基於有效阿拉伯文特徵提取的阿拉伯文識別方法及系統的製作方法
2023-05-11 09:30:11
專利名稱：基於有效阿拉伯文特徵提取的阿拉伯文識別方法及系統的製作方法
技術領域：
本專利申請主要涉及阿拉伯文本的自動識別。
背景技術：
文本識別，即文本的自動閱讀，是模式識別的一個分支，文本識別的目的是以人的 精度和更高的速度讀取列印文本內容。大多數文本識別方法都是假設文本內容能夠分離為 獨立的字符。此類技術，雖然可以成功地處理機打或排版的拉丁語文件，但是不能可靠應用 於處理草體字跡，例如阿拉伯文。之前關於阿拉伯文字跡的識別研究已經證明試圖將阿拉 伯單詞分成單獨的字符存在困難。阿拉伯語對文本識別系統提出了幾個挑戰。阿拉伯語字跡本身具有草體特點，採 用印刷體的方式分離地去寫每個字符是無法接受的。而且，阿拉伯字母的形狀與上下文是 緊密聯繫的；阿拉伯字母的形狀依賴於這個字母在一個單詞中的位置。例如，字母'》』:具有 四種不同的形狀單獨使用時為「。」，例如在中；在單詞起始位置時為「丄」，例 如在「 中；在單詞中間位置時為」，例如在單詞中；在單詞結束位置時為」， 例如在單詞中。另外，不是所有的阿拉伯字母都與單詞有關。由於在一個單詞內間距 也用來分離某些字母，因此兩個單詞之間的邊界是很難能夠自動識別的。現在已有的多種分類系統，例如統計模型，已經被應用到阿拉伯文本識別中來。然 而，適當地提取文本特徵仍然是準確識別阿拉伯文本的一個主要障礙。
發明內容
一方面，本發明涉及一種阿拉伯文本自動識別方法，本發明的方法包括獲取包含 一行阿拉伯字符的文本圖像；將該行阿拉伯字符數位化形成一關於像素的二維數組，每一 像素賦予一像素值，其中像素值採用二進位數表示；將該行阿拉伯字符分為多個條圖像； 在其中一條圖像中定義多個單元，每一單元中包含一組相鄰的像素；將條圖像內單元中的 像素值連續排列形成一個二進位單元編號；根據從條圖像單元中獲取的二進位單元編號構 造文本特徵向量；將該文本特徵向量添加到隱馬爾可夫模型中去識別該行阿拉伯字符。另一方面，本發明涉及一種阿拉伯文本自動識別方法。本方法包括獲取包含一行 阿拉伯字符的文本圖像；將該行阿拉伯字符數位化形成一關於像素的二維數組，每一像素 賦予一像素值，其中像素值採用二進位數表示，該二維數組由第一方向上的多行和第二方 向上的多列組成；計算一列像素中具有相同像素值的連續像素的頻率；利用從列象素中計 算得到的該頻率構造一文本特徵向量；將該文本特徵向量添加到隱馬爾可夫模型中去識別 該行阿拉伯字符。另一方面，本發明涉及一種阿拉伯文本自動識別方法。本方法包括獲取包含一 行阿拉伯字符的文本圖像；將該行阿拉伯字符數位化形成一關於像素的二維數組，每一像 素賦予一像素值；將該行阿拉伯字符分為多個條圖像；縮小至少其中一個條圖像生成一縮 小後的條圖像；將該縮小後的條圖像中的每一列像素中的像素值連續排列形成一串序列編號，其中該串序列編號構成一文本特徵向量；將該文本特徵向量添加到隱馬爾可夫模型中 去識別該行阿拉伯字符。另一方面，本發明涉及一電腦程式產品，其包括一可用於計算機的介質，該介質 中嵌有計算機可讀程序代碼，該程序代碼可以使計算機獲取一包含一行阿拉伯字符的文本 圖像；數位化該行阿拉伯字符形成一關於像素的二維數組，每一像素賦予一像素值，其中像 素值採用二進位數表示；將該行阿拉伯字符分為多個條圖像；在其中一條圖像中定義多個 單元，每一單元中包含一組相鄰的像素；將條圖像內每一單元中的像素值連續排列形成一 個二進位單元編號；根據從條圖像單元中獲取的二進位單元編號構造文本特徵向量；將該 文本特徵向量添加到隱馬爾可夫模型中去識別該行阿拉伯字符。系統的執行可以包括下述的一種或多種方式。本方法可以進一步包括將二進位單 元編號轉換十進位單元編號；將獲得自多個條圖像中一條圖像內多個單元的十進位單元編 號連續排列形成一串十進位單元編號；根據將獲得自多個條圖像中一條圖像內多個單元的 一串十進位單元編號構造文本特徵向量。像素二維數組可包括第一方向上的多行和第二方 向上的多列。該行阿拉伯字符可沿該第一方向順序排列。多個條圖像可沿該第一方向順序 排列。至少一條圖像的高可由第一方向的M行限定，寬由第二方向的N列限定。M和N為整 數。該像素二維數組可包括N行像素，N取值範圍在2到大約100之間，可取值在3到大約 10之間。該像素二維數組中的像素值採用單比特二進位數表示，也可採用多比特二進位數 表示。隱馬爾可夫模型可以作為一個隱馬爾可夫模型工具包使用。本發明中的系統和方法為阿拉伯文本的特徵提取提供了全面的、大量的、精確的 技術。與現有技術相比，本發明公開的阿拉伯字符識別效率更高並且運算時間更少。與現 有技術相比，本發明公開的方法和系統也更簡單、易行。雖然本發明通過多個具體實例進行展示和描述，但是相關領域的技術人員可以理 解在不脫離本發明精神和範圍的基礎上，實現形式和細節上可以有多種改變。
下列附圖，作為說明書的一部分，用於解釋本發明的具體實例，並且和說明書結合 在一起，用於解釋本發明的原理。圖1是本發明阿拉伯文本識別步驟的方法流程圖。圖2顯示了一包含阿拉伯文本的文本圖像。圖3A顯示了文本圖像被分為多個條圖像，每個條圖像包括多個像素。圖;3B和圖3C顯示了部分圖3A所示條圖像的像素和像素值。圖4顯示了本發明的一種文本特徵提取方法；圖5是圖4所示文本特徵提取步驟的流程圖；圖6顯示了本發明的另一種文本特徵提取方法；圖7A-7D顯示了本發明的另一種文本特徵提取方法；圖8是圖7A-7D所示文本特徵提取步驟的流程圖。
具體實施例方式圖1顯示了本發明阿拉伯文本識別步驟的總體流程。參考圖1-3C，從阿拉伯文本中獲取一文本圖像200(如圖1的步驟110)。文本圖像200中的阿拉伯文本可能被排列成 多行211-214，每一條包括一串草體字跡的阿拉伯字符。文本行211-214被分為多個條圖像 311-313(如圖1的步驟120)。其中一條圖像311，312或313又被分為像素321-323，每一 像素賦予一像素值(如圖1的步驟130)。條圖像311，312或313的寬取值範圍為2像素到 100像素，或寬取值範圍在3像素到10像素之間。條圖像311，312或313可以包括一個完 整的字符，部分字符或連在一起的多個字符。像素值代表在某一具體像素位置處文本圖像200的強度值。在一具體實例中，強 度值高代表像素點的圖像顏色亮(或密度低)，該像素點可能是在白背景中。強度值低代表 像素點的圖像顏色暗(或密度高)，該像素點可能在一阿拉伯字符的筆劃中。像素值可以採 用不同的進位體系表示，比如二進位，十進位和十六進位數。參考圖3A-3C，條圖像311包括一圖像320，圖像320包括321-323多個像素，其中 每一像素被賦予一二進位像素值「0」或「1」。像素值「1」代表白背景、像素值「0」代表阿 拉伯字符筆劃中的暗圖像顏色(或者低強度值)。值得注意的是本發明的系統和方法也適 用於多比特二進位像素值，多比特二進位像素值能夠表達多色調等級圖像強度值(例如灰 度)。根據本發明，可以從文本行211或條圖像311-313中提取文本特徵向量(如圖1 的步驟140)。下面結合圖4-8具體討論各種文本特徵提取方法。文本特徵向量的具體形式 可以依據提取方法而變化，如下述所述。步驟140中獲得的特徵向量被輸入到隱馬爾可夫模型(HMM)(如圖1的步驟150) 中。本發明中，HMM可以採用隱馬爾可夫模型工具包(HTK)，HTK是一方便的工具包用於構 建和操作隱馬爾可夫模型。HTK不需要字典而依賴於訓練樣本的字符模型和語法。HMM提 供的概率翻譯能夠接受特徵向量中的模式變化。HTK中的很多功能可以被嵌入到C語言源 代碼的模塊庫中。這些模塊被設計成採用傳統命令行類型接口進行調用，因此易於手寫控 制HTK工具執行。利用包含已知阿拉伯單詞(數據形式副本)的文本圖像中獲得的特徵向量可訓練 HMM(如圖1的步驟160)。進行樣本訓練時，需要為HTK提供一字符模型和一基準。字符建 模單元接收特徵向量和相應的基準估算字符模型。訓練樣本產生的訓練資料用來調整模型 參數，而那些測試樣本產生的訓練結果用來分析系統性能。每一模型狀態代表字母表中的 一字母，每一特徵向量對應於一訓練結果。HTK訓練工具能夠利用準備好的訓練數據調整字 符模型參數，來預測已知的數據形式副本。根據訓練圖像片段的基準來估算HMM參數。這種分割也可用於輪廓以查找分割 點，從這些圖像片段中提取特徵，然後把特徵向量轉換成一訓練資料序列。這種基於圖像分 割的技術採用動態方案以匹配單詞圖像和字符串。訓練階段接收與基準匹配的經仔細檢查 的文本行作為輸入，其中文本對應於文本圖像。然後，每條文本被分成多個狹長的豎直窗 口，從該豎直窗口提取特徵向量。然後使用一字典和一語言模型，利用訓練好的HMM識別特徵向量中的阿拉伯文本 (如圖1的步驟170)。識別階段遵循相同的步驟提取通過訓練階段估算過的不同知識源來 使用的特徵向量以查找具有最高相似度的字符序列。識別工具需要一個網絡系統去描述從 一個模型到另一模型的轉換概率。字典和語言模型可輸入到識別工具中以幫助識別器輸出正確的狀態序列。在一些實例中，參考圖3A-5，條圖像311-313被數位化到一像素321-323的數組 中，每一像素具有一像素值(如圖5的步驟510)。條圖像311，如圖4所示，被分成多個單 元410-460(如圖5的步驟520)。410-460的每一單元包括一組相鄰的像素，比如一 3X3 像素的數組。例如，420單元包括像素422，423和其他像素。每一單元中的像素值隨後被表示為二進位單元編號(如圖5的步驟530)。每一 單元中的像素值首先連續排列。比如，420單元中的322-323這9個像素以三連行1，1，1， 1，0，0，1，0，0的方式連續排列。然後，二進位像素值序列被映射為一 9比特二進位單元編 號。322像素中的像素值被映射到最高位比特，323像素中的像素值被映射到最低位比特。 因此，420單元中的像素值被表示為一 9比特二進位單元編號111100100。同理，410-460單 元中的像素值被轉換為二進位單元編號，即圖4中的480，每一二進位單元編號的取值範圍 都在0和511之間。條圖像311單元中的二進位單元編號隨後被轉換為十進位單元編號，即圖4中的 490(如圖5的步驟M0)。然後十進位單元編號490被排列化形成條圖像311的特徵向量 (如圖5的步驟550)。對於其他條圖像，重複步驟520-550。將從不同條圖像311-313中提 取的特徵向量輸入到一隱馬爾可夫模型中去識別該文本行中的阿拉伯字符(如圖5的步驟 560)。上述結合圖4-5描述的提取方法代表了一種圖1所示文本特徵提取流程的實施方 式。眾所周知，上述文本特徵提取方法同樣適用於數據串的多比特像素值和其他數值表示。 例如，像素值可以採用3-比特或5-比特二進位數表示，這樣能夠在文本圖像中獲得灰度信 息(或多色調)。多比特像素值可提高沿筆劃邊界描述文本特徵的精度。進一步，除了二進位數，像素值可以表示為一最小值與一最大值之間的數值區間。 在一些實施方式中，像素值可被線性標度(或規格化)為一預定區間，比如W，1]或[-1， 1]。像素值因此能夠被量化。特徵向量可通過與步驟530-550相似的步驟獲取。在一些具體實例中，參考圖6，一條圖像610解析度被按比例縮減(即按比例縮 小)以形成一縮小的條圖像620。例如，條圖像610的高可為60像素。縮小後的條圖像620 的高可為20像素，在尺寸上縮小為1/3。縮小後的條圖像620數位化後形成一 630像素數 組，630數組中每一像素標示一像素值。數組630的每一列中的像素值被序列化成一二進位 數。不同列的二進位數構成一數據串640，該數據串640構成一特徵向量。從文本條的條圖 像中獲得的特徵向量被添加到隱馬爾可夫模型以識別該文本行中的阿拉伯字符(如圖5的 步驟560)。參考圖7A，7B，和圖8，與步驟510相似(如圖5所示)，條圖像700數位化為一像 素數組中(如圖8的步驟810)。像素被排列成多列。像素值以單比特二進位數表示，取值 為「1」或「0」。每列的像素值都序列化為一串單比特二進位數(如圖8的步驟830)。接下來，如圖7C和7D所示，計算具有相同二進位像素值「1」和「0」的連續像素的 頻率。計算頻率直到一截止跳變數。將頻率制表形成頻率計數表750和760(如圖8的步 驟850)。為了區分具有相同跳變數但是像素值互補的兩列，例如，0 10 1
8
0 11 01 00 10 11 0頻率計數從一列的頂點像素「 1 」開始統計計數。左列第一個像素值「 1 」的計數為 「0」，接下來像素值「0」的計數為「3」。兩列互補像素值將會得到下列頻率統計結果0 33 22 22 11 00 0眾所周知，不脫離本發明的精神，在每一列開始的最初像素統計也可以以像素值 「0」開始。在頻率計數表750，760中的每一行(如圖7C，7D所示)代表一次像素值上的跳變， 即從一白背景(像素值為「1」)變化到一暗文本區域(像素值為「0」)，反之亦然。為了壓 縮數據，頻率計數表截止到一最大跳變數。頻率計數表750，760每一列中的頻率計數構成一特徵向量(如圖8的步驟860)。 這樣，在當前描述的實例中一列可以作為一個向量。將條圖像中不同列構成的特徵向量輸 入到一隱馬爾可夫模型中(如圖8的步驟870)。基於大量的阿拉伯文本樣本統計分析來確定最大跳變數。如表1所示，大約 99. 31%的列具有6個或者更少的跳變。也就是說，選取6作為截止跳變值，對於絕大多數 的文本圖像都能夠適用。表1、素材中的變化數
權利要求
1.一種自動識別阿拉伯文本的方法，其步驟包括 獲取包含一行阿拉伯字符的文本圖像；將該行阿拉伯字符數位化形成一關於像素的二維數組，每一像素賦予一像素值，其中 像素值採用二進位數表示；將該行阿拉伯字符分為多個條圖像；定義多條圖像中一條圖像中的多個單元，其中每一單元中包含一組相鄰的像素； 將多個條圖像中一條圖像內多個單元的每一單元中的像素值順序排列形成一二進位 單元編號；根據得自多個條圖像中一條圖像的多個單元的二進位單元編號構造一文本特徵向量；將該文本特徵向量提供給一隱馬爾可夫模型以識別該行阿拉伯字符。
2.如權利要求1所述的方法，其特徵在於，進一步包括 將所述二進位單元編號轉換成一十進位單元編號；將得自多個條圖像中一條圖像的多個單元的十進位單元編號順序排列形成一串十進 制單元編號；根據得自多個條圖像中一條圖像的多個單元的該串十進位單元編號構造文本特徵向量。
3.如權利要求1所述的方法，其特徵在於，該像素二維數組包括第一方向上的多行和 第二方向上的多列，該行阿拉伯字符沿該第一方向排列，所述多個條圖像沿該第一方向順 序排列。
4.如權利要求3所述的方法，其特徵在於，該像素二維數組包括N行像素，其中所述多 條圖像中至少一條圖像的高由第一方向的M行限定，寬由第二方向的N列限定，M和N為整 數。
5.如權利要求4所述的方法，其特徵在於，N的取值範圍在2到100之間。
6.如權利要求5所述的方法，其特徵在於，N的取值範圍在3到10之間。
7.如權利要求1所述的方法，其特徵在於，該像素二維數組中的像素值採用單比特二 進位數表示。
8.如權利要求1所述的方法，其特徵在於，該像素二維數組中的像素值採用多比特二 進位數表示。
9.一種自動識別阿拉伯文本的方法，包括 獲取包含一行阿拉伯字符的文本圖像；將該行阿拉伯字符數位化形成一關於像素的二維數組，每一像素賦予一像素值；將該行阿拉伯字符分為多個條圖像；縮小至少其中一個條圖像生成一縮小後的條圖像；將該縮小後的條圖像中的每一列像素中的像素值連續排列形成一串序列編號，其中該 串序列編號構成一文本特徵向量；將該文本特徵向量提供給一隱馬爾可夫模型以識別該行阿拉伯字符。
10.如權利要求9所述的方法，其特徵在於，該像素二維數組包括第一方向上的多行和 第二方向上的多列，其中該行阿拉伯字符沿該第一方向排列，所述多個條圖像沿該第一方向順序排列。
11.如權利要求10所述的方法，其特徵在於，該像素二維數組包括N行像素，其中所述 多條圖像中至少一條圖像的高由第一方向的M行限定，寬由第二方向的N列限定，M和N為 整數。
12.一種自動識別阿拉伯文本的方法，包括 獲取包含一行阿拉伯字符的文本圖像；將該行阿拉伯字符數位化形成一關於像素的二維數組，每一像素賦予一像素值，像素 值採用二進位數表示，其中該像素二維數組包括第一方向上的多行和第二方向上的多列； 計算一列像素中具有相同像素值的連續像素的頻率； 利用從列象素中計算得到的該頻率構造一文本特徵向量； 將該文本特徵向量提供給一隱馬爾可夫模型以識別該行阿拉伯字符。
13.如權利要求12所述的方法，其特徵在於，具有相同像素值的連續像素的頻率計數 至預先設定的跳變截止值。
14.如權利要求13所述的方法，其特徵在於，該跳變截止值為6。
15.如權利要求12所述的方法，其特徵在於，該二維數組中的像素值採用單比特二進 制數表示。
16.如權利要求15所述的方法，其特徵在於，計算頻率的步驟包括從列像素中像素值 為「1」的像素開始計數。
17.如權利要求16所述的方法，其特徵在於，如果列中的第一個像素的像素值為「0」， 則頻率計數為「0」。
18.一種自動識別阿拉伯文本的系統，其特徵在於，包括一可用於計算機的介質，該介 質內嵌計算機可讀程序功能，使計算機獲取一包含一行阿拉伯字符的文本圖像；數位化該行阿拉伯字符形成一關於像素的二維數組，每一像素賦予一像素值，其中像 素值採用二進位數表示；將該行阿拉伯字符分為多個條圖像；該關於像素的二維數組包括第一方向上的多行和 第二方向上的多列，其中該行阿拉伯字符沿該第一方向排列，多個條圖像沿該第一方向順 序排列，條圖像寬的取值範圍為2到100列像素；在多個條圖像的一條圖像中定義多個單元，每一單元中包含一組相鄰的像素； 將多個條圖像的一條圖像內多個單元的每一單元中的像素值連續排列形成一個二進 制單元編號；根據得自多個條圖像中一條圖像的多個單元的二進位單元編號構造一文本特徵向量；將該文本特徵向量提供給一隱馬爾可夫模型以識別該行阿拉伯字符。
19.如權利要求18所述的系統，其特徵在於，嵌入到媒體中的該計算機可讀程序代碼 使計算機將所述二進位單元編號轉換成一十進位單元編號；將得自多個條圖像中一條圖像的多個單元的十進位單元編號順序排列形成一串十進 制單元編號；根據得自多個條圖像中一條圖像的多個單元的該串十進位單元編號構造文本特徵向量。
20.如權利要求18所述的系統，其特徵在於，該像素二維數組包括N行像素，其中所述 多條圖像中至少一條圖像的高由第一方向的M行限定，寬由第二方向的N列限定，M和N為 整數。
全文摘要
本發明自動識別阿拉伯文本的方法包括將一行阿拉伯字符數位化形成一關於像素的二維數組，每一像素賦予一像素值，其中像素值採用二進位數表示；將該行阿拉伯字符分為多個條圖像；在多條圖像的一條圖像中定義多個單元，每一單元中包含一組相鄰的像素；將多個條圖像的一條圖像內多個單元的每一單元中的像素值連續排列形成一二進位單元編號；根據得自多個條圖像中一條圖像的多個單元的二進位單元編號構造文本特徵向量；將該文本特徵向量提供給一隱馬爾可夫模型以識別該行阿拉伯字符。
文檔編號G06K9/62GK102142088SQ20101025834
公開日2011年8月3日 申請日期2010年8月17日 優先權日2010年8月17日
發明者侯塞因K·艾爾奧瑪依, 哈利德M·艾爾法依夫, 穆罕默德S·卡爾希德 申請人:侯塞因K·艾爾奧瑪依, 哈利德M·艾爾法依夫, 穆罕默德S·卡爾希德