( )

Size: px

Start display at page:

Download "( )"

ゆたかやまのかみしゃ
5 years ago
Views:

1 NAIST-IS-MT

2 ( )

3 Gabor Gabor Gabor, NAIST-IS- MT , i

4 Feature Extraction by Directional Edge Component Projection Method From Gray-scale Character Images Hiroshi Yoshimura Abstract We proposeagray-scale character recognition method that uses Gabor features. To form a feature vector to be classied, we accumulate the extracted Gabor features along projection lines in local regions, and then categorize them with a standard LVQ classier. The projective accumulation provides robustness under character deformation caused by variation of font types or imprecise segmentation. We compare the proposed method by experiments with a typical OCR method, for which correct binarization is advantageously given. The proposed method attains 84.4% correct recognition rate, and furthermore 90.8% when using improved feature vectors, while the compared method does 77.0%. The robustness under character deformation of 5% of character size is conrmed by an experiment. The proposed method solves diculties of character recognition in video indexing binarization against a complex background and low resolution. Keywords: character recognition, gra-scale character image, Gabor lter, edge feature, video indexing Master's Thesis, Department of Information Systems, Graduate School of Information Science, Nara Institute of Science and Technology, NAIST-IS-MT , February 14, ii

5 Gabor : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 37 iii

6 iv

7 1 : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 3 3 Gabor : : : : : : : : : : : : : : : : : : : : : 8 4 : : : : : : : : : : : : : 10 5 : : : : : : : : : : : : : : : : : 13 6 : : : : : : : : : : : : : : : : : : : : : : : : 15 7 : : : : : : : : : : : : : : : : : : 16 8 : : : : : : : : : : : : : : : : : : : : : : : : : : : : 19 9 : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 41 v

8 1 2 : : : : : : : : : : : 24 2 : : : : : : : : : 28 3 : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 40 vi

9 1. [1] [2] [3] [4] [5] [6] 2 Gabor [7] Gabor 2 [8] 2 Gabor [9] [10] [11] [12] [13] 2 3 1

11 ørù øaù+ z økù øxù+ z 0 z 2o{ß 2 2 3

12 2. 30 [9] [14] [14] [15] [16] 2 2 R A 2 4

13 L.Wang Pavlidis [2] Nishida [5] G Srikantan [6] Sobel 2 1 5

14 6

15 3. Gabor [12] 3.1 Gabor Gabor Gabor Gauss [7] 2 Gabor 2 Gauss Gabor Gabor 1 [17] Gabor x y Gabor! Gabor Gabor h(x y) h(x y) = g(x0 y0)exp(2i!x0) g(x y) = expf;[(x x) 2 +(y= y ) 2 ]=2g 2 x y (x0 y0) = (x cos + y sin ;x sin + y cos ) h(x y) 2 Gabor Gabor 2 [8]! =0:12 x =4:0 y =4:0 7

16 ^ zç002 ^ zç0452 I¹Ý ^ zç0902 ^ zç01352 Gabor ^ z ¹Ý 3 Gabor Gabor = Gabor 8

17 3.2 Gabor Gabor = ( 4 ) Gabor 9

18 ÍÇ0 ítý0æ ítý45æ ítý90æ ítý135æ 4 10

19 n Gabor. 3. n k k k 2 t. 4. m l 1 m, n k 2 l m n k 2 l m. 5.. n =4 6 4 = = k = l n (n-1) 1 11

20 m k =2 3 m =6 k =4 m =4 t n = k =4 1 l =1 4 m =

21 6464 pixel 0æ 45æ I z ¹Ýp_u\Ù{ 90æ 135æ Gabor ^ z ª 0æ 45æ c~sç0 90æ 135æ 5 13

22 = Windows

23 c~sç0 c~s.») -Ç01 Í c~s.») /å-ç01 Í

24 ˆ ½ Ž Œ Š ˆ Íð2 Í Œ2 Í 2 ^ z Ç0 ð2 ÍˆŠŒ2 Íð2 Í Œ2 Í 2 ^ z Ç0 ôõ2 ÍˆŠŒ2 Íð2 Í Œ2 Í 2 ÍˆŠŒ2 ^ z Ç0 ùð2 Íð2 Í Œ2 Í 2 ÍˆŠŒ2 ^ z Ç0 ñóõ2 7 16

25 Gabor 26 = Gabor [19] = = LVQ [20] 3. 17

26 4. LVQ [20] LVQ Windows 1. ; =

Gothic Light" "Courier New" "Garamond" "Impact" "Lucida Console" "Lucida

27 8 Windows "Arial" "Arial Black" "Arial Narrow" "Book Antiqua" "Bookman Old Style" "Calisto MT" "Century" "Copperplate Gothic Bold" "Copperplate Gothic Light" "Courier New" "Garamond" "Impact" "Lucida Console" "Lucida Sans Unicode" "News Gothic MT" "Tahoma" "Times New Roman" "Verdana"

28 [18]

29 ¹ñ ¹ò ¹ó ¹ô ¹õ ¹ö ¹ 9 21

30 I¹Ý 2o¹Ý I¹Ý 2o¹Ý

31 Gabor

32 1 2 (%) 2 (%)

33 n k n =4 6 4 = = k = n (n-1) 1 25

36 2 (%)

37 z èæé ˆ Œ Œ ŽŒ Ž Œ ŒŒ Œ Í<)1Ç0 ˆ ñ½ô^ ^ zç0 ô ^ zç0 ö 12 Í z èæé ˆ Œ Œ ŽŒ Ž Œ ŒŒ Œ ˆ ñ½ô^ ^ zç0 ô ^ zç0 ö 13 29

38 z èæé ˆ Œ Œ ŽŒ Ž Œ ŒŒ Œ Í/å1B ˆ ñ½ô^ ^ zç0 ô ^ zç0 ö 14 ÍÇ0-K Í z èæé ˆ Œ Œ ŽŒ Ž Œ ŒŒ Œ ˆ ñ½ô^ ^ zç0 ô ^ zç0 ö 15 30

39 ^ zôç0 Œ z èæé Œ ŽŒ Ž Œ ñ½ô^ôô^ ñ½ô^ùô^ ñ½ô^ˆ Ô^ ŒŒ Œ Í<) ôç0 c~s óç0 ÍÇ: c~s/å1b ñç0 K Í 16 4 ^ zöç0 Œ z èæé Œ ŽŒ Ž Œ ñ½ô^ôô^ ñ½ô^ùô^ ñ½ô^ˆ Ô^ ŒŒ Œ Í<) öç0 c~s õç0 ÍÇ: c~s/å1b ñç0 K Í

40 LVQ

42 ÏÎO 5æ 10æ 15æ 20æ 25æ JJÏÎ À 18 34

43 Œ Œ z èæé ŽŒ Ž Œ ŒŒ KÇ0 Í c~s. Í c~s./å1b Í Ç0 Í-± Í»»:è o¹ýzé Œ Œ ˆ ˆŒ Œ ÏÎO è <p_u.»n 'é 19 35

44 [22] n X S t S t = (1) i ( 1 2 n ) i ( = [ 1 2 n ]) n z i = T X (i =1 2 n) i n 0 n 0 Z =(z 1 z 2 z 0 ) Z

45 m :

46 F [21] F [23] ;

47 Õ o ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ 40 è» +é 20 Í èæé ˆ ˆ ˆ ˆ ˆ ˆ 40 è» +é 21 39

48 3 (%)

49 z èæé Ž Ž Ž Ž ˆ

51 ,.,.,. 43

52 ,. OB M1. 44

53 [1] R. Lienhart : \Automatic text recognition for video indexing", Proc. ACM Multimedia 96, pp [2] L. Wang and T. Pavlidis: \Direct gray-scale extraction of features for character recognition", IEEE Trans. Pattern Analysis and Machine Intelligence Vol. 15 No. 10, pp [3] J. C. Pettier and J. Camillerapp: \Script representation by a generalized skeleton", Proc. 2nd. International Conference on Document Analysis and Representation, pp [4] S. W. Lee and Y. J. Kim: \Direct extraction of topographic features for gray scale character recognition", IEEE Trans. Pattern Analysis and Machine Intelligence Vol. 17 No. 7, pp , July 1995 [5] H. Nishida: \ Boundary extraction from gray-scale document images based on surface data structures", Graphical Models Image Process. Vol. 60 No. 1, Jan., pp [6] G. Srikantan, S.W. Lam, and S.N. Srihari: \Gradient-based contour encoding for character recognition", Pattern Recognition, Vol. 29, No. 7, pp [7] D.Gabor : Theory of communication J. Institute of Elec. Eng., Vol. 93, pp [8] W. Freeman, E. Adelson: Steerable lters for early vision Image Analysis and Wavelet Decomposition, pp , Proc. 3rd International Conference on Computer Vision, 1990 [9] : Gabor PRU pp Jan

54 [10] : Gabor D-II Vol. J79-D-II No. 2 pp Feb [11] : Gabor PRMU96-27 Jun [12] : H [13] : 59 (2) p [14] : D Vol. J66-D no. 10 pp Oct [15] : D Vol. J77-D No. 7 pp July 1987 [16] : D-II Vol. J74-D-II No. 3 pp March 1991 [17] J.G.Daugman : Complete discrete 2-D gabor transforms by neural networks for image analysis and compression IEEE Trans. on Acoustics Speech and Signal Processing Vol. 36 no. 7 pp July 1988 [18] : Vol. J63-D No [19] : NARA NC91-31 pp

55 [20] T.Kohonen : Learning vector quantization for pattern recognition Helsinki University oftechnology, Report TKK-F-A601, Nov [21] : D-II Vol. J78-D-II No. 11 pp Nov [22] : [23] K.Fukunaga : Introduction to Statistical Pattern Recognition Second Edition Academic Press

4. C i k = 2 k-means C 1 i, C 2 i 5. C i x i p [ f(θ i ; x) = (2π) p 2 Vi 1 2 exp (x µ ] i) t V 1 i (x µ i ) 2 BIC BIC = 2 log L( ˆθ i ; x i C i ) + q

4. C i k = 2 k-means C 1 i, C 2 i 5. C i x i p [ f(θ i ; x) = (2π) p 2 Vi 1 2 exp (x µ ] i) t V 1 i (x µ i ) 2 BIC BIC = 2 log L( ˆθ i ; x i C i ) + q x-means 1 2 2 x-means, x-means k-means Bayesian Information Criterion BIC Watershed x-means Moving Object Extraction Using the Number of Clusters Determined by X-means Clustering Naoki Kubo, 1 Kousuke