[论文解读] 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 8

一句话总结

本文提出了一种新颖的方法，无需解压缩即可直接从运行长度压缩的文本文档中检测字体大小，利用行级特征（如行高和上升部分高度）训练回归模型。该方法在混合字体和单字体数据集上实现了99.67%的准确率，实现了对压缩数据的高效、智能OCR与文档分析。

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%.

研究动机与目标

• 在无需解压缩的情况下，直接从运行长度压缩的文本文档中实现字体大小检测。
• 减少OCR与文档图像分析流程中的处理时间和存储开销。
• 开发一种基于行级特征、仅使用最小压缩特征（如行高和上升部分高度）的方法。
• 在无法访问未压缩数据的情况下，实现在单字体和混合字体文档上的高精度字体大小检测。
• 为原生运行于压缩文档格式的智能文档分析系统铺平道路。

提出的方法

• 该方法通过在压缩级别将运行长度压缩的文本文档分割为单个文本行进行处理。
• 利用运行长度编码的特性，直接从压缩表示中提取关键特征（如行高和上升部分高度）。
• 使用这些特征训练回归模型，以学习压缩行特征与实际字体大小之间的关系。
• 模型以行高为主要预测变量，上升部分高度作为次要特征以提高鲁棒性。
• 推理过程中，训练好的回归模型可直接从压缩行数据预测字体大小，无需解压缩。
• 该方法利用运行长度压缩格式中文本的结构一致性，以保持检测的特征保真度。

实验结果

研究问题

• RQ1 是否可以无需解压缩，直接从运行长度压缩的文本文档中准确检测字体大小？
• RQ2 压缩形式下的行级特征（如行高和上升部分高度）与实际字体大小之间有何相关性？
• RQ3 在仅处理压缩数据的情况下，字体大小检测的可实现准确率是多少？
• RQ4 与单字体文档相比，该方法在压缩域中的混合字体文档上的表现如何？
• RQ5 在压缩特征上训练的回归模型能否在不同文本布局和字体大小下有效泛化？

主要发现

• 该方法在包含780个单字体和375个混合字体文本行的50份压缩文档数据集上，整体检测准确率达到99.67%。
• 该模型在直接从压缩数据中检测字体大小方面表现出高度鲁棒性，消除了对解压缩的需求。
• 行高被证明是压缩域中字体大小估计最可靠的特征。
• 引入上升部分高度显著提升了检测准确率，尤其是在混合字体场景中。
• 通过避免OCR流程中的解压缩，该方法显著减少了处理时间和存储需求。
• 结果证实，有意义的文档分析特征可从运行长度压缩的文本中可靠提取，而无需完整解压缩。