[发明专利]用于改善识别特征的方法和系统和光学字符识别系统

说明书

技术领域

本发明涉及用于改善文本行图像的识别特征的方法和系统和用于识别文本图像块的光学字符识别系统。

背景技术

在光学字符识别(OCR)系统中，一般地，如图2中的流程图所示的那样执行OCR处理。图2表示一般的OCR处理的流程图。首先，输入通过扫描仪或照相机或由其它的装置获取的文本块图像(S101)。包含多个文本行的文本块图像然后被分成文本行图像(S102)。对于各文本行图像，执行字符切分以将文本行图像切分成多个字符(S103)。然后，基于字符切分的结果，执行单个字符识别(ICR)以产生识别结果(S104)。然后，对于识别结果执行ICR后处理以区分数值字符、大写和标点符号等(S105)。然后，OCR处理的整个过程结束。

一般地，特别是在韩语文本图像中，在文本图像中存在一些包含斜体字符的文本行。在当前的OCR过程中，所有的处理和OCR字典用于正体(即，非斜体、正常字体)的文本行。没有适于斜体字符的处理或OCR字典。

在切分和ICR处理中，一些斜体字符被错误地切分成几个部分，并且，一些斜体字符被错误地识别。

虽然一些斜体字符被正确地识别，但是，它们的置信度值比正体字符低。在ICR处理之后，置信度值是在后处理中识别字符的主要依据。如果置信度值低，那么字符将被错误地视为可疑斜体字符。在后处理中将出现斜体字符的更多的切分错误。因此，斜体字符具有比正体字符低的分割和识别精度。

常规上，存在两种类型的用于改善斜体字符的识别精度的方法。

(1)使用斜体字体字典

在该方法中，通过使用用于斜体字体的字符的特殊字典识别斜体字符。特别地，在分割和ICR之后，通过查找正体字典和斜体字体字典来识别分割的图像中的每一个。由于使用斜体字体字典，因此，斜体字符的置信度值将得到提高。但是，由于斜体字体字典的尺寸和正体字典的尺寸几乎相同，即两个字典的总尺寸为正体字典的两倍，因此，在识别中，与只使用正体字典相比，计算负荷加倍。重的计算负荷导致低的识别速度。

(2)去倾斜斜体字符

在“Optical Character Recognition(OCR)with Italic Characters”，http://zone.ni.com/devzone/cda/tut/p/id/5881中描述的一种先前的技术中，对于各斜体行(或文字)，只使用“去倾斜文字图像”以切分和识别字符。

图3是常规的方法中的通过去倾斜斜体行识别文本图像的流程图。当输入文本块图像时(S201)，文本块图像被分成文本行(S202)。然后，检测文本行中的每一个是斜体行还是正体行(S203)。如果确定该行是斜体行(在S204中为“Y”)，在斜体行中的每一个图像按照某个角度进行去倾斜，以使得字符图像为正体的字符图像(S205)。这种旋转被称为去倾斜。在去倾斜之后，正体的图像被切分并且通过正体字典被识别(S206和S207)。

通过该方法，必须检测所有文本行是否为斜体行，并且，斜体行图像中的所有字符图像将被去倾斜为正体图像。这种去倾斜是极其复杂的并且需要大量的计算操作。与正体的字符相比，识别的过程的速度更低。

因此，需要能够在没有重的计算负荷的情况下精确地识别斜体字符的技术。

发明内容

本发明的目的是，以低的计算复杂性精确地识别斜体字符。

在本发明的一个方面中，提供一种用于改善文本行图像的识别特征的方法。所述方法包括以下的步骤：第一确定步骤，基于通过文本行图像的预切分和预识别获得的文本行图像中的第一组图像区域及其识别特征，确定文本行图像是否是可疑斜体行图像；第二确定步骤，如果文本行图像被确定为可疑斜体行图像则通过利用正体字典基于文本行图像中的第一组图像区域的斜体特性确定文本行图像是否是斜体行图像；和调整步骤，调整文本行图像的预切分结果、获得文本行图像中的第二组图像区域并调整第二组图像区域的识别特征。

在本发明的另一方面中，提供一种用于改善文本行图像的识别特征的系统。所述系统包括：第一确定装置，基于通过文本行图像的预切分和预识别获得的文本行图像中的第一组图像区域及其识别特征，确定文本行图像是否是可疑斜体行图像；第二确定装置，如果文本行图像被确定为可疑斜体行图像，则通过利用正体字典基于文本行图像中的第一组图像区域的斜体特性确定文本行图像是否是斜体行图像；和调整装置，调整文本行图像的预切分结果，获得文本行图像中的第二组图像区域并调整第二组图像区域的识别特征。