基于笔画描述的文字识别OCR系统——技术说明

基于笔画描述的文字识别OCR系统——技术说明

时间: 2004-04-28 15:04:08 | [<<] [>>]

1. 已排除的方法
　　以下方法经过我们编写程序代码来实践验证了其不可行性。
　　1.1 游程统计法
　 　思路：统计出点阵中的任意一点向六个角度0°、30°、60°、90°、120°、150°所能遍历的点数。如图2，最上一点往六个方向的最大值是 13，方向为上下方向（90°）；又如，最左一点往六个方向的最大值是30，方向为左右方向（0°）。通过统计周围的点，可以轻易得到横竖捌捺点。

　　
图1 “南”字的游程统计

　　缺点：文字在有杂点或扫描不清楚时，识别率很低或无法识别。例如：图2的“操”字就无法用游程统计法区分出横竖捌撇。

图2

　　1.2 瘦边法
　　思路：对文字的笔画进行腐蚀、细线化处理，从而得到文字的骨架。

图3 左图是瘦边法的理想效果，右图是黑体、粗体等瘦边后的效果

　　缺点：由于黑体、粗体的笔画较粗，在进行腐蚀、细线化处理后，往往造成笔画丢失或产生多余笔画。如图4，由于“操”字有连笔，在使用瘦边法细化后产生了多余笔画，会造成误识别。

图4

　　1.3 X、Y方向归一法
　　思路：对文字的笔画按X、Y方向求中点进行简化笔画。
　　缺点：同上。
　　
　　此外，还有汉字特征法、匹配法、字根特征、粗外围特征法、笔画密度法等算法，但经我们编写代码来实践证明其效果不理想，所以在此不一一介绍。

2. 我们现在采用的识别算法----双识别引擎
　　我们采用双识别引擎，即：轮廓笔画描述、边角特征数据库。其中笔画描述是主要的识别算法，边角特征数据库是辅助的识别算法。
　　2.1 轮廓笔画描述
　 　轮廓笔画描述为主要的识别方法，其关键是找出汉字点阵的轮廓，并对笔画的特性、关键性确定取舍。通过上面对传统OCR使用方法的分析，我公司花了近2年 的时间调研、编程测试，用实践来证明了：只有通过分析轮廓，才能更准确地得到横竖捌捺点。游程统计法、瘦边法、汉字特征法、匹配法、字根特征、归一法等算 法都无法成功地描述出笔画。
　　原因一：只有基于“笔画描述”才能识别手写体文字，任何边角特征、匹配法、游程统计法等都无法归纳出手写体文字的特征，只能归纳印刷体。所以，“笔画描述”是手写体识别的唯一出路。
　 　原因二：经过我们编写代码来实践证明了瘦边法、归一法等简化笔画的识别方法是低效的、误差大的算法，这些算法容易丢失笔画或者产生多余的笔画。只有使用 “轮廓”才能体现出手写体文字的原貌，“轮廓”能够原汁原味地体现手写体文字的字形，而且能够实现二维的汉字点阵转化为二维矢量，实现汉字的高效识别。
　　通过轮廓来描述笔画，使用许多无关大局的“短边”被“长边”归纳吞并，“曲线”被描述为“两段线段”，“局部凹凸”视周围环境也被归纳合并……这样，一个复杂的文字就被能用“尽可能少”的笔画描述出来。关键技术如下：
　　2.1.1 描述轮廓，使用“逆（顺）时针搜索”算法描述出汉字的轮廓。见图5中的左图。
　　假设：汉字是Width╳Height的点阵，任意一点都有左上、上、右上、右、右下、下、左下、左这8个方向的邻点。
　　首先，x: 0→Width-1, y: 0→Height-1 搜索出一个黑点，该点设为P1；从点P1逆（顺）时针搜索出下一轮廓点P2，再从点P2逆（顺）时针搜索出下一轮廓点Pn……
　　2.1.2 使用“切线最陡”算法区分出相邻的两个笔画。描述轮廓之后，笔画描述的关键在于决定从何处开始属于下一段笔画。经理论证明，使用“切线最陡”算法可以算出任意一点属于哪一笔画。见图5中的右图。
　　假设：从第一步得到汉字的轮廓点的数组P1、P2……Pn，并且由于二维汉字点阵至少可以得到x、y坐标最大最小极值点（且至少存在4个符合这样条件的点MaxMin1、MaxMin2、MaxMin3、MaxMin4等）；
　 　首先，遍历任意2个极值点（例如：MaxMin1和MaxMin2）之间的轮廓点，如果某一点Px的切线与MaxMin1、MaxMin2所在的直线的 夹角最大，且大于一定的角度Angle(如30°)，则该点能把MaxMin1、MaxMin2“至少”分为两段笔画。
　　接着，遍历MaxMin1和Px之间的轮廓点，同上步的原理判断是否再分为两段笔画；遍历Px和MaxMin2之间的轮廓点，同上步的原理判断是否再分为两段笔画。
　　重复以上的步骤，就可以实现汉字轮廓矢量化。
　　2.1.3 无关大局的“短边”被归纳、吞并、省略，一般取矩形的1/8或1/10为参考值，小于该参考值的边就考虑吞并、省略。
　　2.1.4 由于描述曲线（撇、捺等）比较复杂，比较两条曲线的相对位置关系更复杂。因此，把曲线描述为两条或多条线段，转换为计算机易于操作的对象来处理。
　　2.1.5 宋体字的横或竖等笔画起始端常有一个三角形的凸出点，通过强制记忆的方法，把它们省略。
　　这样，所有印刷体、手写体都能用简单的笔画描述出来。

图5 左图书是“林”的轮廓，右图是笔画描述的效果

　　优点：识别速度快，不需要搜索数据库，直接由笔画得到识别结果。如果笔画足够清晰，能轻易地识别不同人书写的手写体，手写体文字识别率达到了80%以上。这正是传统OCR无法比拟的，因为传统OCR不是基于笔画描述的，不能识别或很难识别手写体。
　　缺点：如果笔画模糊不清，很难用笔画来描述，如下图。

图6 笔画描述对这样模糊不清的文字“矗”就无能为力

　　解决方法：不要因为某方面的缺陷，而放弃一种不错的算法。使用下面介绍的第二种识别引擎，取长补短。

　　2.2 边角特征数据库：改进型四边轮廓特征
　　2.2.1 传统OCR的识别算法----四边轮廓特征法
　 　思路：每一汉字用32╳32点阵表示，分别从上下左右四个方向扫描汉字点阵，得到四个数值P1、P2、P3、P4，把这四个数值存入数据库。通过大量的 学习、记忆，得到一个所有汉字的四边特征数据库。用该方法识别汉字时，系统会从数据库中检索出一个最相似的汉字，得到识别结果。经我们编写程序、测试发 现，用该方法对印刷体文字进行识别，识别率可达60%以上。

图1 “木”字的上边特征

　　评价：中等

　　2.2.2 改进型四边轮廓特征
　 　传统OCR的四边轮廓特征法，识别率不高，如:“国”、“囚”、“四”、“因”等字，因为它们的四边特征值是相同的，使用此方法无法区分、无法识别。因 此，我们使用提出了新的构思，使用新的算法：在汉字内部再次切割(按1/4切割)，切割后再取四边特征Q1、Q2、Q3、Q4，这样，一个文字就的特征描 述就是P1、P2、P3、P4、Q1、Q2、Q3、Q4。通过大量的学习、记忆，得到一个所有汉字的内外四边特征数据库。识别汉字时，从数据库中检索出一 个最相似的汉字，得到识别结果。经过我们这样的改进，印刷体文字识别率达到了80%以上。

图4 “囚”字按1/4切割后得到右边的图形

　　评价：良

　 　通过以上同时使用两种识别引擎，扬长避短，印刷体文字的识别率提高到99%以上，手写体文字的识别率提高到90%以上。其中最显著的就是：成功解决了手 写体识别的关键问题。传统OCR识别局限于某种识别方法，无法同时解决模糊不清的印刷体、变形较多的手写体，而我们提出的两种识别引擎，将能轻易地解决这 种问题，并能在识别率、识别速度上有质的提高，可扩展性较强。