[논문 리뷰] Recognition of handwritten Roman Numerals using Tesseract open source OCR engine

Sandip Rakshit, Amitava Kundu외 4명|arXiv (Cornell University)|2010. 03. 30.

Handwritten Text Recognition Techniques참고 문헌 11인용 수 12

한 줄 요약

이 논문은 Tesseract 오픈소스 OCR 엔진을 사용하여 수작업으로 쓴 로마 숫자를 인식하는 시스템을 제안한다. 다양한 사용자로부터 수집한 1,226개의 샘플로 훈련된 시스템은 기여자와 동일한 사용자 데이터에서 92.1%의 정확도를 기록했고, 미리 알지 못한 사용자 데이터에서는 86.59%의 정확도를 기록하여 일반적인 OCR 엔진을 사용한 사용자 독립적 수작업 로마 숫자 인식의 강건성을 입증한다.

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.

연구 동기 및 목표

• 오픈소스 OCR 엔진을 사용하여 사용자 독립적 수작업 로마 숫자 인식 시스템을 개발하는 것.
• Tesseract OCR의 성능을 기여자와 미기여자 사용자 데이터 세트에서 수작업으로 쓴 로마 숫자 인식에 대해 평가하는 것.
• 다양한 수작업 샘플을 사용하여 언어 모델을 훈련시켜 개인의 글씨 스타일 간 일반화 능력을 향상시키는 것.
• 특수한 수작업 숫자 인식 작업에 대해 도메인 특화 수정 없이 Tesseract의 성능을 평가하는 것.

제안 방법

• Tesseract OCR 엔진은 다양한 사용자로부터 수집한 1,226개의 수작업 로마 숫자 샘플을 기반으로 사용자 독립적 언어 모델을 생성하기 위해 훈련되었다.
• 수작업으로 쓴 로마 숫자 집합을 표현하기 위해 맞춤형 언어 모델이 생성되어 Tesseract가 수작업 스타일의 변형을 해석할 수 있도록 했다.
• 시스템은 두 가지 테스트 데이터 세트를 사용하여 평가되었으며, 하나는 훈련에 사용된 동일한 사용자로부터의 샘플이고, 다른 하나는 이전에 보지 못한 사용자로부터의 샘플이었다.
• 정확도는 각 테스트 세트의 Tesseract 출력을 참값 레이블과 비교하여 측정되었다.
• 훈련 및 테스트 과정은 핵심 엔진을 수정하지 않고도 Tesseract의 기존 문자 인식 및 언어 모델링 기능을 활용했다.

실험 결과

연구 질문

• RQ1 Tesseract OCR은 사용자 독립적 언어 모델을 사용하여 수작업으로 쓴 로마 숫자를 효과적으로 인식할 수 있는가?
• RQ2 Tesseract의 인식 정확도는 기여자와 미기여자 사용자 데이터 세트에서 어떻게 다를까?
• RQ3 다양한 수작업 샘플을 기반으로 훈련하면 로마 숫자 인식의 일반화 능력이 얼마나 향상되는가?
• RQ4 도메인 특화 수정 없이 일반 목적의 OCR 엔진이 전문화된 수작업 숫자 인식 작업에서 어떤 성능을 보이는가?

주요 결과

• 훈련에 기여한 사용자로부터의 테스트 데이터에서 시스템은 92.1%의 인식 정확도를 기록했다.
• 미기여자 사용자로부터의 테스트 데이터에서는 정확도가 86.59%로 떨어졌으며, 이는 아직 보지 못한 글씨 스타일에 대한 성능 저하를 시사한다.
• 결과는 Tesseract가 사용자 독립적 언어 모델을 사용하여 수작업 로마 숫자 인식에 효과적으로 적응할 수 있음을 입증한다.
• 기여자와 미기여자 사용자 간의 성능 격차는 다양한 수작업 스타일 간 일반화의 과제를 강조한다.