Tesseract for Multilingual OCR paper

TesseractMultiLingual.pdf

1.09MB

 

 

가볍게 skim through했는데, 아직 딥러닝이 활용되지 않던 2009년에 발표된 논문이라 그런지 규칙과 통계 기반의 원리가 많이 설명되어 있다 (hard-coding 되어 있기도 했다). 즉, 이 논문은 traditional한 방식의 OCR의 workflow를 볼 수 있는 자료이다. 

그럼에도 불구하고, 한 가지 얻어갈 수 있는 것은 그런 전통적인 방식에서 preprocessing에 대한 insight을 얻을 수도 있다. 특히 내가 좀 흥미롭게 본 부분은, page-layout analysis 이후에 글의 line을 찾는 과정에서 x-height에 대한 추론을 위해 histogram sum에서 가장 자주 발생하는 것을 line으로 간주하는 방식이다. OCR하려고 하는 대상이 print된 정형적인 형식의, 한 줄 한 줄 잘 typing된 형식의 data라면 상당히 간단한 방식으로 그 글의 line height을 추론할 수 있다고 생각한다. 

---

제 목: Tesseract OCR: Text localization and detection (reference [1] 참고)

2020년 5월 25일 포스팅

텍스트 탐지의 개념

  텍스트 탐지는 이미지 텍스트가 있는 구역을 찾는(localization) 과정이다. 텍스트 탐지는 객체 탐지의 특수한 종류라고도 생각할 수 있다. 객체 탐지에서의 목표는 아래 <그림 1>과 같이 (1) 이미지 내부에 있는 모든 객체의 바운딩 박스를 탐지하는 것과 (2) 각 바운딩 박스의 클래스 레이블을 판단하는 것이다.

<그림 1> 객체 탐지의 예시

   텍스트 탐지에서 우리의 목표는 자옹적으로 이미지 내부에서 모든 텍스트의 바운딩 박스를 탐지하는 것이다. 

<그림 2> 텍스트 탐지 예시 

  이미지 내부에서 텍스트가 탐지되고 나면, 우리는 OCR 프로그램을 활용하여 어떤 글자인지 해독할 수 있다.

 

---

Reference

[1] Tesseract OCR: Text localization and detection - PyImageSearch