[論文レビュー] Text Region Extraction from Business Card Images for Mobile Devices

Ayatullah Faruk Mollah, Subhadip Basu+4 more|arXiv (Cornell University)|Mar 2, 2010

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

ひとこと要約

本稿では、モバイルデバイス上のビジネスカード画像からテキスト領域を抽出するための軽量でルールベースの手法を提示する。粗い背景除去、連結成分フィルタリング、および適応的バイナリゼーションを用いる。1024×768解像度の画像において、1.1 MBのメモリ使用量と0.16秒の処理時間で98.54%の精度を達成し、モバイルデバイスの計算制約に最適化されている。

ABSTRACT

Designing a Business Card Reader (BCR) for mobile devices is a challenge to the researchers because of huge deformation in acquired images, multiplicity in nature of the business cards and most importantly the computational constraints of the mobile devices. This paper presents a text extraction method designed in our work towards developing a BCR for mobile devices. At first, the background of a camera captured image is eliminated at a coarse level. Then, various rule based techniques are applied on the Connected Components (CC) to filter out the noises and picture regions. The CCs identified as text are then binarized using an adaptive but light-weight binarization technique. Experiments show that the text extraction accuracy is around 98% for a wide range of resolutions with varying computation time and memory requirements. The optimum performance is achieved for the images of resolution 1024x768 pixels with text extraction accuracy of 98.54% and, space and time requirements as 1.1 MB and 0.16 seconds respectively.

研究の動機と目的

• 計算制約下でのモバイルビジネスカードリーダーにおけるテキスト領域抽出の課題に対処すること。
• カメラで撮影された画像に一般的に見られる画像の変形および多様なビジネスカードレイアウトに対処すること。
• モバイルデプロイメントに適した高精度と低メモリ・低処理時間のバランスを取る手法を設計すること。
• ルールベースの連結成分解析を用いて、ノイズや画像領域などの非テキスト領域をフィルタリングすること。
• 特に1024×768ピクセルを最適化対象として、実世界のモバイル画像解像度に最適化された性能を達成すること。

提案手法

• まず、粗い背景除去を適用して画像から主なカード領域を分離する。
• 連結成分（CCs）を抽出し、ノイズおよび非テキスト領域を排除するためのルールベースの技術を用いてフィルタリングする。
• アスペクト比やサイズのしきい値といった幾何学的・形状的ルールに基づいて、テキストに類似したCCsを選別する。
• 選別されたテキスト領域に、対応的だが軽量なバイナリゼーション技術を適用してコントラストを向上させる。
• メモリフットプリントと実行時間を最小限に抑えることで、モバイルプラットフォームに最適化する。
• さまざまな画像解像度で性能を評価し、特に1024×768を最適なターゲットとして焦点を当てる。

実験結果

リサーチクエスチョン

• RQ1 画像の変形や多様なレイアウトがあるにもかかわらず、モバイルで撮影されたビジネスカード画像からテキスト領域を正確に抽出するにはどうすればよいか？
• RQ2 連結成分解析において、ノイズや絵画的領域と効果的にテキスト成分を区別するためのルールベースの基準は何か？
• RQ3 モバイルデバイスの制約に適合するように、バイナリゼーションをどのように適応的かつ軽量に実装できるか？
• RQ4 精度、メモリ使用量、処理時間のバランスをとる上で、最適な画像解像度は何か？
• RQ5 実世界のモバイルデプロイメント制約下で、軽量でルールベースのアプローチがどれほど高い精度を達成できるか？

主な発見

• 1024×768ピクセル解像度の画像において、本手法は98.54%のテキスト抽出精度を達成した。
• システムはピーク性能時、たった1.1 MBのメモリ使用量で、画像処理を0.16秒で完了した。
• 最高の精度は1024×768解像度で観察され、低解像度または高解像度ではわずかに性能が低下した。
• 連結成分のルールベースのフィルタリングは、計算コストを最小限に抑えながらも、ノイズや非テキスト領域を効果的に除去した。
• 適応的バイナリゼーション技術は、処理負荷を増加させることなく、テキストの可視性を向上させた。
• 広範な画像解像度の範囲で、高い精度と低リソース消費量を維持しながら、本手法は頑健であることが示された。