[论文解读] A Review of Research on Devnagari Character Recognition

Vikas J. Dongre, V. H. Mankar|arXiv (Cornell University)|Jan 13, 2011

Handwritten Text Recognition Techniques参考文献 20被引用 12

一句话总结

本文综述了关于天城文光学字符识别（DOCR）的研究，分析了现有方法、系统架构以及识别天城文文字（印度5亿多人使用的文字）所面临的挑战。评估了基于机器学习的特征提取、分割和分类技术，指出了在准确性、鲁棒性和实时处理方面的不足，并提出了未来研究方向，以提升印度语文档计算中的文档分析技术。

ABSTRACT

English Character Recognition (CR) has been extensively studied in the last half century and progressed to a level, sufficient to produce technology driven applications. But same is not the case for Indian languages which are complicated in terms of structure and computations. Rapidly growing computational power may enable the implementation of Indic CR methodologies. Digital document processing is gaining popularity for application to office and library automation, bank and postal services, publishing houses and communication technology. Devnagari being the national language of India, spoken by more than 500 million people, should be given special attention so that document retrieval and analysis of rich ancient and modern Indian literature can be effectively done. This article is intended to serve as a guide and update for the readers, working in the Devnagari Optical Character Recognition (DOCR) area. An overview of DOCR systems is presented and the available DOCR techniques are reviewed. The current status of DOCR is discussed and directions for future research are suggested.

研究动机与目标

• 提供当前天城文光学字符识别（DOCR）研究现状的全面概述。
• 分析并比较现有的DOCR技术，包括分割、特征提取和分类方法。
• 识别由于天城文文字结构复杂及上下文变化带来的主要识别挑战。
• 突出当前系统在准确性、速度和真实环境条件下鲁棒性方面的局限性。
• 提出未来研究方向，以推动DOCR技术向实际文档处理应用的部署发展。

提出的方法

• 根据系统架构设计和处理流程，对现有DOCR系统进行调研与分类。
• 分析用于天城文字符的特征提取技术，如区域特征、行程编码和结构特征。
• 回顾用于从复合字符中分离出单个字符和元音符号（matras）的分割策略。
• 评估分类方法，包括模板匹配、神经网络和支持向量机（SVMs）。
• 使用标准指标（如识别准确率、处理时间及抗噪声能力）评估系统性能。
• 综合分析8张表格和1幅图，总结不同研究中性能对比的发现。

实验结果

研究问题

• RQ1 天城文字符识别系统中占主导地位的方法是什么？它们在准确率和效率方面如何比较？
• RQ2 由于天城文文字结构复杂及上下文形式多样，其识别面临的主要挑战是什么？
• RQ3 不同的特征提取与分类技术如何影响DOCR系统的识别性能？
• RQ4 当前DOCR系统在处理现实世界文档变化方面存在哪些关键局限性？
• RQ5 哪些未来研究方向最有可能提升天城文OCR技术的鲁棒性与可扩展性？

主要发现

• 天城文OCR仍是一个具有挑战性的问题，主要由于该文字的复杂连体形式、上下文变体及变音符号的存在。
• 如区域特征和行程编码等特征提取技术表现中等，但对噪声和失真敏感。
• 元音符号与独立字符的分割仍是主要瓶颈，尤其是在复合字符识别中。
• SVM和神经网络等分类方法的准确率高于基于模板的方法，但需要大量训练数据。
• 所综述研究的整体系统准确率在85%至95%之间，具体数值因数据集质量和预处理方法而异。
• 缺乏标准化的数据集和评估协议限制了研究的可复现性及领域进展。