tesseract OCR Engine overview字符识别学习

原文： An Overview of the Tesseract OCR Engine 

下载地址http://code.google.com/p/tesseract-ocr/wiki/Documentation

Tesseract的识别步骤大致如下：

1. 连通区域分析；

2. 检测出字符区域区域（轮廓外形），以及子轮廓；

3. 由字符轮廓，得出文本行，以及通过空格识别出单词，通过字符单元分割出单个字符，而对百分号的文本（Proportional text）通过fuzzy空格来分割为单词；

4. 每个单词进行分析，采用自适应分类器，分类器有学习能力，先分析的且满足条件的字母也作为训练样本，所以后面的字符（比如页尾）的字符识别更精确；此时，页首的字符识别比较吃亏，所以tesseract会对整页的识别不太好的字符，再次进行识别。

5.最后，识别含糊不清的空格，及用其他方法，如由笔画高度（x-height），识别小写字母的文本。

small-cap：小写字母？

利用第四个步骤的特性，对单个字符识别，选用能识别的比较好的字符放在页首，将待识别的字符放在页尾，是否能提高识别率？待测试...

-------------------

1. line and word finding

a. 假定文本区域能大致确定，将跨行大写字母及纵向粘连一起的字符过滤掉，可以利用字符的高度信息，选取所有字符的中值高度

b. 对字符的x坐标排序，利用坐标拟合直线，拟合方法：中位数最小方差拟合（least median of squares fit）

c. 进一步，拟合文本行的形状，利用四次多项式，将文本行看成螺线形，采用最小方差拟合

d. 检测出等距文本(fixed pitch text)，对粘连的文本进行分割(chopping)

e. 对非等距字体如百分号，斜体等问题，利用中线、基准线之间的空白大小，来分割字符

Drop-caps: 段落的首个字母，大写且跨越两行。

vertical touching character：纵向粘连一起的字符。

Proportional text：含百分号的文本

2. word recognition

a. 分割粘连的字符，将凹进去的轮廓点作为备选分割点，分割后，进行识别，如果都失败，就认为字符破损不全，修补字符

b. 对破碎的字符，利用A*算法搜索最优的字符组合，直到达到满意的识别结果

3. Static Character Classifier

特征

a. 拓扑特征：与字体及大小无关，但问题是（引用文章看不到）？

b. 将字符近似为多边形作为特征：对破碎不连通的字符无效

c. 突破性方案：训练阶段的特征与识别的特征可以不尽相同。在训练阶段，将近似多边形作为特征，而在识别阶段，抽取字符的轮廓特征并归一化，然后将训练集中的原型特征再与之，进行多对一的方式匹配

The features extracted from the unknown：待识别字符的特征，3维数据（x, y坐标，角度），每个字符一般有50-100个特征

the prototype features：原型特征（训练集中的字符特征），4维数据（x, y坐标，角度，长度）一般有10-20个特征

分类，分为两个步骤：

a. 粗分，多个特征，将每个特征相近的字符列举出来

b. 细分，对相近的字符，用特征距离进行细分

训练数据

94个字符，8种大小，4种字体（正常，粗体，斜体，斜粗体），每种20个样本，共60160个样本。

    

4. 语法分析

训练集中有最常用的高频词，字典中的常用词，常用数字，常用大写、小写。

将分割出的、待识别的词与这些词进行比较计算，算法采用加权最小距离。

问题：不同的分割，会识别出不同的结果。两种结果都有可能，原因在于分割的不确定。用两个指标进行量化，一个是confidence，将未知字符到原型的归一化距离为指标；第二是将未知字符的轮廓长度（归一化后的）作为指标。

5. Adaptive Classifier 自适应分类器

由于静态分类器涉及到多种字体（generalizing to any kind of font），其区分相近字符、字符与非字符的能力被削弱。此时，由于每页文档内的字符的个数有限，利用静态分类器的结果可以训练出对字体更敏感的自适应分类器，可以提高分类能力。

tesseract不用模板分类器，但使用相同的特征和分类作为静态分类器（uses the same features and classifier as the static classifier. 不解？）。静态与自适应的区别，除了训练集外，还有自适应分类器会将一行字符的基线（baseline）/x-高度（小写字母x的高度） 归一化。 归一化后，很容易区分字母大小写及噪声；而静态分类器仅利用字符归一化的一阶矩确定位置，二阶矩确定字符大小。

将字符的距 归一化最大的好处是 去除 高宽比（ aspect ratio ）和字体笔画宽度（stroke width）的影响，且使上标、下标的区分简单。但需要额外的分类特征来区分字母大小写。

（两种归一化：基线/x行高的归一化，单个字符距的归一化）

tesseract还有学习能力，一般来说，整页的文章的识别率要比单个字符的识别率要高，而且速度要比单个字符识别（累加时间）要好。

----------------------

在tesseract源码里，tesseract默认选取的特征是 bmp，分类器是Convolutional Neural Net classifier，即可演化的神经网络分类器（每一个结果都作为神经网络的输入，能提供反馈）。\tesseract_src\cube\conv_net_classifier.h 是分类器的描述。

不仅如此，tesseract还提供了Hybrid Neural Net Char Classifier分类器，使用Hybrid特征数据。

\tesseract_src\cube\classifier_factory.cpp

\tesseract_src\ccmain\cube_reco_context.cpp

里包含了tesseract分类器的实现。

文章比较拗口，英语功底不够，后面慢慢理解修正。