第五讲汉字识别技术.pptVIP

第五讲 汉字识别技术 提纲 背景介绍：分类与发展历史 印刷体汉字识别 联机手写汉字识别 脱机手写汉字识别 汉字输入方式 人工方式 键盘输入 手写输入 语音识别技术 自动输入 印刷体汉字识别 脱机手写汉字识别 汉字/字符识别分类 按照识别对象的特征分类 印刷体字符识别 手写体字符识别 手写体字符识别 脱机字符识别（off-line） 机器用扫描方式识别已经写好的文本 联机字符识别（on-line） 用笔在输入板上写，边写边认 汉字/字符识别分类 技术难度比较 印刷体识别 最容易 已经有了大量实际应用，图书馆数字化 联机手写体识别 相对容易，PDA等的推广，大量应用 脱机手写体识别——最难 脱机手写体数字的识别已有实际应用外，比如邮政编码的自动识别 汉字等文字的脱机手写体识别还处在实验室阶段 信号采集方式 脱机识别 扫描仪或者摄像设备 数字图像信号 联机手写识别 手写屏，手写输入板 运动轨迹电信号，记录了笔划和笔顺信息 电磁式或压电式，在书写时，笔在板上的运动轨迹（在板上的坐标）被转化为一系列的电信号，电信号可以串行地进入到计算机中，从这些电信号我们可以比较容易地抽取笔划和笔顺的信息 印刷体汉字识别(OCR)技术 背景简介 一般流程 常用方法 未来展望 汉字OCR技术发展历史 西文OCR技术研究始于50年代 Optical Character Recognition (OCR) 几乎所有的早期模式识别研究者都进行过字符识别的研究。随后的 30 多年来，字符识别一直是模式识别的重要内容之一 汉字OCR技术 印刷体汉字的识别最早可以追溯到60年代 1966年，IBM公司的Casey和Nagy发表了第一篇关于印刷体汉字识别的论文，在这篇论文中他们利用简单的模板匹配法识别了1，000个印刷体汉字 汉字OCR技术发展历史 70年代以来，日本人做了许多工作 日本的常用汉字有2000个左右 1977年东芝综合研究所研制了可以识别2000个汉字的单体印刷汉字识别系统 80年代初期，日本武藏野电气研究所研制的可以识别2300个多体汉字的印刷体汉字识别系统，代表了当时汉字识别的最高水平 日本的三洋、松下、理光和富士等公司也有其研制的印刷汉字识别系统 简评 这些系统在方法上，大都采用基于KL数字变换的匹配方案，使用了大量专用硬件，其设备有的相当于小型机甚至大型机，价格极其昂贵，没有得到广泛应用 汉字OCR技术发展历史 我国自70年代后期开始字符识别方面的研究 80年代以后,台湾和香港发展的也很快 发展历程 70年代末期到80年代末期 算法和方案探索 ：单体汉字识别 90年代初期 由实验室走向市场，初步实用 90年代后期——混排 多语言混排文本：如中英文 多字体混排文本：如：宋，楷体，…） 多字号混排文本：不同大小 当前进展状态 2000年代后 识别率、鲁棒性的提高 单纯OCR?文档分析 多语混排，多字号，多字体 版面分析 文本的结构 表格，图像（如插图），公式 摄像设备（非扫描仪） 名片?手机摄像?通讯录 国内主要研究机构/人物 汉王科技 中科院自动化所（刘迎建） 1985年刘迎建开发出国内第一个联机手写汉字识别系统，并获国家发明专利。1993年初，在中科院自动化研究所的支持下创办了中国汉王科技公司，出任总经理 中科院计算所智能计算机研究中心（刘昌平） 男，1965年 2月出生，博士，1999年之前在中科院计算所智能计算机研究中心工作，从事OCR研究。1999年加盟自动化所，现任自动化所研究员、博士生导师，北京汉王科技公司研究中心主任 其他 清华大学电子系图像所 丁晓青教授 北京信息工程学院 沈阳自动化研究所 OCR技术一般流程简介 OCR技术一般流程 流程简介 1、图像获取 将文本转换为图象点阵 扫描仪 (Scanner) 其它光电扫描设备 如传真机，摄象机 不同获取设备的差异 扫描仪：最优 摄像机：识别难度大 流程简介 2、图像预处理 滤除干扰噪声 倾斜校正 各种滤波处理 3、版面分析 完成对于文本图象的总体分析 区分出文本段落及排版顺序，图象、表格的区域 对于文本区域将进行识别处理 对于表格区域进行专用的表格分析及识别处理 对于图象区域进行压缩或简单存储。 流程简介 4、行字切分 将大幅的图象先切割为行 从图象行中分离出单个字符 5、特征提取——模式表示问题 整个环节中最重要的一环，提取的特征的稳定性及有效性，直接决定了识别的性能 从单个字符图象上提取统计特征或结构特征 包括细化(Thinning)，归一化(大小等)等步骤 流程简介 6、文字识别 模式识别研究范畴 从学习得到的特征库中找到与待识字符相似度最高的字符类 7、后处理 利用词义、词频、语法规则或语料库等语言先验知识对识别结果进行校正的过程 汉字识别方法简介 汉字识别方法分类 句法/