動(dòng)態(tài)文本識(shí)別關(guān)鍵技術(shù)研究.pdf

1、文本識(shí)別(TR,text recognition)是機(jī)器視覺領(lǐng)域中的研究熱點(diǎn),涉及圖像處理、數(shù)據(jù)挖掘、模式識(shí)別等交叉學(xué)科。文本識(shí)別在交通、郵政、銀行以及自動(dòng)化辦公等眾多場(chǎng)合得到越來越廣泛的應(yīng)用。文本識(shí)別包含四個(gè)關(guān)鍵環(huán)節(jié)：文本檢測(cè)、單字符分割、特征提取以及字符識(shí)別。文本檢測(cè)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(shí)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(duì)文本識(shí)別的各個(gè)步驟做了詳細(xì)的研究,并開發(fā)了具體的

2、動(dòng)態(tài)文本識(shí)別系統(tǒng)。為了增加檢測(cè)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(jìn)了傳統(tǒng)的基于Sobel邊緣檢測(cè)與形態(tài)學(xué)運(yùn)算結(jié)合的文本檢測(cè)方法,在此基礎(chǔ)上采取了輪廓跟蹤以及與先驗(yàn)知識(shí)結(jié)合的算法而實(shí)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(jìn)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(shí)時(shí)性以及可靠性的要求,采取了基于垂直投影法的改進(jìn)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(diǎn)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(duì)粗網(wǎng)格特征和13點(diǎn)特征進(jìn)行了對(duì)比分析實(shí)驗(yàn)。分析實(shí)驗(yàn)表明:粗網(wǎng)格特征在類可分性上優(yōu)于13點(diǎn)特征,但在類穩(wěn)定性上不如13點(diǎn)特征提取法。對(duì)于分類器的設(shè)計(jì),本文采取模版匹配分類器與SVM分類器結(jié)合的方式進(jìn)行字符的識(shí)別,模版匹配識(shí)別方法對(duì)于小字符集的識(shí)別效率很高,而SVM分類器則有著很強(qiáng)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(shí)別模塊的性能。本文應(yīng)用的語言是C/C++,