual document page may contain text words in regional language and numerals in English. For Optical Character Recognition (OCR) of such a document page, it is necessary to identify different script forms before running an individual OCR system. In this paper, we have identified a tool of morphological opening by reconstruction of an image in different directions and regional descriptors for script identification at word level, based on the observation that every text has a distinct visual appearance. The proposed system is developed for three Indian major bilingual documents, Kannada, Telugu and Devnagari containing English numerals. The nearest neighbour and k-nearest neighbour algorithms are applied to classify new word images. The proposed algorithm is tested on 2625 words with various font styles and sizes. The results obtained are quite encouraging

研究の動機と目的

• 英語の数字と地域的スクリプトを含む二言語のインディアン文書における、混合スクリプトテキストの単語レベルでの識別課題に対処すること。
• フォントの変化やサイズの違いに対して不変である画像ベースのスクリプト分類手法を確立すること。
• 形態的再構築と領域記述子が、異なるスクリプト間の視覚的パターンをどのように区別できるかを評価すること。
• 個々の単語をそのスクリプトに分類することで、多言語OCRシステムの正確な前処理を可能にすること。

提案手法

• 水平方向、垂直方向、対角線方向の複数方向における形態的オープニング再構築を適用し、単語画像から方向性構造特徴を抽出する。
• 再構築画像から導出された領域記述子を用いて、各単語の局所的なテクスチャおよび形状特徴を表現する。
• 特徴の類似度に基づいてスクリプトラベルを割り当てるために、最近傍法（NN）およびk-最近傍法（k-NN）分類アルゴリズムを用いる。
• 二値化と正規化による前処理を実施し、形態的処理のための一貫した入力環境を確保する。
• カナダ語、テルグ語、デヴァナガリー文字、および英数字の単語画像2,625枚からなるデータセットを用いて、分類器の学習とテストを実施する。
• 方向性再構築を用いて、ストローク密度や方向性パターンなどのスクリプト間の構造的差を強調する。

実験結果

リサーチクエスチョン

• RQ1 複数方向における形態的再構築は、単語レベルのスクリプト識別に特徴を的確に抽出できるか？
• RQ2 再構築画像から得られる領域記述子は、さまざまなフォントスタイルやサイズにおいて、スクリプト分類精度をどのように向上させるか？
• RQ3 k-NN分類器は、最近傍法に比べて、インドの地域的スクリプトとアラビア数字をどれほど効果的に区別できるか？
• RQ4 本手法は、現実の多言語文書画像におけるフォントやサイズの変動に対して、どれほど頑健であるか？

主な発見

• 提案手法は、3つの主要なインドスクリプトおよび英数字の2,625枚の単語画像において高い分類精度を達成し、フォントやサイズの変化に対して強い頑健性を示した。
• 複数方向における形態的再構築により、異なるスクリプトの視覚的外観を区別する方向性構造特徴が効果的に抽出された。
• k-NN分類器は最近傍法を上回る分類精度を示し、複数の類似したトレーニングサンプルを考慮する利点が裏付けられた。
• 再構築画像から導出された領域記述子は、各スクリプト固有の局所的テクスチャおよび形状パターンを効果的に捉えることができた。