印刷体汉字识别后处理方法的研究

• 作者: 孙俊 张宏涛 朱小燕 龙翀
• 来源期刊: 中文信息学报
• 学科: 工学
• 关键词: 计算机应用 中文信息处理 汉字识别 OCR 语言模型 后处理
• 年，卷（期）: 2009,（6）
• 页码范围: 67-71
• 页数: 5页
• 分类号: TP391
• 字数: 4247字
• 语种: 中文
• DOI: 10.3969/j.issn.1003-0077.2009.06.010

摘要

高阶N-gram语言模型在OCR后处理方面有着广泛的应用,但也面临着因模型复杂度大导致的数据稀疏,以及耗费较多的时空资源等问题.该文针对印刷体汉字识别的后处理,提出了一种基于字节的语言模型的后处理算法.通过采用字节作为语言模型的基本表示单位,模型的复杂度大大降低,从而数据稀疏问题得到很大程度上缓解.实验证明,采用基于字节的语言模型的后处理系统能够以极少的时空开销获取很好的识别性能.在有部分分割错误的测试集上,正确率从88.67%提高到了98.32%,错误率下降了85.18%,运行速度较基于字以及基于词的系统有了大幅的提升,提高了后处理系统的综合性能;与目前常用的基于词的语言模型后处理系统相比,新系统能够节省95%的运行时间和98%的内存资源,但系统识别率仅降低了1.11%.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	孙俊		3	126	3.0	3.0