odr

Optical Document Recognition/光学文档识别

《一种基于视觉词汇的文本分类方法》配套代码

尝试的方向

基于视频词汇的文本图片分类 相对于“图片-（ocr）->文本->分类”的方法，省略ocr的步骤，可以降低整体复杂度，同时适应特殊文本的分类，比如数学公式、图表、化学方程式等。

正在尝试的方案

• 视频词汇提取(同方案1)
• 聚类多维度词汇
  • 计算多种特征，如使用不同分辨率计算hog、daisy
  • 对每种特征词汇使用MiniBatchKMeans聚类
• 学习分类模型
  • 计算每类词汇的tf-idf并合并，PCA，训练svc

当前方案存在的问题

• 需要尝试选取不同的特征
• 训练和识别效率低下

已经尝试的方案1

• 视频词汇提取
  • 拟合直线调整图片大小和方向
  • erode/erode 提取文本行
  • 根据列像素值变化曲线切割成文字，选取不同宽度进行多次切割（提取的词汇，在图像上看是有重叠的）
• 聚类得到词汇
  • 计算hog、daisy特征
  • DBSCAN/MiniBatchKMeans 聚类
• 学习分类模型
  • 计算tf-idf，PCA，训练svc

方案1存在的问题

• DBSCAN聚类效果好，但样本数多以后聚类慢，内存消耗大，且无法分批学习
• MiniBatchKMeans聚类效果差，高频但不相关的词汇容易被聚成一类

计划尝试的方案