圖像視頻復雜場景中文字檢測識別方法研究.pdf

1、近年來,隨著計算機技術(shù)、多媒體技術(shù)和網(wǎng)絡(luò)技術(shù)的不斷發(fā)展,圖像和視頻資源日益豐富,從這些海量圖像、視頻中獲取感興趣的信息已經(jīng)成為當前多媒體信息技術(shù)研究的熱點。圖像、視頻中的文字包含豐富的語義信息,是理解圖像、視頻內(nèi)容的重要線索,提取和識別這種圖像、視頻中的文字對于圖像理解、視頻內(nèi)容分析、基于內(nèi)容的圖像和視頻檢索等領(lǐng)域具有重要意義。由于圖像、視頻中的文字通常疊加在復雜的背景之上,背景的干擾使得現(xiàn)有 OCR(Optical Character

2、 Recognition)技術(shù)難以獲得較好的識別結(jié)果,因而如何從圖像、視頻復雜場景中檢測識別文字成為一個重要的研究課題。
　　本文以圖像、視頻復雜場景為研究背景,圍繞在復雜場景中文字檢測和識別進行研究,根據(jù)文字紋理特征,研究了復雜背景中文字的檢測、復雜場景中重疊文本的檢測和識別、OCR識別結(jié)果的校對以及海量視頻文本檢測識別等問題。概括起來,本文所取得的主要研究成果包括:
　　首先提出了一種基于Gabor和SVM的復雜背景中文

3、字檢測方法,通過不同方向尺度的 Gabor濾波器得到表示中文字符橫、豎、撇、捺四個方向的紋理圖像,使用SVM分類器對紋理圖像進行訓練,通過構(gòu)建一個SVM分類網(wǎng)絡(luò)來得到最終的文字區(qū)域。實驗結(jié)果表明,該方法對復雜背景下中文字符的檢測具有較好的效果。
　　其次提出了一種利用深度學習算法進行文字區(qū)域定位的方法,利用 Gabor濾波器提取文字區(qū)域的紋理特征,然后使用DBN網(wǎng)絡(luò)進行分類,由于DBN網(wǎng)絡(luò)對高維特征向量具有很強的提取特征和分類能力

4、,因此能夠用來區(qū)分文字區(qū)域和背景區(qū)域。實驗結(jié)果表明,深度學習網(wǎng)絡(luò)具有較高的分類準確性,效果要好于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)、SVM等方法。
　　接著針對前面所提出的方法在檢測復雜場景中重疊文本時受背景干擾比較大的問題,提出了一種復雜場景中重疊文本檢測和識別的方法。首先利用聚類的方法將復雜場景圖像轉(zhuǎn)換成多個具有單一背景的層圖像,在每一個層圖像中使用連通分量分析方法,得到該層圖像中的候選文本連通分量,采用級聯(lián)Adaboost分類器根據(jù)文本區(qū)域的特

5、征剔除非文本連通分量,再用OCR包對文本連通分量進行識別,最后利用圖像層之間的關(guān)系對識別結(jié)果進行驗證。對于復雜場景下重疊文本的識別,該方法明顯優(yōu)于其他方法。
　　然后提出了一種基于Google的文字識別結(jié)果校對方法,由于很多字符、文字具有相似性,OCR軟件識別過程會產(chǎn)生一些錯誤,現(xiàn)有的 OCR識別結(jié)果校對方法主要是利用自然語言規(guī)律統(tǒng)計大量的語料庫進行語法判斷。本文提出了一種基于 Google的 OCR識別結(jié)果校對方法,將傳統(tǒng)的基于

6、 N-Gram語料庫的方法和Google知識庫相結(jié)合,利用Google知識庫來不斷的豐富傳統(tǒng)的語料庫,有效地解決了傳統(tǒng) N-Gram方法在字典詞匯量有限,對新詞、專有名詞無法校對的問題。該方法實用性比較強,有效地提高了自然場景圖像中OCR的識別率。
　　最后實現(xiàn)了一個基于云計算架構(gòu)的視頻文本檢測和識別系統(tǒng)平臺,隨著大數(shù)據(jù)時代的到來,現(xiàn)有的文字識別方法遇到了很大的挑戰(zhàn),很難快速的應(yīng)用到大數(shù)據(jù)中進行視頻文本內(nèi)容的識別。本文通過連接大量