ABBYY FineReader Engine v12 第5版最新的技术

我们最著名的SDK已更新至第5版：这是自两年最大的OCR技术更新!：

• 基于神经网络的语言模型
• 基于神经网络的拉丁语文字识别
• 拉丁文字的端到端识别
• 基于神经网络的“精确”OCR模式，适用于OCR质量优先的特定情况
• 印章和签名附近文本的识别质量改进
• 基于神经网络的精确条形码识别（超过26种类型）
• 阿拉伯语OCR：基于新神经网络技术的更好识别效果
• 对包含财务数据的表的具体改进
• 使用文档结构增强导出到PowerPoint的功能
• 孟加拉语OCR：添加了支持的语言

OCR技术更新

端到端单词OCR

什么时候应该使用端到端OCR？在质量较低的图像上，字符分类艰难的时候。

何不对整文进行端到端OCR？处理高质量的文档的时候，启发式算法具有相同的精度，但速度更快。

端到端OCR 要点： 跳过字符分离阶段：识别整单词和整行 最适合质量较差的文档区域 适用于字符分离不好的复杂文字：中文、阿拉伯语、孟加拉语…

深度学习语言模型

你能识别这个字母吗？
这个呢？
和这个
现在识别单词:

为什么识别单词更容易？因为我们知道这个词！它来自英语词汇。

加入有几个适合的词汇？

使用深度学习语言模型来评估所有的结果。

深度学习语言要点

• 我们使用语言模型来纠正OCR错误，使用最接近的单词
• 我们在大型语料库上训练语言模型来理解语言结构
• 深度学习模型有助于收集比词汇表和启发式算法更多的语言信息

“精确”OCR模式

这个更新包括新的基于神经网络的“精确”OCR模式，适用于OCR质量优先的特定情况。

目前，新模式包括：

• 英语语言模式
• 拉丁语言的端到端识别模型

我们建议对发票、协议、收据和ID的低质量或照片图像使用此模式。

印章和签名附近文本的识别质量改进

协议类的文档有大图片，如印章和签名。

通常情况下，印章会阻止机器提取印章附近或之间的文本-文本成为“图片”的一部分，无法识别。
我们在文档分析的文档（协议）模型中添加了特殊的分类器。它检测印章和签名，并把它们从分析中删除，让附近的文字成为可识别的。

测试结果：查找目标对象的准确性：表格，文本，图片，图章，签名 —— 减少了19,3%的错误！

基于神经网络的精确条形码识别

我们建立了一个神经网络结构，它能够将图像像素分为两类：条形码和非条形码。 在分割图上选择连通组分；在他们周围建立包围矩形，我们认为矩形作为条形码的假设。在下一个阶段，一个特殊的神经网络对假设值进行解码。

PDF功能增强

• PDF文档有各种各样的，有“纯图像”PDF（扫描件）和数字化PDF（有文本层和图片）。FineReader Engine有一个内置的PDF文件自动工作流：它尝试重用PDF文件中的所有信息。
• 但有时PDF文件非常“特殊”，以至于工作流会出错，例如：在一个PDF文件中混合使用纯图像和数字生成的页面。
• 为了解决这种问题并让客户在手动模式下处理此类文件，FineReader Engine提供了灵活的处理功能。

数字签名 在PDF中找出数字签名 由于FRDocument可能由多个（多页）图像文件组成，因此可以通过 IFRPage::SourceHasDigitalSignature IFRPage::SourceImagePath IFRPage::SourceFilePageIndex获得详细信息。

智能字体嵌入 智能字体嵌入模式有助于减少PDF文件的大小。 只要目标标准和用户选择的处理设置允许，它就会自动绕过字体嵌入以降低文件占用空间（默认导出模式：FEM_EmbedSubsetWhenNeeded）。

检查文本层的质量	自适应识别方法	内容重用模式
CheckTextLayer()方法 结合现有的HasTextLayer特性和新的质量分类器；检查PDF文本层并报告其质量是否适合OCR。	自适应识别改进并加速PDF处理（默认PDF识别模式：PullXTextAndRecognizeRest）。	内容重用模式-CRM_ContentAndPictures。 帮助处理包含混合内容（扫描和文本）的Office文件。