中文文件影像中之特殊字體偵測

Special Typeface Identification in Chinese Document Images

光學文字辨識是近二十年來被廣泛研究的題目，利用文字辨識技術將文件數位化，既可減少紙張的存放空間，又可以自動將文件分類以方便日後檢索。目前市面上文字辨識相關產品，都聲稱文字辨識率可高達90% 以上。然而，這些數據大都是根據正常字體之印刷文字影像的辨識結果統計。對於印刷文件中常見的特殊字體（如粗體字、中空字、底線字與斜體字），辨識效果會與正常字體有明顯的差異。若同時使用多字體的辨識核心來做辨識，對於數量龐大的中文字集，會導致辨識速度下降。本研究提出方法來自動偵測出印刷文字區塊影像中，各內容文字所屬的特殊字體。 首先，利用文字區塊影像的水平與投影方向投影輪廓分析，可先將各文字行與可能的文字元件擷取出，再統計各元件大小、元件間距離、元件內筆劃寬度與元件黑點群長度等特性，以判斷各字元所屬的字體。後續進行文字辨識時，可使用該特殊字體字元所訓練出的辨識核心去比對，便可在盡量維持辨識速度下，提升含特殊字體文件的整體辨識效果。