[論文レビュー] Recognition of handwritten Roman Numerals using Tesseract open source OCR engine

Sandip Rakshit, Amitava Kundu+4 more|arXiv (Cornell University)|Mar 30, 2010

Handwritten Text Recognition Techniques参考文献 11被引用数 12

ひとこと要約

この論文では、TesseractオープンソースOCRエンジンを用いた、手書きローマ数字の認識システムを提案する。1,226件の多様なユーザーからのサンプルで学習させた結果、既知のユーザーのテストデータでは92.1%の正確性を達成し、未知のユーザーのデータでは86.59%を示した。これは、カスタマイズされた言語モデルを用いた汎用OCRエンジンを用いて、ユーザーに依存しない手書きローマ数字認識が可能であることを示している。

ABSTRACT

The objective of the paper is to recognize handwritten samples of Roman numerals using Tesseract open source Optical Character Recognition (OCR) engine. Tesseract is trained with data samples of different persons to generate one user-independent language model, representing the handwritten Roman digit-set. The system is trained with 1226 digit samples collected form the different users. The performance is tested on two different datasets, one consisting of samples collected from the known users (those who prepared the training data samples) and the other consisting of handwritten data samples of unknown users. The overall recognition accuracy is obtained as 92.1% and 86.59% on these test datasets respectively.

研究の動機と目的

• オープンソースOCRエンジンを用いて、ユーザーに依存しない手書きローマ数字認識システムを開発すること。
• Tesseract OCRが、既知および未知のユーザーのデータセットに対して手書きローマ数字を認識する性能を評価すること。
• 多様な手書きサンプルを用いて言語モデルを学習させ、個々の筆記スタイルの間での一般化を向上させること。
• ドメイン特化の修正なしに、汎用OCRエンジンが特定の手書き数字タスクを認識する効果性を評価すること。

提案手法

• Tesseract OCRエンジンは、複数のユーザーから収集した1,226件の手書きローマ数字サンプルで学習され、ユーザーに依存しない言語モデルが作成された。
• 手書きローマ数字のデジットセットを表現するカスタム言語モデルが生成され、Tesseractが筆記のばらつきを解釈できるようにした。
• システムは2つのテストデータセットで評価された：訓練に使われた同じユーザーのサンプルと、事前に確認されていないユーザーのサンプルを含むものだった。
• 認識の正確性は、各テストセットに対してTesseractの出力と正解ラベルを比較することで測定された。
• 学習およびテストプロセスは、Tesseractの既存の文字認識および言語モデル機能を活用したものであり、コアエンジン自体の変更は行われなかった。

実験結果

リサーチクエスチョン

• RQ1 Tesseract OCRは、ユーザーに依存しない言語モデルを用いて、手書きローマ数字を効果的に認識できるか？
• RQ2 Tesseractの認識正確性は、既知のユーザーと未知のユーザーの両方のテストでどのように変化するか？
• RQ3 多様な手書きサンプルで学習させることで、ローマ数字認識における一般化性能はどの程度向上するか？
• RQ4 ドメイン特化の修正なしに、汎用OCRエンジンは特定の手書き数字タスクに対してどの程度の性能を示すか？

主な発見

• 訓練に使われたユーザーのテストデータでは、認識正確性が92.1%に達した。
• 未知のユーザーのテストデータでは、正確性は86.59%に低下し、未確認の筆記スタイルに対してある程度の性能低下が生じたことが示された。
• 結果から、Tesseractはユーザーに依存しない言語モデルを用いて、手書きローマ数字認識に効果的に適応可能であることが明らかになった。
• 既知のユーザーと未知のユーザーの間の性能差は、多様な筆記のばらつきに対する一般化の難しさを浮き彫りにしている。