CN107729954A - 一种文字识别方法、装置、文字识别设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种文字识别方法、装置、文字识别设备及存储介质。所述方法包括：采用轮廓笔画描述作为文字识别的主要文字识别方法；采用边角特征数据库作为辅助的文字识别算法；采用轮廓笔画描述和边角特征数据库作为双识别引擎来识别文字，解决传统文字识别算法无法解决模糊不清的印刷体、变形较多的手写体等文字的识别问题，以提高印刷体、手写体等文字识别的准确率和识别效率。

Description

一种文字识别方法、装置、文字识别设备及存储介质

技术领域

本发明实施例涉及文字识别技术领域，尤其涉及一种文字识别方法、装置、文字识别设备及存储介质。

背景技术

通常，人们在看资料时会把自己感兴趣或者重要的内容进行标记。随着通信技术的快速发展，越来越多的人通过社交网络来分享自己感兴趣的内容。

现有的光学字符识别(OCR，Optical Character Recognition)技术可以利用电子设备(例如扫描仪或数码相机)检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字。目前，很多文字识别算法都采用了OCR技术，如游程统计法、X、Y方向归一法、汉字特征法、匹配法、字根特征、粗外围特征法、笔画密度法等算法，但这些算法在识别模糊不清的印刷体、变形较多的手写体时的效果并不理想，准确率也不够高。

发明内容

本发明实施例提供一种文字识别方法、装置、文字识别设备及存储介质，以提高印刷体、手写体等文字识别的准确率和识别效率。

本发明实施例提出一种文字识别方法、装置、文字识别设备及存储介质，通过双识别引擎来识别文字，解决传统文字识别算法无法解决模糊不清的印刷体、变形较多的手写体等文字的识别问题，以提高印刷体、手写体等文字识别的准确率和识别效率。

第一方面，本发明实施例提供了一种文字识别方法，包括：

采用轮廓笔画描述作为文字识别的主要文字识别方法；

采用边角特征数据库作为辅助的文字识别算法；

采用轮廓笔画描述和边角特征数据库作为双识别引擎来识别文字。

第二方面，本发明实施例还提供了一种文字识别装置，该装置包括：

主要识别模块，用于采用轮廓笔画描述作为文字识别的主要文字识别方法；

辅助识别模块，用于采用边角特征数据库作为辅助的文字识别算法；

双引擎识别模块，用于采用轮廓笔画描述和边角特征数据库作为双识别引擎来识别文字。

第三方面，本发明实施例还提供了一种文字识别设备，该设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述所涉及的任一所述的文字识别方法。

第四方面，本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所涉及的任一所述的文字识别方法。

本发明实施例通过采用轮廓笔画描述作为文字识别的主要文字识别方法，采用边角特征数据库作为辅助的文字识别算法，通过轮廓笔画描述和边角特征数据库的双识别引擎来识别文字，解决传统文字识别算法无法解决模糊不清的印刷体、变形较多的手写体等文字的识别问题，以提高印刷体、手写体等文字识别的准确率和识别效率。

附图说明

图1是本发明实施例一提供的一种文字识别方法的流程图；

图2是本发明实施例一提供的切线最陡算法效果示意图；

图3a是本发明实施例二提供的一种文字识别装置的示意图；

图3b是本发明实施例二提供的细化处理模块的结构框图；

图4为本发明实施例三提供的一种文字识别设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种文字识别方法的流程图，本实施例可适用于翻译文字的情况，该方法可以由文字识别装置来执行，该装置可以由软件和/或硬件来实现，一般可集成在文字识别设备中，具体包括如下步骤：

S110、采用轮廓笔画描述作为文字识别的主要文字识别方法。

其中，轮廓笔画描述为主要的识别方法，其关键是找出汉字点阵的轮廓，并对笔画的特性、关键性确定取舍。现有的游程统计法、瘦边法、汉字特征法、匹配法、字根特征、归一法等算法由于均无法分析文字的轮廓，所以都无法成功地描述出文字的笔画。只有通过分析轮廓，才能更准确地得到文字的横竖捌捺点，原因有两点：

(1)只有基于“笔画描述”才能识别手写体文字，任何边角特征、匹配法、游程统计法等都无法归纳出手写体文字的特征，只能归纳印刷体。所以，“笔画描述”是手写体识别的唯一出路。

(2)瘦边法、归一法等简化笔画的识别方法是低效的、误差大的算法，这些算法容易丢失笔画或者产生多余的笔画。只有使用“轮廓”才能体现出手写体文字的原貌，“轮廓”能够原汁原味地体现手写体文字的字形，而且能够实现二维的汉字点阵转化为二维矢量，实现汉字的高效识别。

通过轮廓来描述笔画，使用许多无关大局的“短边”被“长边”归纳吞并，“曲线”被描述为“两段线段”，“局部凹凸”视周围环境也被归纳合并。这样，一个复杂的文字就被能用“尽可能少”的笔画描述出来。

S120、采用边角特征数据库作为辅助的文字识别算法。

其中，传统OCR的四边轮廓特征法的思路为：每一汉字用32×32点阵表示，分别从上下左右四个方向扫描汉字点阵，得到四个数值P1、P2、P3、P4，把这四个数值存入数据库。通过大量的学习、记忆，得到一个所有汉字的四边特征数据库。用该方法识别汉字时，系统会从数据库中检索出一个最相似的汉字，得到识别结果。经测试发现，用传统四边轮廓特征法对印刷体文字进行识别，识别率可达60％以上。

传统OCR的四边轮廓特征法，识别率不高，如“国”、“囚”、“四”、“因”等字，因为它们的四边特征值是相同的，使用此方法无法区分、无法识别。因此，本发明实施例使用新的改进型的四边轮廓特征，所述改进型的四边轮廓特征在传统的四边轮廓特征法的基础上进行改进，对文字内部进行处理获取细化的文字特征描述。

改进型的四边轮廓特征的具体思路为：在汉字内部再次切割(按1/4切割)，切割后再取四边特征Q1、Q2、Q3、Q4，这样，一个文字就的特征描述就是P1、P2、P3、P4、Q1、Q2、Q3、Q4。通过大量的学习、记忆，得到一个所有汉字的内外四边特征数据库。识别汉字时，从数据库中检索出一个最相似的汉字，得到识别结果。经过上述改进，印刷体文字识别率可达到80％以上。

S130、采用轮廓笔画描述和边角特征数据库作为双识别引擎来识别文字。

其中，两种识别引擎分别为轮廓笔画描述和边角特征数据库，可首先采用轮廓笔画描述对文字的笔画将二维的汉字点阵转化为二维矢量，再此基础上，采用边角特征数据库存储改进型的四边轮廓特征，并将轮廓笔画描述获取的文字的二维矢量作为标识，从数据库中检索出一个与之最相似的汉字，从而得到文字识别结果。

本发明实施例通过采用轮廓笔画描述作为文字识别的主要文字识别方法，采用边角特征数据库作为辅助的文字识别算法，通过轮廓笔画描述和边角特征数据库的双识别引擎来识别文字，解决传统文字识别算法无法解决模糊不清的印刷体、变形较多的手写体等文字的识别问题，以提高印刷体、手写体等文字识别的准确率和识别效率。

在上述实施例的基础上，可选的，采用轮廓笔画描述作为文字识别的主要文字识别方法，包括：

(1)采用“逆(顺)时针搜索”算法描述所述文字的轮廓。

其中，逆(顺)时针搜索算法的具体步骤为：假设：汉字是Width×Height的点阵，任意一点都有左上、上、右上、右、右下、下、左下、左这8个方向的邻点。首先，x:0→Width-1,y:0→Height-1搜索出一个黑点，该点设为P1；从点P1逆(顺)时针搜索出下一轮廓点P2，再从点P2逆(顺)时针搜索出下一轮廓点P3，直到搜索出最后的轮廓点Pn。

(2)对所述文字的轮廓进行细化处理，具体包括以下几方面内容：

首先需要区分文字中相邻的两个笔画，可使用“切线最陡”算法区分出相邻的两个笔画。描述轮廓之后，笔画描述的关键在于决定从何处开始属于下一段笔画。经理论证明，使用“切线最陡”算法可以算出任意一点属于哪一笔画，如图2中的右边的“林”字即为采用“切线最陡”算法处理左边宋体“林”字后的效果。

举例而言：假设从第一步得到汉字的轮廓点的数组P1、P2……Pn，并且由于二维汉字点阵至少可以得到x、y坐标最大最小极值点(且至少存在4个符合这样条件的点MaxMin1、MaxMin2、MaxMin3、MaxMin4等)；

S210、遍历任意2个极值点(例如：MaxMin1和MaxMin2)之间的轮廓点，如果某一点Px的切线与MaxMin1、MaxMin2所在的直线的夹角最大，且大于一定的角度Angle(如30°)，则该点能把MaxMin1、MaxMin2“至少”分为两段笔画。

S212、遍历MaxMin1和Px之间的轮廓点，同上步的原理判断是否再分为两段笔画；遍历Px和MaxMin2之间的轮廓点，同上步的原理判断是否再分为两段笔画。

S214、重复S210、S212，直至区分出所有相邻的两个笔画，从而可以实现汉字轮廓矢量化。

其次，无关大局的“短边”被归纳、吞并、省略，一般取矩形的1/8或1/10为参考值，小于该参考值的边就考虑吞并、省略。

另外，由于描述曲线(撇、捺等)比较复杂，比较两条曲线的相对位置关系更复杂。因此，把曲线描述为两条或多条线段，转换为计算机易于操作的对象来处理。

最后，对于宋体字需要特殊处理，因为宋体字中笔画起始端常有一个三角形的凸出点，可以通过强制记忆的方法，把它们省略。

这样，通过上述实施例即可将所有印刷体、手写体等文字用简单的笔画描述出来。

实施例二

图3a是本发明实施例二提供的一种文字识别装置的示意图，图3b是本发明实施例二提供的细化处理模块的结构框图，本实施例可执行本发明任意实施例所提供的文字识别方法，具备执行方法相应的功能模块和有益效果，本实施例可适用于将印刷字体或手写体等转为文字。

所述装置包括：

主要识别模块310，用于采用轮廓笔画描述作为文字识别的主要文字识别方法；

辅助识别模块320，用于采用边角特征数据库作为辅助的文字识别算法；

双引擎识别模块330，用于采用轮廓笔画描述和边角特征数据库作为双识别引擎来识别文字。

本发明实施例通过采用轮廓笔画描述作为文字识别的主要文字识别方法，采用边角特征数据库作为辅助的文字识别算法，通过轮廓笔画描述和边角特征数据库的双识别引擎来识别文字，解决传统文字识别算法无法解决模糊不清的印刷体、变形较多的手写体等文字的识别问题，以提高印刷体、手写体等文字识别的准确率和识别效率。

在本发明的一个实施例中，可选的，主要识别模块310包括：

轮廓描述模块312，用于采用“逆(顺)时针搜索”算法描述所述文字的轮廓；

细化处理模块314，用于对所述文字的轮廓进行细化处理。

在本发明的一个实施例中，可选的，辅助识别模块320包括：

数据库模块322，所述数据库模块包括所述边角特征数据库，所述边角特征数据库采用改进型的四边轮廓特征；

改进模块324，所述改进模块用于所述改进型的四边轮廓特征在传统的四边轮廓特征法的基础上进行改进，对文字内部进行处理获取细化的文字特征描述。

在上述实施例的基础上，所述细化处理模块314还包括：

笔画区分单元315：用于使用“切线最陡”算法区分所述文字的轮廓中相邻的两个笔画。

凸出点省略单元316：用于采用强制记忆的方法省略所述文字的轮廓中包含的宋体字中笔画起始端带有的三角形的凸出点。

短边处理单元317：用于归纳、吞并或省略所述文字的轮廓中的无关大局的“短边”。

曲线转换单元318：用于把所述文字的轮廓中的曲线描述分解为两条或多条线段，将所述曲线转换为计算机易于操作的对象来处理。

上述文字识别装置可执行本发明任意实施例所提供的文字识别方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的文字识别方法。

实施例三

图4为本发明实施例三提供的一种文字识别设备的结构示意图。图4示出了适于用来实现本发明实施方式的文字识别设备412的框图。图4显示的文字识别设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，文字识别设备412以通用计算设备的形式表现。文字识别设备412的组件可以包括但不限于：一个或者多个处理器416，存储装置428，连接不同系统组件(包括存储装置428和处理器416)的总线418。

总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

文字识别设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被文字识别设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储装置428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。文字识别设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块426的程序436，可以存储在例如存储装置628中，这样的程序模块426包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块426通常执行本发明所描述的实施例中的功能和/或方法。

文字识别设备412也可以与一个或多个外部设备414(例如键盘、指向设备、摄像头、显示器424等)通信，还可与一个或者多个使得用户能与该文字识别设备412交互的设备通信，和/或与使得该文字识别设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，文字识别设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与文字识别设备412的其它模块通信。应当明白，尽管图中未示出，可以结合文字识别设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理器416通过运行存储在存储装置428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的文字识别方法。

实施例四

本发明实施例四还提供一种存储计算机程序的计算机存储介质，所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例任一所述的文字识别方法。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种文字识别方法，其特征在于，包括：

采用轮廓笔画描述作为文字识别的主要文字识别方法；

采用边角特征数据库作为辅助的文字识别算法；

采用轮廓笔画描述和边角特征数据库作为双识别引擎来识别文字。

2.根据权利要求1所述的文字识别方法，其特征在于，采用轮廓笔画描述作为文字识别的主要文字识别方法，包括：

采用“逆(顺)时针搜索”算法描述所述文字的轮廓；

对所述文字的轮廓进行细化处理。

3.根据权利要求2所述的文字识别方法，其特征在于，对所述文字的轮廓进行细化处理，包括：

使用“切线最陡”算法区分所述文字的轮廓中相邻的两个笔画。

4.根据权利要求2所述的文字识别方法，其特征在于，对所述文字的轮廓进行细化处理，包括：

采用强制记忆的方法省略所述文字的轮廓中包含的宋体字中笔画起始端带有的三角形的凸出点。

5.根据权利要求3所述的文字识别方法，其特征在于，在使用“切线最陡”算法区分所述文字的轮廓中相邻的两个笔画后，还包括：

归纳、吞并或省略所述文字的轮廓中的无关大局的“短边”。

6.根据权利要求3所述的文字识别方法，其特征在于，在使用“切线最陡”算法区分所述文字的轮廓中相邻的两个笔画后，还包括：

把所述文字的轮廓中的曲线描述分解为两条或多条线段，将所述曲线转换为计算机易于操作的对象来处理。

7.根据权利要求1所述的文字识别方法，其特征在于，所述采用边角特征数据库作为辅助的文字识别算法，包括：

所述边角特征数据库存储改进型的四边轮廓特征；

所述改进型的四边轮廓特征在传统的四边轮廓特征法的基础上进行改进，对文字内部进行处理获取细化的文字特征描述。

8.一种文字识别装置，其特征在于，包括：

主要识别模块，用于采用轮廓笔画描述作为文字识别的主要文字识别方法；

辅助识别模块，用于采用边角特征数据库作为辅助的文字识别算法；

双引擎识别模块，用于采用轮廓笔画描述和边角特征数据库作为双识别引擎来识别文字。

9.一种文字识别设备，其特征在于，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的文字识别方法。

10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的文字识别方法。