[发明专利]一种基于激活力模型的图片中文本识别纠错方法

权利要求书

1.一种基于激活力模型的图片中文本识别纠错方法，其特征在于，包括以下步骤：

字典构建步骤：构建激活力字典，旨在挖掘汉字间的相互影响关系，从而获得各个汉字前方以及后方可能出现的其他汉字；

不确定字纠正步骤：使用通用方法获取识别出的字符以及对应的识别相似度，若其中存在某一候选字符的相似度高于设定阈值，认为其对应的候选字符识别正确；若不存在，则将这些字符以及相似度作为参考先验概率，利用构建的字典并结合贝叶斯公式筛选出最佳字；

其中，不确定字纠正步骤中，假定已经通过通用方法获取了字符i的识别结果w_i和对应的相似度λ_i，其中w_i＝[w_i1,w_i2,…,w_in]^T，w_ix为识别出的可能的字符，λ_i＝[λ_i1,λ_i2,…,λ_in]^T，λ_ix为对应的相似度，此步骤具体过程如下：

1)当存在λ_ix大于θ时，认为对应的w_ix即为正确的识别结果；当不存在时，首先滤除λ_ix小于对应的字符，将剩下的作为候选字符；

2)对于待识别字符i的候选字符集合为w′_i＝[w_i1,w_i2,…,w_im]^T，对于前后都存在已确定相邻字的字符i的某一候选识别字w_ij的后验概率η_ij可以定义如下

ηij=lg((afAwij+α)(afWijB+α)-α+1)]]>

其中，A为字符i前面的相邻字，B为字符i后面的相邻字，α为平滑因子，同理，对于只存在一边相邻字的后验概率η_ij可以定义为

或者

利用贝叶斯公式

ψij=λijηijΣkλikηik]]>

则选择最大的ψ_ij作为字符i的识别结果，即

Ψi=maxj(ψij)]]>

Ψ_i即为字符i的识别结果。

2.如权利要求1所述的方法，其特征在于，字典构建步骤中，对选定字进行建模，此步骤具体过程如下：

1)利用汉语语料库获取包含选定字的语料数据，并将所有标点符号都设定为分隔符；

2)统计用于建立词典的字i在语料库中的出现频率f_i；

3)统计任意两个距离小于等于ε的字i和j(区分先后)共同出现的频率f_ij并记录所有的距离出现的次数d_ijk(1≤k≤ε)，并计算出这两个字i和j共同出现的平均距离d_ij，计算公式定义如下

dij=dijk×kfij]]>

4)根据前面三个步骤获取的数据计算出任意两个字i和j之间的激活力af_ij

afij=fijfi×fijfjdij2]]>

5)设定阈值t，将第4)所得的激活力数据中低于t的数据全部滤除，将选定字i对应的af_xi和af_ix取出并按大小顺序排序作为i前面(af_xi)和后面(af_ix)最可能出现的字x。