[论文解读] Optical Character Recognition, Using K-Nearest Neighbors

Wei Wang|arXiv (Cornell University)|Nov 5, 2014

Handwritten Text Recognition Techniques参考文献 4被引用 5

一句话总结

本文提出了一种基于K-最近邻（K-NN）的简单手写数字识别系统，通过图像分割进行特征提取，采用像素平均或基于梯度的特征。该方法在使用4×8垂直-水平分割时，实现了92.6%的准确率，运行时间仅为1.092秒，尽管方法简单，但表现出高效率与高准确率。

ABSTRACT

The problem of optical character recognition, OCR, has been widely discussed in the literature. Having a hand-written text, the program aims at recognizing the text. Even though there are several approaches to this issue, it is still an open problem. In this paper we would like to propose an approach that uses K-nearest neighbors algorithm, and has the accuracy of more than 90%. The training and run time is also very short.

研究动机与目标

• 开发一种利用简单特征提取和K-NN分类的快速且准确的手写数字识别系统。
• 通过最小化特征数量来缓解维度灾难，同时保持高识别准确率。
• 降低特征提取和分类的计算复杂度，以适用于实时或嵌入式应用。
• 评估基于K-NN的OCR中像素平均与基于梯度的特征表示之间的性能权衡。
• 证明简单、低复杂度的方法在数字识别任务中可实现高准确率。

提出的方法

• 通过MATLAB中的递归bwmorph函数进行形态学骨架化预处理，以减少噪声和阴影影响。
• 通过计算非零像素的最小和最大X、Y坐标，隔离数字的有效区域。
• 将图像划分为4×8个矩形区域（共32个），以提取特征，同时测试了其他分割方式（如4×4、8×8）。
• 对于第一种方法，计算每个区域内的平均像素强度作为特征向量。
• 对于第二种方法，计算每个区域在X和Y方向上的最大绝对梯度值，使特征数量翻倍。
• 从训练特征向量构建K维（Kd）树数据结构，以实现高效的k-最近邻查询，预期查询时间为O(log N)。

实验结果

研究问题

• RQ1 基于图像分割的简单特征提取方法是否能在手写数字识别中实现高准确率？
• RQ2 在准确率和运行时间方面，像素平均与基于梯度的特征表示有何差异？
• RQ3 何种最优分割方案（如4×8与8×8）能在准确率与计算效率之间实现良好平衡？
• RQ4 使用Kd树的K-NN分类器是否能在极少预处理和低维特征下实现高性能？
• RQ5 在所提出的框架中，骨架化处理在多大程度上提升了识别准确率？

主要发现

• 使用像素平均的4×8分割方案在测试集上实现了最高的92.6%准确率。
• 相同的4×8分割方案使用基于梯度的特征时准确率降至80.6%，表明在此设置下平均法优于梯度法。
• 4×8分割方法的运行时间为1.092秒，显著快于8×8分割（2.152秒）。
• 使用像素平均的方法仅用32个特征即实现了92.6%的准确率，证明了其在低维情况下的有效性。
• Kd树数据结构实现了高效的k-NN查询，预期查询时间为O(log N)，支持快速推理。
• 整个系统在计算开销极小的情况下实现了超过90%的准确率，验证了该方法在准确性和效率方面的有效性。