Сравнение методов распознавания объектов на стенографических изображениях

В современном научном сообществе большое внимание уделяется проблеме автоматизированного распознавания текста. Несмотря на то, что исследования по проблеме оптического распознавания текстов (optical character recognition, OCR) ведутся уже несколько десятилетий, данное направление остается крайне актуальным. В общем виде OCR – это задача перевода изображений текста в текстовые данные, используемые для представления символов в компьютере. Такая постановка задачи является трудноразрешимой, поэтому разработка OCR систем обычно нацелена на распознавание объектов в конкретно заданной области, например, распознавание банковских чеков или почтовых адресов [1]. В данной статье рассматриваются методы распознавания рукописного текста применительно к стенографическим документам, которые относятся к оф-лайн-методам. Сравнение методов распознавания было проведено на исторических стенограммах [4] А. Г. Сниткиной текстов Ф. М. Достоевского.

ОБЪЕКТ ИССЛЕДОВАНИЯ

При проведении офлайн-распознавания сначала решается задача предварительной обработки изображения, которая состоит из двух частей: 1) бинаризация; 2)сегментация.

В нашем случае бинаризация проводилась пороговым методом с оптимизацией его выбора [5].

Затем изображение было очищено от шумов (рис. 1). Сегментация проводилась автоматизированно. В результате обработки была сформирована коллекция, состоящая из 5823 символов.

Рис. 1. Фрагмент стенограммы и обработанные символы

Главная особенность коллекции символов заключается в том, что из-за плохого качества изображений стенограмм после обработки появились разрывы символов. Для проведения исследований из общего количества символов было отобрано 234 и создана контрольная выборка.

Признаковые классификаторы основаны на значениях векторов признаков, с помощью которых определяется схожесть изображений.

Сравнение длин отрезков. В качестве меры сходства данный метод использует суммарную разницу между длинами отрезков, построенных по заранее определенным правилам. При сравнении стенограмм соблюдались следующие правила построения: отрезки строятся из угловых то- чек, а также из середин отрезков, расположенных на границах изображения, в его центр, до первого касания с точками изображения [4]. Разница между длинами соответствующих отрезков складывается и служит мерой близости. Чем она меньше, тем более схожи изображения. Данный метод отличается высокой скоростью распознавания. Существенным недостатком является снижение точности при увеличении объема алфавита (набора оригинальных символов). Заметим, что данный метод чувствителен к искажениям и разрывам.

Сравнение проекций. Для сравниваемых изображений строятся графики проекций точек изображения на горизонтальную и вертикальную оси. Расстояние между изображениями определяется как суммарная разница между графиками вертикальной и горизонтальной осей [2]. Пример сравнения символов приведен на рис. 2.

Рис. 2. Примеры проекций точек двух изображений: a) проекции 1-го изображения; b) проекции 2-го изображения; c) сравнение проекций

Вычисления, производимые при сравнении изображений методом проекций, достаточно просты и обеспечивают высокую скорость распознавания. Данный метод, так же как и метод проекций, чувствителен к искажениям и становится менее эффективен при увеличении размерности алфавита.

Структурные классификаторы переводят изображение символа в его топологическое представление, отражающее информацию о взаимном расположении структурных элементов символа.

Метод сравнения форм. Метод основан на определении положения точек изображения относительно друг друга. Случайным образом выбираются N точек изображения символа. Для каждой точки пространство вокруг нее делится на зоны (корзинки), как показано на рис. 3с. Оставшиеся точки, число которых N – 1, распределяются по корзинкам. Примем число корзинок рав-

а)                 Ь)                      с)                     Ф

Рис. 3. Метод сравнения форм: а) и b) точки сравниваемых изображений, с) границы корзинок, d) связанные точки ным K. В результате для каждого изображения получаем массив значений размерности N ∙ K.

Для того чтобы найти меру сходства изображений, нам необходимо найти суммарное смещение N точек одного изображения относительно N точек другого. При этом точки изображений сопоставляются с помощью решения задачи назначений [6]. Стоимость соединения точек мы определяем на основании распределения точек по корзинкам с помощью критерия X2.

1    [/7, №

с,7=с(а^) = -Е , '

'   2 _и h^k^-h^k^

где h_i ( k ) – число точек в k -й корзинке для i -й точки, i = 1 ... N , k = 1 ... K .

В качестве исходных данных задачи назначений мы получаем матрицу C со значениями С_{i j} , где i , j = 1 ... N . Задача назначений решалась Венгерским методом.

H ( π ) = ∑ C ( p i , q π ( i ) ), ⁱ

∑ C ( p _i , q _{π ( i )} ) → min.

i

В результате получаем сопоставление выбранных N точек двух изображений. За меру сходства принимается суммарное Евклидово расстояние между этими точками. Данный метод устойчив к разрывам, но требует проведения большого числа вычислений.

РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТА

На основе анализа приведенных методов для решения задачи распознавания стенографических символов было решено, что наиболее пригодным является метод сравнения форм. Качество распознавания методов определялось на контрольной коллекции. Пример результатов работы методов приведен в табл. 1. Изображения приведены в порядке возрастания расстояния по сравнению с эталоном. Метод сравнения форм – 1, сравнения длин отрезков – 2, сравнения проекций – 3.

Таблица 1

Поиск символов методами сравнения расстояний, сравнения проекций и сравнения форм

Используя контрольную коллекцию, были получены оценки точности, полноты и F-меры, которые приведены в табл. 2. Наилучшие результаты показал метод сравнения форм.

Применение метода сравнения форм для решения задачи кластеризации. Как уже отме-

Таблица 2

Оценки эффективности методов

Точность Полнота F-мера 1 54 % 93 % 0,684 2 48 % 83 % 0,606 3 47 % 86 % 0,615 чалось, метод сравнения форм обладает большой трудоемкостью и поэтому его использование для решения задачи кластеризации вызывает определенные трудности. Однако применение современных информационных технологий, в частности облачных, позволяет справиться с этой трудностью. Для проверки данного утверждения был проведен эксперимент. Коллекция, предназначенная для кластеризации, состояла из 5823 символов. Сложность каждого сравне- ния двух символов соответствует O (n4). Для получения мер сходства между всеми символами необходимо было провести ∑i58=212 i = 16950753 операций сравнения символов. В рамках облака была организована вычислительная система, сравнения были распределены по 16 потокам. Расчет мер сходства длился 34 часа. В результате коллекция была разбита на 423 класса.

ЗАКЛЮЧЕНИЕ

Полученные результаты распознавания стенографических символов подтвердили сложность данной задачи. Наилучшие результаты распознавания были получены при использовании метода сравнения форм. Его точность составила 54 %. В дальнейшем авторы предполагают использовать метод комитетов, основанный на нескольких методах распознавания.

* Работа выполнена при поддержке Программы стратегического развития ПетрГУ в рамках реализации комплекса мероприятий по развитию научно-исследовательской деятельности на 2012–2016 гг.

Shterkel’ I. A., Petrozavodsk State University (Petrozavodsk, Russian Federation)

COMPARISON OF OBJECT RECOGNITION METHODS ON SHORTHAND REPORTS