Reconnaissance de Caractères Imprimés Omni

SETIT 2005
3rd International Conference: Sciences of Electronic,
Technologies of Information and Telecommunications
March 27-31, 2005 – TUNISIA
Reconnaissance de Caractères Imprimés Omni-fonte
Abdelhak Boukharouba * et Abdelhak Bennia **
*
Département d’Electronique, Université du 08 Mai 45, Guelma, Algérie
[email protected]
**
Département d’Electronique, Université Mentouri de Constantine, Algérie
[email protected]
Résumé: Dans ce travail, on présente une méthode de reconnaissance de caractères à partir d’un texte imprimé. L’étude
est basée sur l’analyse optique du texte, un pré-traitement de l’image permet de réduire le bruit et de rendre l’image
binaire. La projection horizontale isole les lignes, la projection verticale isole les mots, divise le mot en caractères et
détecte la position du caractère dans le mot. Les moments des projections verticale, horizontale et selon les deux
diagonales du caractère sont les paramètres du vecteur de caractéristiques. La classification est réalisée par une
simulation connexionniste à base de réseaux de neurones multicouches.
Les résultats montrent que le système est assez performant, mais qu’il n’est pas parfait. Les scores faibles pour
certaines fontes ou inférieurs à 100% pour d’autres, pourtant faciles à traiter, montrent encore une fois la limite de la
reconnaissance des caractères qu’il faut donc compléter par une reconnaissance plus contextuelle, celle des mots par
exemple.
Mots clés: Classification, reconnaissance de caractères, réseaux de neurones artificiels, segmentation.
1. Introduction
Le but de la reconnaissance de texte imprimé est
de transformer ce dernier en une représentation
compréhensible par une machine, et facilement
reproductible par un traitement de texte, ceci n’est pas
toujours facile du moment que les mots peuvent avoir
plusieurs représentations, différentes polices et
différents styles de caractères (Gras, Italiques,…, etc.)
[1], [2].
On a trois familles de systèmes de
reconnaissance optique de caractères (OCR), à savoir
les systèmes de reconnaissances mono-fonte, multifonte ou omni-fonte. Un système d’OCR mono-fonte
reconnaît les caractères d’une fonte bien déterminée.
Les systèmes d’OCR multi-fonte permettent la
reconnaissance des caractères de plusieurs fontes,
toutes ayant en principe fait l’objet d’un apprentissage
unique. La phase de reconnaissance est souvent
précédée par une phase de normalisation de la taille et
de la graisse. Les systèmes d’OCR omni-fonte font
abstraction de l’information sur la fonte, dans la
mesure où ils sont capables de reconnaître des
caractères de n’importe quelle fonte, et n’importe
quelle taille. Les méthodes d’OCR omni-fonte sont
incapables d’identifier les fontes, d’où leur intérêt
limité dans les systèmes de reconnaissance structurelle
de documents. Dans de telles applications, il faut
compléter se type d’OCR par un module
d’identification de la fonte.
Cet article est organisé comme suit : dans le
paragraphe, nous donnons une description générale du
système développé, tandis que dans le paragraphe 3
nous présentons quelques résultats expérimentaux et
discussions. Nous concluons l’article conclut en
évoquant les perspectives d’amélioration des
performances de cette approche.
2. Description générale du système
développé
L’architecture générale de notre système de
reconnaissance de caractères alphanumériques multifontes se présentera sous la forme suivante [1], [3] :
Acquisition
Binarisation
Segmentation
Extraction des caractéristiques
Classification et reconnaissance
Figure 1. Schéma simplifié d’un système de reconnaissance.
SETIT2005
La lecture est souvent divisée en plusieurs tâches :
l’acquisition et le traitement de l'image, la binarisation
la segmentation, l’extraction des paramètres et enfin la
classification.
2.1 Acquisition des données
L'acquisition est effectuée avec un scanner
numérique de résolution 300 dpi avec 8 bits/pixel, les
échantillons utilisés sont des textes qui contiennent
tous les caractères alphanumériques multi-fontes
(majuscules, minuscules, et chiffres) et avec 20
échantillons pour chaque classe.
2.2 Seuillage et binarisation
Cette opération consiste à transformer une image
à plusieurs niveaux en une image à deux niveaux de
gris par seuillage des niveaux de gris.
2.3 Segmentation et extraction
L'extraction des caractères est une étape
importante dans un processus de reconnaissance, car
elle est au moins assez importante que la
reconnaissance des caractères elle-même, du moment
qu’une bonne segmentation permet de présenter au
système les caractères à reconnaître dans de bonnes
conditions, une mauvaise segmentation quant à elle va
entraîner une chute du taux de reconnaissance [3]-[6].
Elle a pour rôle de localiser les lettres dans le mot en
indiquant leurs limites gauche et droite. Elle se fait en
deux étapes distinctes : une séparation de lignes,
suivie d'une séparation de caractères. La séparation de
lignes se fait par projection horizontale (PH).
La détection des lignes de texte commence une
fois que la projection horizontale du texte est faite. On
peut dire que le début d’une ligne de texte est détecté,
si la valeur de PH est supérieure à un certain seuil.
La détection de la fin de ligne se fait d’une manière
analogue à la détection du début de celle-ci. La
projection de toutes les lignes d’image peut allonger le
temps global de reconnaissance. Pour essayer de
réduire ce temps, on a choisi de ne projeter qu’une
ligne sur quatre.
La séparation de caractères se fait par une
projection verticale (PV). De la même façon, la
détection des liens inter-caractères commence une fois
que la projection verticale d’une ligne est faite. On
peut dire que ce lien est détecté, si la valeur de PV
est supérieure à un certain seuil. Après l’extraction des
caractères, on fait passer l’image des caractères à
travers un module de normalisation qui permet de
ramener les images des caractères à des tailles
standards. Cette phase est indispensable pour notre
système neuronal.
2.4 Extraction des primitives
L'extraction et le choix des paramètres de
discrimination, est parmi les problèmes les plus
importants dans la reconnaissance de forme, cette
étape est primordiale car l’image initiale est ignorée
pour ne considérer que ses paramètres, et les
performances du système de classification dépendent
directement de leur choix. Un bon choix du vecteur
d’attributs se présente comme un vecteur de nombre
minimal de paramètres pour éliminer la redondance et
l’ambiguïté, mais qui contiennent un maximum
d’informations utiles pour la classification. Parmi les
techniques utilisées pour extraire les paramètres de
discrimination, on trouve celles basées sur l’image
binaire du caractère (utilisation des moments,
techniques d’histogrammes, technique de distribution
des pixels, [5]) ou même à niveau de gris, ou bien
celles qui sont basées sur des informations extraites à
partir de l’image du contour du caractère (descripteurs
de Fourier, codage des contours) [4], [7], [8].
Dans notre travail, nous nous intéressons
particulièrement aux images binaires des caractères, et
la méthode utilisée pour extraire les paramètres de
discrimination utilise les moments normalisés des
projections verticales, horizontales, et selon les deux
diagonales [5].
2.5 Classification et reconnaissance
La reconnaissance des caractères imprimés est un
problème pour lequel un modèle de reconnaissance
doit nécessairement intégrer la prise en compte d’un
nombre important de variabilité. Dès lors, les
méthodes basées sur les techniques d’apprentissage
peuvent apporter une certaine souplesse à la
construction d'un tel modèle. Dans notre travail, notre
choix a été porté sur l'algorithme d'apprentissage par
rétro-propagation du gradient, associé à un réseau de
neurones multicouches dont la structure est fixée par
tâtonnement. Ce choix trouve sa justification dans la
capacité de ce type de modélisation de comprendre
des phénomènes non linéaires et de complexités
considérables, et dans les résultats encourageant
publiés dans la littérature [4], [5], [9], [10].
3. Résultats expérimentaux et discussion
Le système d’OCR permet la reconnaissance des
caractères de plusieurs fontes (Time, Arial, ...), toutes
ayant en principe fait l’objet d’un apprentissage
unique. La base de données utilisée contient 1980
caractères alphanumériques multi-fontes dont la taille
et la graisse sont variables. La figure 2 donne
quelques échantillons utilisés. Une partie de cette base
(8 échantillons de chaque classe), choisie
aléatoirement, est utilisée pour l’apprentissage et
l’entraînement du module de reconnaissance et l’autre
partie pour l’évaluation des performances.
a b c d e
a b c d e
c d e
EFMN
a b c d e
a b c d e
B GR wxyz 6 8 9 6 8 96 8 9
Figure 2. Exemples de caractères des bases
d’apprentissage et de test.
SETIT2005
Le classificateur utilisé est un réseau de neurones
composé de quatre couches : deux couches cachées
dont le nombre de neurones est choisi avec des
heuristiques puis affiné à 11 neurones pour la première
couche cachée et à 9 neurones pour la deuxième
couche cachée; une couche d’entrée dont le nombre de
neurones dépend de la taille du vecteur d’entrée utilisé
et fixé à 18, et une couche de sortie dont le nombre de
neurones dépend du nombre de caractères à identifier
(classes). Il est à noter que les lettres u et U ou v et V
ne peuvent être distinguées et ont été rassemblées dans
la même classe. Au total le problème considéré
comporte 49 classes à la sortie du réseau.
L’identification de la fonte est généralement
combinée avec la reconnaissance des caractères, deux
stratégies d’identification de la fonte sont envisagées
[2]. L’identification a priori consiste à reconnaître la
fonte d’un texte sans reconnaître les caractères. Dans
une première étape, on applique des méthodes
d’identifications de la fonte sur des parties de texte.
Dans une deuxième étape, on applique un OCR monofonte sur les parties du texte ayant la même fonte.
Dans ce cas, la performance globale de classifieur est
représentée en mémorisation seulement, et la
classification est parfaite (100%).
Fontes
Arial
Batang
Book Antiqua
Bookman Old Style
Century
Comic Sans MS
Courier New
Tahoma
Times New Romans
Taux de reconnaissance %
96.77
95.16
93.55
88.71
88.71
91.94
91.94
96.77
98.39
Tableau 1. Taux de reconnaissance de 9 fontes différentes.
On peut noter que les erreurs sont facilement
analysables, car il s’agit de confusion entre quelques
formes proches, où bien de rejet des caractères dont la
forme est dégradée.
4. Conclusions et perspetives
Nous avons présenté un système de
reconnaissance de caractères alphanumériques omnifonte. La classification est réalisée par la technique de
rétro-propagation de l’erreur à base d’un réseau de
neurones multicouches. Les résultats montrent que le
système est assez performant, mais qu’il n’est pas
parfait. Les scores faibles pour certaines fontes ou
inférieur à 100% pour d’autres, pourtant facile à
traiter, montrent encore une fois la limite de la
reconnaissance des caractères qu’il faut donc
compléter par une reconnaissance contextuelle, celle
des mots, par exemple.
Cependant, nous prévoyons d’autres possibilités
d’évolution : établir la base de données en tenant
compte d’un plus grand nombre d’échantillons ;
améliorer les performances et le taux de
reconnaissance du classifieur en faisant un bon choix
des paramètres du réseau (architecture du réseau,
initialisation des paramètres de pondération, fonction
d’activation, pas d’apprentissage), et par l’utilisation
d’autres lois d’apprentissage ; et finalement envisager
d’autres méthodes de classification.
Références
[1] J. Anigbogu et A. Belaid, “Reconnaissance de caractères
multifontes par votes à la majorité”, Bigre, N°80 –
CNED 92 : Au Colloque National sur l'écrit et le
document , Nancy, Juillet 1992.
[2]
A. Zramdini, A. Azokly et R. Ingold, “Importance de
l'identification de la fonte dans la reconnaissance
structurelle de documents”, Bigre, N°80 – CNED 92 :
Au Colloque National sur l'écrit et le document ,
Nancy, Juillet 1992.
[3]
R. G. Casey and E. Lecolinet., “A survey of methods
and strategies in character segmentation”, IEEE
Transactions on Pattern Analysis and Machine
Intelligence, Vol. 18, N°7, July 1996.
[4] M. Bedda., M. Ramdani et N. Doghman, “Classification
des caractères arabes manuscrits par une perceptron
multicouches”, Revue synthèse, Université de Annaba,
Vol. 1, N°1, Juin 1996.
[5]
M. Bedda, M. Ramdani et S. Ouchtati, “Le choix d'une
représentation des caractères manuscrits arabes”,
Conférence Internationale S8 \ 2. 99.
[6]
Y. Lu, “Machine printed character segmentation-an
overview”, Pattern Recognition, Vol. 28, N°1, 1995.
[7] T. S. Elsheich and R. M. Guindi., “Automatic
recognition of isolated Arabic characters”, Signal
Processing, pp. 177-184, 1988.
[8] A. Namane and M. A. Sid-Ahmed, “Character Scaling
by contour method”, IEEE Transactions on Pattern
Analysis and Machine Intelligence, Vol. 12, N°6, June
1990.
[9] H. Borland and C. J. Mellekems, “Multi-layer
perceptrons and automatic speech recognition”, IEEE
First Annual International Conference on Neural
Networks, San Diago, California, pp. 21-24, June 1987.
[10] F. Yatim, B. Taconet, P. Bezet et A. Faure, “Système
d'acquisition et de reconnaissance de caractères
alphanumériques multifontes”, LACOS ITPEA Place
Robert Schaum 76610 Le Havre AI Vision systèmes.