[論文レビュー] Optical Character Recognition, Using K-Nearest Neighbors

Wei Wang|arXiv (Cornell University)|Nov 5, 2014

Handwritten Text Recognition Techniques参考文献 4被引用数 5

ひとこと要約

本論文では、画像の領域分割による特徴抽出を用いたシンプルなK-Nearest Neighbors (K-NN) を用いた手書き数字認識システムを提案する。特徴抽出にはピクセル平均化または勾配ベースの特徴を用いる。4×8の垂直水平領域分割を用いることで、92.6%の精度と1.092秒の実行時間が達成され、そのシンプルさにもかかわらず高い効率性と正確性を示している。

ABSTRACT

The problem of optical character recognition, OCR, has been widely discussed in the literature. Having a hand-written text, the program aims at recognizing the text. Even though there are several approaches to this issue, it is still an open problem. In this paper we would like to propose an approach that uses K-nearest neighbors algorithm, and has the accuracy of more than 90%. The training and run time is also very short.

研究の動機と目的

• シンプルな特徴抽出とK-NN分類を用いて、高速かつ正確な手書き数字認識システムを開発すること。
• 特徴の数を最小限に抑えることで次元の呪いを軽減しつつ、高い認識精度を維持すること。
• リアルタイムまたは組み込みアプリケーション向けに、特徴抽出と分類の計算複雑性を低減すること。
• K-NNベースのOCRにおいて、ピクセル平均化と勾配ベースの特徴表現の間で性能のトレードオフを評価すること。
• シンプルで低複雑性の手法が、数字認識タスクにおいても高い精度を達成できることを示すこと。

提案手法

• ノイズや影を低減するため、MATLABの再帰的bwmorphを用いて画像をモルフォロジカルスケルトン化により前処理する。
• 非ゼロピクセルの最小および最大のXおよびY座標を計算することで、数字の有効領域を特定する。
• 特徴抽出のため、画像を4×8の長方形領域（合計32領域）に分割する。他の分割法（例：4×4、8×8）もテストされた。
• 最初の方法では、各領域内のピクセル強度の平均値を特徴ベクトルとして計算する。
• 2番目の方法では、各領域ごとにXおよびY方向の最大絶対勾配値を計算し、特徴数を2倍にする。
• 訓練用特徴ベクトルからK次元（Kd）ツリーのデータ構造を構築し、O(log N)の期待実行時間で効率的なk近傍探索を可能にする。

実験結果

リサーチクエスチョン

• RQ1 画像の領域分割に基づくシンプルな特徴抽出法は、手書き数字認識で高い精度を達成できるか？
• RQ2 ピクセル平均化と勾配ベースの特徴表現の間で、精度と実行時間の観点からどのように比較できるか？
• RQ3 精度と計算効率のバランスを考慮した場合、最適な分割法（例：4×8対8×8）は何か？
• RQ4 Kdツリーを用いたK-NN分類器は、最小限の前処理と低次元特徴を用いて高い性能を達成できるか？
• RQ5 スケルトン化の使用が、提案フレームワークにおける認識精度をどの程度向上させるか？

主な発見

• ピクセル平均化を用いた4×8の領域分割法が、テストセットで最高の92.6%の精度を達成した。
• 同じ4×8の領域分割法で勾配ベースの特徴を用いた場合、精度は80.6%に低下し、この設定では平均化の方が優れていることが示された。
• 4×8の領域分割法は1.092秒の実行時間であり、8×8の領域分割（2.152秒）よりも顕著に高速であった。
• ピクセル平均化を用いた手法は、わずか32の特徴で92.6%の精度を達成した。これは、次元が低くても効果的であることを示している。
• Kdツリーのデータ構造により、O(log N)の期待実行時間で効率的なk近傍探索が可能となり、高速な推論を実現した。
• 全体として、最小限の計算オーバーヘッドで90%を超える精度を達成した。これは、本手法が正確かつ効率的であることを裏付けている。