動態(tài)文本識別關(guān)鍵技術(shù)研究.pdf

1、文本識別(TR,text recognition)是機器視覺領(lǐng)域中的研究熱點,涉及圖像處理、數(shù)據(jù)挖掘、模式識別等交叉學(xué)科。文本識別在交通、郵政、銀行以及自動化辦公等眾多場合得到越來越廣泛的應(yīng)用。文本識別包含四個關(guān)鍵環(huán)節(jié)：文本檢測、單字符分割、特征提取以及字符識別。文本檢測的準(zhǔn)確度,字符分割的精確度,提取的特征的優(yōu)劣以及字符識別的正確率問題是這些環(huán)節(jié)所應(yīng)關(guān)注的主要問題。
　　 本文對文本識別的各個步驟做了詳細(xì)的研究,并開發(fā)了具體的

2、動態(tài)文本識別系統(tǒng)。為了增加檢測的可靠性,文中依據(jù)文本區(qū)域存在豐富的一致性邊緣這一特性,改進了傳統(tǒng)的基于Sobel邊緣檢測與形態(tài)學(xué)運算結(jié)合的文本檢測方法,在此基礎(chǔ)上采取了輪廓跟蹤以及與先驗知識結(jié)合的算法而實現(xiàn)了精確定位。提出利用從跟蹤到的特征矩形輪廓提取傾角進行文本傾斜校正的算法,使用基于跳變次數(shù)的線掃描法來確定字符上下邊。為了滿足實時性以及可靠性的要求,采取了基于垂直投影法的改進的二次判斷單字符分割算法。在字符特征的選擇方面,本文采取了

3、13點特征提取法、粗網(wǎng)格法以及全像素特征下的PCA降維方法,并對粗網(wǎng)格特征和13點特征進行了對比分析實驗。分析實驗表明:粗網(wǎng)格特征在類可分性上優(yōu)于13點特征,但在類穩(wěn)定性上不如13點特征提取法。對于分類器的設(shè)計,本文采取模版匹配分類器與SVM分類器結(jié)合的方式進行字符的識別,模版匹配識別方法對于小字符集的識別效率很高,而SVM分類器則有著很強的泛化能力、適應(yīng)能力,本文通過結(jié)合使用兩類分類器來提升識別模塊的性能。本文應(yīng)用的語言是C/C++,