[论文解读] Development of a Multi-User Recognition Engine for Handwritten Bangla Basic Characters and Digits

Sandip Rakshit, Debkumar Ghosal+3 more|arXiv (Cornell University)|Mar 30, 2010

Handwritten Text Recognition Techniques参考文献 12被引用 5

一句话总结

本文提出了一种基于 Tesseract OCR 引擎的手写孟加拉语基础字符和数字的多用户识别引擎。在每位用户 919–928 个样本的用户特定数据集上进行训练，系统在字符级别达到 92.15% 的准确率，在数字级别达到 97.37% 的准确率，各用户个体识别准确率分别为 90.66%、91.66% 和 96.87%。

ABSTRACT

The objective of the paper is to recognize handwritten samples of basic Bangla characters using Tesseract open source Optical Character Recognition (OCR) engine under Apache License 2.0. Handwritten data samples containing isolated Bangla basic characters and digits were collected from different users. Tesseract is trained with user-specific data samples of document pages to generate separate user-models representing a unique language-set. Each such language-set recognizes isolated basic Bangla handwritten test samples collected from the designated users. On a three user model, the system is trained with 919, 928 and 648 isolated handwritten character and digit samples and the performance is tested on 1527, 14116 and 1279 character and digit samples, collected form the test datasets of the three users respectively. The user specific character/digit recognition accuracies were obtained as 90.66%, 91.66% and 96.87% respectively. The overall basic character-level and digit level accuracy of the system is observed as 92.15% and 97.37%. The system fails to segment 12.33% characters and 15.96% digits and also erroneously classifies 7.85% characters and 2.63% on the overall dataset.

研究动机与目标

• 开发一种可扩展的、针对用户的手写孟加拉语基础字符和数字识别系统。
• 解决不同用户之间书写风格差异带来的挑战。
• 在最小修改的前提下，将开源 Tesseract OCR 引擎适配用于孟加拉语书写系统。
• 在从多样化用户收集的独立手写样本上评估系统性能。
• 量化识别流程中的分割错误和分类错误。

提出的方法

• 从三名不同用户处收集了孟加拉语基础字符和数字的独立手写样本。
• 使用每位用户独特的手写数据，分别训练 Tesseract 语言模型。
• 使用每位用户 919、928 和 648 个样本的特定用户训练数据集，生成独立的用户模型。
• 在每位用户独立测试集（分别为 1,527、14,116 和 1,279 个样本）上测试识别性能。
• 应用 Tesseract 现有的 OCR 流程，并通过语言集自定义以处理用户特定的书写风格差异。
• 在整体数据集上测量识别准确率、分割失败率和误分类率。

实验结果

研究问题

• RQ1 能否有效利用 Tesseract OCR 引擎构建针对手写孟加拉语字符和数字的多用户识别引擎？
• RQ2 与通用模型相比，用户特定训练如何提升识别准确率？
• RQ3 该系统在字符分割和误分类方面的失败率是多少？
• RQ4 在不同书写风格的用户之间，识别准确率如何变化？
• RQ5 从字符和数字识别准确率的角度来看，系统的整体性能如何？

主要发现

• 系统在所有用户中实现了 92.15% 的字符级别识别准确率。
• 数字级别的识别准确率达到 97.37%，表明在数字字符上的表现优异。
• 各用户个体识别准确率分别为 90.66%、91.66% 和 96.87%，反映出用户相关的性能差异。
• 系统在 12.33% 的字符和 15.96% 的数字上出现分割失败，表明手写分割存在挑战。
• 另有 7.85% 的字符和 2.63% 的数字被错误分类，构成了整体错误率的组成部分。
• 使用用户特定模型显著提升了识别准确率，相较于单一通用模型有明显改进。