[论文解读] Advancements and Challenges in Arabic Optical Character Recognition: A Comprehensive Survey

Mahmoud SalahEldin Kasem, Mohamed Mahmoud+1 more|arXiv (Cornell University)|Dec 19, 2023

Handwritten Text Recognition Techniques被引用 6

一句话总结

本篇全面综述分析了最先进的阿拉伯文OCR技术，重点聚焦于基于深度学习的方法（如DCNN和TrOCR）在多个数据集上的表现。研究识别出基于分割的方法表现更优，在文字识别任务中准确率最高达99.952%，并指出了连笔书写、符号标记及标注数据有限等挑战，呼吁改进后处理技术并加强数据集建设。

ABSTRACT

Optical character recognition (OCR) is a vital process that involves the extraction of handwritten or printed text from scanned or printed images, converting it into a format that can be understood and processed by machines. This enables further data processing activities such as searching and editing. The automatic extraction of text through OCR plays a crucial role in digitizing documents, enhancing productivity, improving accessibility, and preserving historical records. This paper seeks to offer an exhaustive review of contemporary applications, methodologies, and challenges associated with Arabic Optical Character Recognition (OCR). A thorough analysis is conducted on prevailing techniques utilized throughout the OCR process, with a dedicated effort to discern the most efficacious approaches that demonstrate enhanced outcomes. To ensure a thorough evaluation, a meticulous keyword-search methodology is adopted, encompassing a comprehensive analysis of articles relevant to Arabic OCR, including both backward and forward citation reviews. In addition to presenting cutting-edge techniques and methods, this paper critically identifies research gaps within the realm of Arabic OCR. By highlighting these gaps, we shed light on potential areas for future exploration and development, thereby guiding researchers toward promising avenues in the field of Arabic OCR. The outcomes of this study provide valuable insights for researchers, practitioners, and stakeholders involved in Arabic OCR, ultimately fostering advancements in the field and facilitating the creation of more accurate and efficient OCR systems for the Arabic language.

研究动机与目标

• 提供当前阿拉伯文OCR方法、应用及挑战的全面综述。
• 识别在阿拉伯文文本中字符、单词和数字识别方面最有效的技术。
• 分析基于分割与无分割方法对OCR性能的影响。
• 突出研究空白，特别是标注数据集有限及后处理需求。
• 通过识别提升阿拉伯文OCR准确率与鲁棒性的潜在方向，为未来研究提供指导。

提出的方法

• 采用基于关键词的系统性文献回顾，结合阿拉伯文OCR研究的前后向引用分析。
• 综述评估了OCR流程中的预处理、分割（文本区域、行、词、字符）、识别及后处理各阶段。
• 分析了深度学习模型（如深度卷积神经网络（DCNN）、TrOCR及CNN-SVM混合模型）在基准数据集上的性能表现。
• 采用字符错误率（CER）、词错误率（WER）、准确率、精确率、召回率及F1值等性能指标，对不同方法进行比较。
• 评估了HACDB、MADBase、SUST-ALT、KAFD、ADBase、AHCD及HIJJA等数据集的特性及其在模型训练与测试中的适用性。
• 本研究强调了后处理技术（如拼写检查算法）在提升OCR输出质量方面的重要作用。

Figure 1 : Brief overview of OCR process

实验结果

研究问题

• RQ1 在不同文本类型下，哪些基于深度学习与传统的方法在阿拉伯文OCR中最为有效？
• RQ2 基于分割与无分割方法在阿拉伯文文本的准确率与鲁棒性方面如何比较？
• RQ3 阿拉伯文OCR中的主要挑战是什么，特别是与书写复杂性及数据可用性相关的问题？
• RQ4 现有数据集在结构、内容及构建鲁棒OCR系统适用性方面有何差异？
• RQ5 后处理技术在提升阿拉伯文OCR系统最终输出质量方面发挥何种作用？

主要发现

• DCNN方法在HACDB数据集上对字符识别的准确率达到99.91%，在MADBase数据集上对数字识别的准确率为99.906%，在SUST-ALT数据集上对单词识别的准确率高达99.952%。
• TrOCR在KAFD数据集上实现CER为0.82、WER为2.39，展现出在复杂单词级识别任务中的强劲性能。
• FGSM + ORCing方法在ADBase数据集上实现极低的WER（0.0310），表明尽管CER未明确说明，其文本识别准确率极高。
• CNN + SVM联合方法在HACDB数据集上对字符识别的准确率为89.7%，在AHCD数据集上为97.3%，在HIJJA数据集上对单词识别的准确率为88.8%。
• 基于分割的方法（尤其是垂直/水平投影法）在单词与字符分割任务中优于无分割方法。
• 本研究识别出阿拉伯文OCR标注数据集的可用性有限是主要瓶颈，呼吁构建更多全面且多样化的数据集。

(a) IFN/ENIT