Texto de la escena

El texto de la escena es el texto que aparece en una imagen capturada por una cámara en un entorno exterior.

La detección y el reconocimiento de texto en imágenes capturadas por cámaras son tareas de visión artificial que cobraron importancia tras la popularización de los teléfonos inteligentes con buenas cámaras. El texto en las imágenes varía en forma, fuente, color y posición. El reconocimiento de texto se complica aún más, en ocasiones, por la iluminación y el enfoque no uniformes.

Para mejorar el reconocimiento de texto en escenas, la Conferencia Internacional sobre Análisis y Reconocimiento de Documentos (ICDAR) organiza una sólida competición de lectura cada dos años. La competición se celebró en 2003, 2005 ^{[ 1 ] [ 2 ] [ 3 ]} y durante cada conferencia ICDAR. ^{[ 4 ] [ 5 ] [ 6 ]} La Asociación Internacional para el Reconocimiento de Patrones (IAPR) ha creado una lista de conjuntos de datos como sistemas de lectura. ^{[ 7 ]}

La detección de texto consiste en identificar el texto presente en una imagen y delimitar su contorno con un recuadro rectangular. Esta detección puede realizarse mediante técnicas basadas en imágenes o en frecuencia.

En las técnicas basadas en imágenes, una imagen se segmenta en múltiples segmentos. Cada segmento es un componente conectado de píxeles con características similares. Las características estadísticas de los componentes conectados se utilizan para agruparlos y formar el texto. Se emplean enfoques de aprendizaje automático, como las máquinas de vectores de soporte y las redes neuronales convolucionales, para clasificar los componentes en texto y no texto.

En las técnicas basadas en la frecuencia, se utilizan la transformada discreta de Fourier (DFT) o la transformada discreta de ondículas (DWT) para extraer los coeficientes de alta frecuencia. Se asume que el texto presente en una imagen tiene componentes de alta frecuencia, y al seleccionar solo los coeficientes de alta frecuencia, se filtra el texto de las regiones que no contienen texto en la imagen.

En el reconocimiento de palabras, se asume que el texto ya ha sido detectado y localizado, y que se dispone del recuadro rectangular que lo contiene. Es necesario reconocer la palabra presente en dicho recuadro. Los métodos disponibles para realizar el reconocimiento de palabras se pueden clasificar, a grandes rasgos, en enfoques descendentes y ascendentes.

En los métodos descendentes, se utiliza un conjunto de palabras de un diccionario para identificar la palabra que mejor se ajusta a la imagen dada. ^{[ 8 ] [ 9 ] [ 10 ]} En la mayoría de estos métodos, las imágenes no se segmentan. Por lo tanto, el método descendente a veces se denomina reconocimiento sin segmentación.

En los enfoques ascendentes, la imagen se segmenta en múltiples componentes y la imagen segmentada se pasa a través de un motor de reconocimiento. ^{[ 11 ] [ 12 ] [ 13 ]} Se utiliza un motor de reconocimiento óptico de caracteres (OCR) comercial ^{[ 14 ] [ 15 ] [ 16 ]} o uno entrenado a medida para reconocer el texto.