[论文解读] Omnifont Persian OCR System Using Primitives

Azarakhsh Keipour, Mohammad Eshghi+3 more|arXiv (Cornell University)|Feb 13, 2022

Handwritten Text Recognition Techniques被引用 5

一句话总结

该论文提出了一种基于模型的全字体波斯文OCR系统，利用八种基本结构元素在多种字体和字号下识别字符。通过同时分离文本行、提取笔画并识别基本元素，该系统在14种标准波斯文字体的六种字号下实现了97.06%的精确度，避免了独立分割步骤中的误差传播。

ABSTRACT

In this paper, we introduce a model-based omnifont Persian OCR system. The system uses a set of 8 primitive elements as structural features for recognition. First, the scanned document is preprocessed. After normalizing the preprocessed image, text rows and sub-words are separated and then thinned. After recognition of dots in sub-words, strokes are extracted and primitive elements of each sub-word are recognized using the strokes. Finally, the primitives are compared with a predefined set of character identification vectors in order to identify sub-word characters. The separation and recognition steps of the system are concurrent, eliminating unavoidable errors of independent separation of letters. The system has been tested on documents with 14 standard Persian fonts in 6 sizes. The achieved precision is 97.06%.

研究动机与目标

• 开发一种鲁棒的、与字体无关的波斯文OCR系统，以处理字体样式和字号的差异。
• 克服传统OCR系统依赖字体特定训练或独立字母分割的局限性。
• 通过将文本行分离与字符识别整合到单一并行过程中，减少误差累积。
• 利用一组最小化的结构基本元素，建立适用于波斯文字符的通用识别框架。
• 在多种标准波斯文字体和字号组合下评估系统性能。

提出的方法

• 通过图像质量归一化和对比度增强预处理扫描文档。
• 利用几何和版面分析将文本分离为行和子词，随后通过细化处理提取笔画骨架。
• 在子词内检测和定位符号点（i'rāb标记），以支持准确的字符分割。
• 从细化后的子词中提取笔画特征，并将其分类为八种预定义的基本元素之一。
• 通过将子词的特征基本元素集合与预定义的字符识别向量集进行匹配，识别每个子词。
• 以并行方式执行识别与分离，避免因独立分割步骤导致的误差传播。

实验结果

研究问题

• RQ1 一组最小化的结构基本元素是否能够在多种字体和字号下实现对波斯文字符的准确识别？
• RQ2 并行处理文本行分离与识别相比串行处理在OCR精确度方面有何提升？
• RQ3 该系统在广泛的标准波斯文字体和字号组合下的性能如何？
• RQ4 基于基本元素的特征在多大程度上减少了对字体特定训练数据的依赖？
• RQ5 基于笔画的基本元素在处理字符形状和笔画复杂度变化方面有多高效？

主要发现

• 该系统在包含14种标准波斯文字体和六种不同字号的扫描文档上实现了97.06%的精确度。
• 并行处理文本行分离与字符识别显著减少了因独立分割导致的误差传播。
• 使用八种基本结构元素可在无需字体特定模型的情况下，实现对多样化字体样式的鲁棒识别。
• 由于采用基于结构而非外观的识别方法，该系统在未见过的字体-字号组合上表现出强大的泛化能力。
• 符号点检测和笔画提取在复杂波斯文字符形态的子词准确分割与基本元素分类中至关重要。