[論文レビュー] Automatic Detection of Font Size Straight from Run Length Compressed Text Documents

Mohammed Javed, P. Nagabhushan+1 more|arXiv (Cornell University)|Feb 18, 2014

Handwritten Text Recognition Techniques参考文献 10被引用数 8

ひとこと要約

本稿では、展開せずにランレングス圧縮されたテキストドキュメントからフォントサイズを直接検出するための新規手法を提案する。ラインレベルの特徴量（ライン高さ、アセンダ高さなど）を用いて回帰モデルを学習し、混合フォントおよび単一フォントデータセットで99.67%の精度を達成する。これにより、圧縮データ上で直接効率的で知的なOCRおよびドキュメント分析が可能になる。

ABSTRACT

Automatic detection of font size finds many applications in the area of intelligent OCRing and document image analysis, which has been traditionally practiced over uncompressed documents, although in real life the documents exist in compressed form for efficient storage and transmission. It would be novel and intelligent if the task of font size detection could be carried out directly from the compressed data of these documents without decompressing, which would result in saving of considerable amount of processing time and space. Therefore, in this paper we present a novel idea of learning and detecting font size directly from run-length compressed text documents at line level using simple line height features, which paves the way for intelligent OCRing and document analysis directly from compressed documents. In the proposed model, the given mixed-case text documents of different font size are segmented into compressed text lines and the features extracted such as line height and ascender height are used to capture the pattern of font size in the form of a regression line, using which the automatic detection of font size is done during the recognition stage. The method is experimented with a dataset of 50 compressed documents consisting of 780 text lines of single font size and 375 text lines of mixed font size resulting in an overall accuracy of 99.67%.

研究の動機と目的

• ランレングス圧縮されたテキストドキュメントから、展開を伴わずにフォントサイズ検出を可能にすること。
• OCRおよびドキュメント画像分析パイプラインにおける処理時間とストレージのオーバーヘッドを低減すること。
• ラインレベルで動作する手法を構築し、ライン高さやアセンダ高さといった最小限の圧縮特徴量を用いること。
• 非圧縮データにアクセスできない状況下でも、単一および混合フォントドキュメントにおけるフォントサイズ検出の高精度を達成すること。
• 圧縮ドキュメント形式でネイティブに動作する知的なドキュメント分析システムの基盤を築くこと。

提案手法

• 本手法は、圧縮レベルでテキストドキュメントを個々のテキストラインにセグメンテーションする。
• ライン高さやアセンダ高さといった重要な特徴量は、ランレングス符号化の性質を活用して、圧縮表現から直接抽出する。
• これらの特徴量を用いて回帰モデルを学習させ、圧縮されたライン特徴量と実際のフォントサイズとの関係を学習する。
• モデルはライン高さを主な予測変数とし、耐障害性を向上させるためにアセンダ高さを補助的特徴量として用いる。
• 推論段階では、圧縮ラインデータから展開を伴わずに、学習済みの回帰モデルがフォントサイズを直接予測する。
• ランレングス圧縮形式におけるテキストの構造的整合性を活用することで、検出に適した特徴の忠実性を維持する。

実験結果

リサーチクエスチョン

• RQ1 展開を伴わずに、ランレングス圧縮されたテキストドキュメントからフォントサイズを正確に検出できるか？
• RQ2 圧縮形式におけるラインレベル特徴量（ライン高さ、アセンダ高さ）と実際のフォントサイズとの相関関係は何か？
• RQ3 圧縮データのみで動作する場合に、フォントサイズ検出の達成可能な精度はどの程度か？
• RQ4 混合フォントドキュメントにおいて、本手法は単一フォントドキュメントと比較してどの程度の性能を示すか？
• RQ5 圧縮特徴量で学習した回帰モデルは、多様なテキストレイアウトおよびフォントサイズにわたって効果的に一般化できるか？

主な発見

• 本手法は、780件の単一フォントおよび375件の混合フォントテキストラインを含む50件の圧縮ドキュメントからなるデータセットで、全体の検出精度が99.67%に達した。
• 本手法は、圧縮データから直接フォントサイズを検出する能力に高く、展開の必要性を排除した。
• ライン高さは、圧縮ドメインにおけるフォントサイズ推定において最も信頼性の高い特徴量であることが判明した。
• アセンダ高さの導入により、特に混合フォント状況下での検出精度が向上した。
• OCRパイプラインにおける展開を回避することで、処理時間とストレージ要件を顕著に削減した。
• 結果から、完全な展開を伴わずに、意味のあるドキュメント分析特徴量を信頼性高く抽出可能であることが確認された。