HDPA: Historical Document Processing and Analysis Framework

Abstract

V současné době je přístupnost k digitalizovaným historickým dokumentům velmi důležitá k realizaci rychlého a efektivního vyhledávání informací z takovýchto dat. Nejprve je nutné z digitalizovaného obrázku dokumentu extrahovat text pomocí metod optického rozpoznávání znaků (OCR). Některé OCR systémy jsou ale příliš komplikované pro uživatele, případně chybí některé důležité součásti a také nejsou zdarma. Tento článek popisuje komplexní a flexibilní framework pro manipulaci a analýzu historických dokumentů s hlavním zaměřením na OCR. Framework obsahuje osm modulů pro usnadnění tří hlavních úkolů: předzpracování a segmentace obrazu, tvorba dat pro trénování OCR modelů a samotný OCR modul. Tento Framework je volně k dispozici pro nekomerční účely. Framework byl otestován na reálných datech a výsledky ukázaly, že tento systém je účinný a může ušetřit lidskou práci v procesu přípravy anotovaných dat. Kromě toho jsme dosáhli state-of-the-art výsledků v OCR.