Аннотация.

Статья посвящена проблематике структурного анализа текста при распознавании документов-форм на примере системы потокового ввода документов Cognitive Forms 2.0. Авторы предложили универсальный подход понимания структуры текстовых строк, одинаково пригодный для неструктурированных машинописных листов и полей документов-форм, робастный к искажениям, характерным для планшетных сканеров и камер мобильных устройств. Методология данной работы основана на различных подходах анализа данных, таких как авто-классификация и кластер анализ, методах гистограммного  анализа и геометрических моделях искажения изображения при сканировании документов различными устройствами. В работе описаны алгоритмы компенсации ошибок положения строк, нахождения слов и знаков препинания в тексте.

Ключевые слова:

изображение документа, поле документа, строка символов, сложноструктурированный документ, сегмент строки.

Стр. 75-81.

V. V. Arlazarov, V. M. Klyatskin, O. A. Slavin

"Providing a set of graphic images of characters for the character classifier learning"

Abstract. The article is about the structural analysis of the text in recognition of documents, forms an example of streaming input documents Cognitive Forms 2.0. The authors propose a universal approach understanding of the structure of text strings, equally  suitable for unstructured  typewritten  sheets  and fields  of documents, forms, robust to distortions characteristic of flatbed scanners and cameras mobile devices. The methodology of this work is based on the different approaches of data analysis such as auto-classification and cluster analysis methods, histogram analysis, and geometric models of image distortion when scanning documents of various devices. This paper describes algorithms for error compensation position lines, finding words and punctuation marks in the text.

Keywords: image of the document, the document field, the string of characters, complex structured document, image of the segment of the string.

Полная версия статьи в формате pdf.

REFERENCES

1. Kliatskine V., Shchepin E., Thorvaldsen G, Zingerman K., Lazarev  V. A Structural Method  for the Recognition  of Complex Historical Tables // History & Computing, Edinburg University Press 1997, vol. 9, No. 3. PP 58–77.
2. Klyahzkin  V., Shchepin  E., Zingerman  K. Application  of hierarchical  methods  of cluster  analysis  to the  printed text structure recognition // Shape, Structure, and Pattern Recognition Nahariya, Israel, October 1994, Dov Dori and Alfred Bruckstein, Eds., World Scientific, 1995, Singapore, New Jersey, London, Hong Kong (SSPR’94), PP 333–342
3. Wang H., Landa Y., Fallon M., and Teller S. Computer Science and Artificial Intelligence Laboratory Massachusetts Institute  of Technology  USA - Spatially  Prioritized  and Persistent Text Detection and Decoding // ICDAR 2013 12th International Conference on document analysis and recognition, Washington, DC, August, 2013 pp. 7–12.
4. Neumann L., Matas  J. Center for Machine  Perception, Department of Cybernetics Czech Technical University, Prague, Czech Republic - On Combining Multiple Segmentations  in Scene Text  Recognition  // ICDAR  2013 12th International Conference on document analysis and recognition, Washington, DC, August, 2013 pp. 523–527
5. Smith R.. An overview of the Tesseract  OCR engine. In Proc. of the Intl. Conf. on Document Analysis and Recog- nition (ICDAR), pp. 629633, 2007
6. Otsu N. A threshold selection method from gray-level histograms. IEEE Trans. Sys., Man., Cyber. 1979. 9 (1): 62–66
7. Arlazarov V. V., Postnikov V. V., Sholomov D. L. Cognitive Forms - sistema massovogo  vvoda strukturirovannykh dokumentov // Sbornik trudov Instituta sistemnogo analiza RAN «Upravlenie informatsionnymi potokami». M.: URSS, 2002. S. 35–46.