[논문 리뷰] Kannada Character Recognition System A Review

K. Indira, S. Sethu Selvi|arXiv (Cornell University)|2010. 01. 29.

Handwritten Text Recognition Techniques참고 문헌 11인용 수 15

한 줄 요약

이 논문은 인쇄된 칸나다 문자 인식(KCR) 시스템을 검토하며, 사전처리, 특징 추출 및 분류 기법에 중점을 둡니다. 인식 정확도를 향상시키기 위해 분류기 수준의 융합을 제안하여, 부분공간 특징에 대해 RBF 네트워크를 사용할 경우 최대 99.1%의 정확도를 달성하였으며, 이는 문자에서 복잡한 결합음절과 모음 수식어를 처리하는 데에 있어 도전 과제를 드러냅니다.

ABSTRACT

Intensive research has been done on optical character recognition ocr and a large number of articles have been published on this topic during the last few decades. Many commercial OCR systems are now available in the market, but most of these systems work for Roman, Chinese, Japanese and Arabic characters. There are no sufficient number of works on Indian language character recognition especially Kannada script among 12 major scripts in India. This paper presents a review of existing work on printed Kannada script and their results. The characteristics of Kannada script and Kannada Character Recognition System kcr are discussed in detail. Finally fusion at the classifier level is proposed to increase the recognition accuracy.

연구 동기 및 목표

• 스クリ프트의 복잡성으로 인해 기존의 인쇄된 칸나다 문자 인식(KCR) 접근 방식을 분석하기 위해.
• 스키우 검출, 결합음절 분할, 모음 수식어 배치와 같은 KCR의 과제를 특정하기 위해.
• 개별 분류기 성능을 초월하여 정확도를 향상시키기 위해 분류기 수준의 융합을 제안하기 위해.
• 칸나다 문자 데이터셋에서 다양한 특징 추출 기법과 분류기의 성능을 평가하기 위해.

제안 방법

• 문서 정렬을 위해 수평/수직 투영 프로필과 허프 변환을 사용하여 이진화 및 스키우 보정을 적용합니다.
• 텍스트 라인 검출 및 문자 분할을 위해 수평 및 수직 투영 프로필(HPP/VPP)을 사용하며, 특히 하위첨자 포함 단어에서 유용합니다.
• 다양한 특징 추출 기법을 사용: DCT, DWT, 제르니케 모멘트, 후의 불변 모멘트, 그리고 반경선 기반의 구조적 특징.
• 최근접 이웃, 베이지안, 신경망 분류기(RBF, BPN)를 분류에 적용하며, 분류기 수준의 융합을 통해 정확도를 향상시킵니다.
• 부분공간 투영을 통한 특징 차원 축소를 구현하고, 동일한 ON 픽셀 분포에 적합한 구조적 특징을 적용합니다.
• 다양한 특징-분류기 조합에서 인식률과 처리 시간을 기반으로 성능을 평가합니다.

실험 결과

연구 질문

• RQ1 칸나다 스크립트 문서에서 스키우 검출에 대해 투영 프로필과 허프 변환이 얼마나 효과적인가요?
• RQ2 결합음절과 매트라를 포함한 칸나다 문자에 대해 가장 높은 인식 정확도를 얻을 수 있는 특징 추출 기법은 무엇인가요?
• RQ3 분류기 수준의 융합이 개별 분류기 성능을 초월하여 KCR 시스템의 인식 정확도를 향상시킬 수 있나요?
• RQ4 RBF, BPN, SVM 등의 다양한 분류기들이 칸나다 문자의 다양한 특징 세트에서 어떻게 성능을 발휘하나요?
• RQ5 구조적 특징과 모멘트 기반 기술자가 복잡한 칸나다 스크립트의 인식 성능에 어떤 영향을 미치나요?

주요 결과

• 분류기 수준의 융합은 인식 정확도를 크게 향상시켜, 기저 문자에 대해 부분공간 특징에 RBF 네트워크를 사용할 경우 99.1%의 정확도를 달성하였습니다.
• 8×8 및 10×10 블록 크기를 사용한 DCT 및 DWT 특징은 각각 기저 문자에 대해 98.7% 및 98.55%의 인식률을 기록하였습니다.
• 구조적 특징을 사용한 RBF 네트워크는 기저 문자에 대해 97.5%의 정확도를 달성하였으며, 1200개의 은닉 뉴런을 사용할 경우 99.1%의 정확도를 기록하였습니다.
• 제르니케 모멘트와 후의 모멘트는 중간 수준의 성능(82–91.8%)을 보이며, 복잡한 칸나다 형태에 대한 제한을 드러냅니다.
• 자스터드 특징을 사용한 RBF 네트워크에서는 자음 결합음절에 대해 최대 96.8%의 인식률을 기록하였으며, 다른 방법들보다 뛰어난 성능을 보였습니다.
• 제안된 융합 방법은 복합 문자와 모음 수식어가 부착된 자음과 같은 도전적인 케이스에서 오류율을 감소시켰으며, 이는 형태의 변동성으로 인한 어려움을 반영합니다.