快速屏幕字體OCR技術或API？

Question

我想知道是否有任何技術/ API可用於執行快速屏幕字體OCR？

以下是理所當然的：

• 文本OCR應來自截圖，並應使用屏幕字體
• 文本OCR可能會或可能不會是反鋸齒渲染
• 抗鋸齒可能或不使用RGB抽取（又名子像素AA又名的ClearType等）
• 截圖可以是RGB或RBG爲了
• 基線是微不足道找到（看看所有顯示屏F onts：基線顯得非常清晰，並且很容易在算法上找到）
• 允許很多錯誤（字符識別不需要100％正確）
• 字體基本上是預先知道的，字體呈現不是（尺寸未知，顏色未知，抗鋸齒類型未知）。基本上什麼是已知的是，這將是非常常見的字體

所以我想這是沒有任何接近複雜，因爲這樣做「真正的」 OCR：找到基線和「切割」每個字符是很容易做到（我已經做到了）。

有沒有人知道特定的技術或紙張或甚至API允許做這樣的壯舉？

請注意：這個問題是關於屏幕抓取的而不是。這個問題是關於破解CAPTCHA的而不是。這個問題是關於正規OCR的而不是（如OCRing掃描的文本）。這個問題是關於GUI自動化的而不是（儘管有些人可能會這樣使用它）。

Answer 1

我有不變矩很好的經驗（例如胡適的時刻，但他們可能有點太 onvariant你的目的，你有預定義的定向）與 聚類分析配對特徵提取（我得到真正的好結果馬哈拉諾比斯距離）。
如果你有興趣在純Java的解決方案，這是我們的SF項目：

http://sourceforge.net/projects/javaocr/

這也適用於Android手機。

（幫助是值得歡迎）

Answer 2

您可以嘗試在丹尼爾·格拉佩的「人工神經網絡原理」所描述的實施LAMSTAR（1997年），第13章。

它涉及基本上是：

• 將您的「輸入」到「子字」（他需要在像素的序列，細分的圖像的例子每列一個子字和每行一個子字）
• 每個子詞被饋送到動態KSOM（Kohonen自組織映射）中，其將歸一化子字分類成不同數目的類別
• 每個KSOM是Winner-Take-All分類器，其輸出之一爲1，並且0對於所有其他人
• 然後，輸出ts與「到輸出層的鏈路權重」線性組合，具有非線性激活功能（例如，邏輯函數），並且輸出神經元的激勵爲您提供了一個表示識別字符的位序列。

的LAMSTAR的優點是，一切都是可追溯的：

• 可以知道NN認爲，考慮你給它輸入什麼，
• 你可以知道它看到什麼NN認爲通過觀察KSOM的分類結果。
• 通過考慮特定K-SOM的權重向量，您可以知道NN希望看到什麼NN您可以通過比較鏈接權重來知道NN真正認爲重要的內容（以及它忽略的圖像的哪些部分） 。