Оптическое распознавание символов

(англ. optical character recognition, OCR ) — это механический или электронный перевод изображений рукописного, машинописного или печатного текста в последовательность кодов, использующихся для представления в текстовом редакторе. Распознавание широко используется для конвертации книг и документов в электронный вид, для автоматизации систем учета в бизнесе или для публикации текста на веб-странице. Оптическое распознавание текста позволяет редактировать текст, осуществлять поиск слова или фразы, хранить его в более компактной форме, демонстрировать или распечатывать материал, не теряя качества, анализировать информацию, а также применять к тесту электронный перевод, форматирование или преобразование в речь. Оптическое распознавание текста является исследуемой проблемой в областях распознавания образов, искусственного интеллекта и компьютерного зрения.

Системы оптического распознавания текста требуют калибровки для работы с конкретным шрифтом; в ранних версиях для программирования было необходимо изображение каждого символа, программа одновременно могла работать только с одним шрифтом. В настоящее время больше всего распространены так называемые «интеллектуальные» системы, с высокой степенью точности распознающие большинство шрифтов. Некоторые системы оптического распознавания текста способны восстанавливать исходное форматирование текста, включая изображения, колонки и другие нетекстовые компоненты.


1. История

В 1929 году Густав Таушек получил патент на метод оптического распознавания текста в Германии, после чего за ним последовал Гендель, получив патент на свой метод в США в 1933. В 1935 году Таушек также получил патент США на свой метод. Машина Таушека представляла собой механическое устройство, которое использовало шаблоны и фотодетектор.

В 1950 году Дэвид Х. Шепард, криптоаналитик из агентства безопасности вооружённых сил Соединённых Штатов, проанализировав задачу преобразования печатных сообщений в машинный язык для обработки компьютером, построил машину, решающую данную задачу. После того как он получил патент США, он сообщил об этом в «Вашингтон Дэйли Ньюз» (27 апреля 1951) и в «Нью-Йорк Таймс» (26 декабря 1953).

Затем Шепард основал компанию, разрабатывающую интеллектуальные машины, которая вскоре выпустила первые в мире коммерческие системы оптического распознавания символов.

15 стр., 7366 слов

Разработка автоматизированной информационной системы для электронного ...

... на тему: Разработка автоматизированной информационной системы для электронного документооборота образовательных учреждений Предоставленный на рецензию дипломный проект состоит из программы и пояснительной записки, состоящей из текста и иллюстри рованного материала на 5 листах. В дипломном ...

Первая коммерческая система была установлена на «Ридерс Дайджест» в 1955 году. Вторая система была продана компании «Стэндарт Ойл» для чтения кредитных карт для работы с чеками. Другие системы, поставляемые компанией Шепарда, были проданы в конце 1950-х годов, в том числе сканер страниц для национальных воздушных сил США, предназначенный для чтения и передачи по телетайпу машинописных сообщений. IBM позже получила лицензию на использование патентов Шепарда.

Примерно в 1965 году «Ридерс Дайджест» и «Ар-Си-Эй» начали сотрудничество с целью создать машину для чтения документов, использующую оптическое распознавание текста, предназначенную для оцифровки серийных номеров купонов «Ридерс Дайджест», вернувшихся из рекламных объявлений. Для печати на документах барабанным принтером «Ар-Си-Эй» был использован специальный шрифт OCR-A. Машина для чтения документов работала непосредственно с компьютером RCA 301 (один из первых массивных компьютеров).

Скорость работы машины была 1500 документов в минуту: она проверяла каждый документ, исключая те, которые она не смогла обработать правильно.

Почтовая служба Соединённых Штатов с 1965 года для сортировки почты использует машины, работающие по принципу оптического распознавания текста, созданные на основе технологий, разработанных исследователем Яковом Рабиновым. В Европе первой организацией, использующей машины с оптическим распознаванием текста, был британский почтамт. Почта Канады использует системы оптического распознавания символов с 1971 года. На первом этапе в центре сортировки системы оптического распознавания символов считывают имя и адрес получателя и печатают на конверте штрих-код. Он наносится специальными чернилами, которые отчётливо видимы в ультрафиолетовом свете. Это делается, чтобы избежать путаницы с полем адреса, заполненным человеком, которое может быть в любом месте на конверте.

В 1974 году Рэй Курцвейл создал компанию «Курцвейл Компьютер Продактс», и начал работать над развитием первой системы оптического распознавания символов, способной распознать текст, напечатанный любым шрифтом. Курцвейл считал, что лучшее применение этой технологии — создание машины чтения для слепых, которая позволила бы слепым людям иметь компьютер, умеющий читать текст вслух. Данное устройство требовало изобретения сразу двух технологий — ПЗС планшетного сканера и синтезатора, преобразующего текст в речь. Конечный продукт был представлен 13 января 1976 во время пресс-конференции, возглавляемой Курцвейлом и руководителями национальной федерации слепых.

В 1978 году компания «Курцвейл Компьютер Продактс» начала продажи коммерческой версии компьютерной программы оптического распознавания символов. Два года спустя Курцвейл продал свою компанию корпорации «Ксерокс», которая были заинтересована в дальнейшей коммерциализации систем распознавания текста. «Курцвейл Компьютер Продактс» стала дочерней компанией «Ксерокс», известной как «Скансофт».


2. Текущее состояние технологии оптического распознавания текста

Точное распознавание латинских символов в печатном тексте в настоящее время возможно только если доступны чёткие изображения, такие как сканированные печатные документы. Точность при такой постановке задачи превышает 99%, абсолютная точность может быть достигнута только путем последующего редактирования человеком. Проблемы распознавания рукописного «печатного» и стандартного рукописного текста, а также печатных текстов других форматов (особенно с очень большим числом символов) в настоящее время являются предметом активных исследований.

Точность работы методов может быть измерена несколькими способами и поэтому может сильно варьироваться. К примеру, если встречается специализированное слово, не используемое для соответствующего программного обеспечения, при поиске несуществующих слов, ошибка может увеличиться.

Распознавание символов он-лайн иногда путают с оптическим распознавания символов. Последний — это офф-лайн метод, работающий со статической формой представления текста, в то время как он-лайн распознавание символов учитывает движения во время письма. Например, в он-лайн распознавании, использующем PenPoint OS или планшетный ПК, можно определить, с какой стороны пишется строка: справа налево или слева направо.

Он-лайн системы для распознавания рукописного текста «на лету» в последнее время стали широко известны в качестве коммерческих продуктов. Алгоритмы таких устройств используют тот факт, что порядок, скорость и направление отдельных участков линий ввода известны. Кроме того, пользователь научится использовать только конкретные формы письма. Эти методы не могут быть использованы в программном обеспечении, которое использует сканированные бумажные документы, поэтому проблема распознавания рукописного «печатного» текста по-прежнему остается открытой. На изображениях с рукописным «печатным» текстом без артефактов может быть достигнута точность в 80 % — 90 %, но с такой точностью изображение будет преобразовано с десятками ошибок на странице. Такая технология может быть полезна лишь в очень ограниченном числе приложений.

Ещё одной широко исследуемой проблемой является распознавание рукописного текста. На данный момент достигнутая точность даже ниже, чем для рукописного «печатного» текста. Более высокие показатели могут быть достигнуты только с использованием контекстной и грамматической информации. Например, в процессе распознания искать целые слова в словаре легче, чем пытаться проанализировать отдельные символы из текста. Знание грамматики языка может также помочь определить, является ли слово глаголом или существительным. Формы отдельных рукописных символов иногда могут не содержать достаточно информации, чтобы точно (более 98 %) распознать весь рукописный текст.

Для решения более сложных проблем в сфере распознавания используются как правило интеллектуальные системы распознавания, такие как искусственные нейронные сети.


3. Программы распознавания

Название Лицензия Операционные системы Заметки
ExperVision TypeReader & RTK Коммерческая [уточнить ] Windows, Mac OS X, Unix, Linux, OS/2 Получала высокие оценки в начале 1990-х.
ABBYY FineReader Коммерческая собственническая Windows; Linux, Mac OS (не для конечного потребителя) Для работы с различными языками требуется поддержка соответствующего языка.
OmniPage Коммерческая (Nuance EULA) [уточнить ] Windows, Mac OS Производство Nuance Communications
Readiris Коммерческая [уточнить ] Windows, Mac OS Производство бельгийской I.R.I.S. Group. Содержит региональные пакеты для распознавания азиатских языков и языков среднего востока.
Persian Reader Коммерческая [уточнить ] Windows Специализируется на персидском языке (фарси).

Kirtas Technologies Arabic OCR Коммерческая Windows Может распознавать арабские и английские символы на одной странице.
Zonal OCR Коммерческая [уточнить ] Windows Zonal OCR помогает автоматизировать извлечение данных из компьютерных изображений.
ViewWise компании Computhink Коммерческая [уточнить ] Windows Система управления документами
CuneiForm BSD Windows (с GUI), Linux, Mac OS, FreeBSD (CLI) Промышленная многоязычная система, умеет сохранять форматирование текста и распознаёт запутанные таблицы произвольной структуры
GOCR GPL Кросс-платформенная В начальной стадии разработки
Microsoft Office Document Imaging Коммерческая Windows, Mac OS X
Microsoft Office OneNote 2007 Коммерческая Windows
NovoDynamics VERUS Коммерческая? [уточнить ] ? Специализируется на языках среднего востока
Ocrad GPL Unix-like, OS/2
Brainware Коммерческая [уточнить ] Windows Извлечение данных из документов и их обработка — например, счета, извещения, накладные и платёжки
HOCR GPL Linux Распознавание текстов на иврите
OCRopus Apache Linux Расширяемая система распознавания, которая может использовать Tesseract
ReadSoft Коммерческая [уточнить ] Windows Сканирование, распознавание и классификация деловых бумаг, например, договоров, счетов и платёжных поручений.
RelayFax Network Fax Manager

компании Alt-N Technologies

Коммерческая [уточнить ] Windows Многоязычная система, используется для преобразования факсов в доступные для правки форматы документов (doc, pdf и т. д.).

Scantron Cognition Коммерческая [уточнить ] Windows Для работы с различными языками требуется поддержка соответствующего языка.
SILVERCODERS OCR Server Коммерческая [уточнить ] Linux Серверная многоязычная система, имеет высокое качество распознавания, может сохранять форматирование текста и распознаёт запутанные таблицы произвольной структуры
SimpleOCR Freeware и коммерческая версии Windows
SmartScore Коммерческая [уточнить ] Windows, Mac OS Для распознавания нотной записи
Tesseract Apache Windows, Mac OS X, Linux, OS/2 Разрабатывается компанией Google
WeOCR MIT/X Consortium Интерфейс: Браузер; Сервер: POSIX, Unix Платформа для браузерных систем распознавания символов. Страница проекта: WeOCR
FreeOCR Apache Интерфейс: Браузер; Сервер: POSIX, Unix Платформа для браузерных систем распознавания символов. Использует Tesseract. Большое количество поддерживаемых языков. Страница проекта: FreeOCR
img2txt Коммерческая собственническая Интерфейс: Браузер; Сервер: POSIX, Linux Online OCR-сервис, позволяет распознать многоязычный текст из сканированного документа или фотографии. Конвертирует результат в редактируемые форматы (RTF, TXT, HTML).

FineReaderOnline.ru Коммерческая Интерфейс: Браузер Online OCR-сервис, позволяющий распознать многоязычный текст из отсканированного документа или фотографии. Конвертирует результат в редактируемые форматы (PDF, PDF/A, DOC, RTF, XLS, TXT).

На данный момент до 10 страниц в день можно распознавать бесплатно.

OnlineOCR.ru Коммерческая Интерфейс: Браузер Online OCR-сервис, позволяет распознать многоязычный текст из сканированного документа или фотографии. Конвертирует результат в редактируемые форматы (PDF, DOC, XLS, TXT, HTML)
NewOCR.com Коммерческая Интерфейс: Браузер Online OCR-сервис, позволяет распознать многоязычный текст из сканированного документа или фотографии. Поддерживает 29 языков (болгарский, каталанский, чешский, датский, голландский, английский, финский, французский, немецкий, греческий, венгерский, индонезийский, итальянский, латышский, литовский, норвежский, польский, португальский, румынский, русский, сербский, словацкий, словенский, испанский, шведский, тагалог, турецкий, украинский, вьетнамский) и распознает текст, отформатированный в несколько колонок.
COCR2 Бесплатная Windows 9X, ME, 2000, XP Программа для распознавания упрощенных и традиционных китайских иероглифов. Основное ограничение программы: для каждого иероглифа пользователь должен сам выбирать вариант его распознавания с помощью мыши или клавиатуры. Количество распознаваемых иероглифов довольно велико — более 10000.
RasterID Коммерческая Windows 9X, ME, 2000, XP, Vista, Win7 Программа, позволяющая сканировать и обрабатывать растровые изображения, а также автоматизировать регистрацию отсканированных изображений в электронном архиве или системе документооборота. Позволяет распознавать данные из штампа — основной надписи чертежей — и заносить их в базу данных. Страница разработчика: CSoft
LiveOCR Бесплатная Интерфейс: Браузер Cервис оптического распознавания символов, позволяющий файлы форматов JPG, JPEG, BMP, PNG, GIF, содержащих текст, конвертировать в файлы формата RTF.
CrystalOCR Коммерческая Windows 9X, ME, 2000, XP, Vista, Win7 Современная, развивающаяся система оптического распознавания текста. Разрабатывается компанией Nicomsoft.

Данный реферат составлен на основе .