類似文字データベースとN-gramによる文字認識後処理

概要

論文の詳細を見る
市販のOCRの認識率は, カタログでは99%以上をうたっているが, 現実には印刷の品質が悪かったり, スキャナーでの読み取り条件が最適化されていないことのために, 95%程度にとどまっている。そこで, 何らかの言語処理を導入した後処理が必要となる。後処理方式の多くは, N-gram統計を用いたものが多いが, この場合, 文字候補の中に必ず正解文字が存在するという条件が付けられる。つまり, 文字候補の中に正解文字が存在しない場合は, 正解文が得られないことになる。また, 正解文字がN-gramのテキストデータベースに依存する為, 正しい文字を選び出さない事がある。そこで本研究では, 類似文字データベースを作成して, 候補の追加を行なう方法を提案する。すなわち, OCRの候補文字ラティスにtrigramモデルを用いたコスト最小法を適用し, 選ばれた最適パスの中で, ある閾値を越えた部分を誤りとして検出する。そして, その部分に類似文字データベースから新たに候補を補足して再度Ngramモデルを用いたコスト最小法を適用する。新聞記事をテストデータとして実験を行なったところ, この方法による精度の向上を確認できた。また, N-gramデータベースで使用するテキストコーパスに存在しない単語を補うため, 単語辞書のN-gramテータベースを追加した実験を行った。
1997-09-24

類似文字データベースとN-gramによる文字認識後処理

スポンサーリンク

概要

著者

関連論文

スポンサーリンク