[发明专利]一种基于HMM-GMM的自动文字图片切分方法及系统

说明书

技术领域

本发明涉及图像识别领域，特别涉及一种基于HMM-GMM的自动文字图片切分方法及系统。

背景技术

随着视听设备的丰富，人们对图像识别技术的需求也在迅猛增长；在众多的图像识别技术中，对图像文字的识别技术显得尤为重要，这是因为图像文字往往比单纯图像包含更加重要的可利用信息，而且图像文字识别技术所应用的领域也很重要，比如说：银行签名的识别，交通管理网络中对于车牌号的追踪和识别，网络安全中对于验证码的识别；这些应用都关系到重要的经济活动或者社会管理活动。

而在进行文字图像识别时，首先需要将图像中的字符串切分开，形成包含单个文字的小图片，然后将单个的文字图片送入分类器进行文字识别；传统的光学文字识别(OCR)系统进行文字切分最常用的方法为投影法，即是将图像文字二值化处理后，通过垂直投影密度找到两个文字之间的分界线。当图片没有噪音的情况下该方法非常简单易用，但是这种方法具有先天缺陷：无法很好的解决左右偏旁构建的汉字。为了解决左右结构的汉字图片切分文字，通常采用“切分-识别-合并”的方法或者设置文字尺寸阈值的方法来判断文字之间的切分点；这样方法计算复杂，切分效率低下；而且当图片存在无法很好去掉的噪音的时候，投影法将存在很大的误差，而这种情况是非常常见的；传统方法切分判断效率低下的主要原因还在于切分依据单一(垂直方向的投影密度，忽略了水平方向的重要信息)。

为了更好的对图片数据进行存储与分析，这就将产生大量的文字图片的识别需求。由于文字图片存在非常多的样式，比如文字的大小、字体、语言、噪音等，传统的OCR方法针对每一个新的识别任务，都需要开发一个新的工具进行文字图片切分，这将耗费大量的人力成本；严重的影响文字切分的效率；开发出针对特定任务的快速自动文字识别系统变得非常有意义。

发明内容

本发明的目的在于克服现有技术中所存在的上述不足，提供一种基于HMM-GMM的自动文字图片切分方法及系统。将待处理文字图片转换成时序数据，依次提取特征观测值序列O_1.....T＝[o₁...o_T]；在提取出特征观测值序列的基础上，使用HMM-GMM对待处理文字图片中的每一字符进行序列建模，完成HMM模型训练；根据待识别文字图片的观测值序列O_1.....L＝[o₁...o_L]，使用Viterbi算法计算出得到O_1.....L＝[o₁...o_L]概率最大的对应隐含状态序列S_1...L，根据S_1...L与HMM的对应关系找到文字图片的切分点；进而实现文字图片切分的自动化。本发明方法系统通过HMM-GMM将垂直信息和水平信息结合起来，得到文字切分的依据更加合理，同时选取的特征的不同能够得到不同文字切分依据，使得文字的切分依据更加多样化，有利于减小噪声污染对文字切分的不利影响；此外本发明方法使用HMM-GMM对文字切分的自动化程度较高，在图像文字识别中具有较高的普适性，显著的提高了文字图片的切分效率。

为了实现上述发明目的，本发明提供了以下技术方案：

一种基于HMM-GMM的自动文字图片切分方法，包含以下实现步骤：

(1)根据待识别文字图片所包含的字符集，选取对应的图片作为待处理子图片，并根据待处理子图片构建待处理文字图片，将待处理文字图片转换成时序特征的数据，并提取特征；

(2)对待处理文字图片中的每一字符构建对应的HMM，并使用GMM来估计HMM中的概率分布；

(3)根据待识别文字图片的大小构建相应的解码网络，提取待识别图片的观测值序列O_1.....L＝[o₁...o_L]；使用Viterbi算法，找出概率最大的对应隐含状态序列S_1...L；并根据此隐含状态序列与所述步骤(2)中字符的HMM对应关系，找出文字的切分点。

其中所述步骤(1)的具体实现过程如下：