A video text location method based on background classification

Wang, Xiufei; Huang, Lei; Liu, Changping

doi:10.1007/s10032-009-0104-x

Cited by 9 publications

(4 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…While approaches for scene text detection/recognition tackle a much broader set of problems (non-planar surfaces, unkown layout, blur, varying distance to camera, much broader resolution ranges), synergies exist with other methods handling a subset of these problems. Examples are extracting text in color images (book or journal cover pages) [8], locating text in videos [9], or segmenting text in web images [10].…”

Section: Introductionmentioning

confidence: 99%

ICDAR 2011 Robust Reading Competition Challenge 2: Reading Text in Scene Images

Shahab

Shafait

Dengel

2011

2011 International Conference on Document Analysis and Recognition

352

202

View full text Add to dashboard Cite

Abstract-Recognition of text in natural scene images is becoming a prominent research area due to the widespread availablity of imaging devices in low-cost consumer products like mobile phones. To evaluate the performance of recent algorithms in detecting and recognizing text from complex images, the ICDAR 2011 Robust Reading Competition was organized. Challenge 2 of the competition dealt specifically with detecting/recognizing text in natural scene images. This paper presents an overview of the approaches that the participants used, the evaluation measure, and the dataset used in the Challenge 2 of the contest. We also report the performance of all participating methods for text localization and word recognition tasks and compare their results using standard methods of area precision/recall and edit distance.

show abstract

Section: Introductionmentioning

confidence: 99%

ICDAR 2011 Robust Reading Competition Challenge 2: Reading Text in Scene Images

Shahab

Shafait

Dengel

2011

2011 International Conference on Document Analysis and Recognition

352

202

View full text Add to dashboard Cite

show abstract

“…Different from traditional classification methods of empirical risk minimization, the minimum structure risk of SVM classification method USES is stronger classification ability. By learning and training data, the resulting character classifier can be described as [11] The text precise positioning method based on SVM, can greatly eliminate the initial location of the noise interference, achieve better location performance. Part of the positioning rendering is shown in Figure 2.…”

Section: Character Classificationmentioning

confidence: 99%

“…In order to better solve the problem of text location under complex background, this paper based on the text of the precise positioning strategy [11][12][13][14][15]. Adaboost algorithm is a strong classifier classification performance.…”

Section: The Text Precise Positioning Technology Based On Adaboostmentioning

confidence: 99%

Research on Character Recognition Technology based on Computer Vision

Zhao¹,

Ding²

2016

Proceedings of the 2015 4th National Conference on Electrical, Electronics and Computer Engineering

View full text Add to dashboard Cite

Abstract.Computer vision is an important research direction for the man-machine interactive intelligent visual image processing. It is a key technology to the text information extraction and recognition of video or image. As a new research direction of video analysis and application field, Video OCR has the certain application and theory significance. In this paper, the technical route of Video OCR system has been deeply researched. Adaboost low resolution and scanning technology based on character recognition has been proposed. Some numerical simulations are made to test the validity and capability of the proposed technology.

show abstract

“…Results of text localization in video frames are included in Appendix III. The importance of the extraction of textual information from videos as well as various proposed techniques are described in the literature [45,[48][49][50][51][52]57,64]. The text localization method presented in Chapter 3 has been applied here in order to track text in videos.…”

Section: Chapter 7 -Conclusionmentioning

confidence: 99%

Document image segmentation & text localization

Βασιλόπουλος¹

View full text Add to dashboard Cite

Σε αυτή τη διατριβή διερευνώνται θέματα που σχετίζονται με την κατάτμηση των σελίδων και την εξαγωγή των πληροφοριών κειμένου από εικόνες εγγράφων. Νέες προσεγγίσεις για την αντιμετώπιση προβλημάτων παρουσιάζονται και, πιο συγκεκριμένα, μια μέθοδος ανάλυσης διάταξης σελίδας, μια τεχνική εντοπισμού κειμένου σε εικόνα, καθώς και ένα σύστημα word-spotting και ανάκτησης κειμένου. Δύο εργαλεία λογισμικού αναπτύχθηκαν με σκοπό να δοκιμαστεί η απόδοση των προτεινόμενων αλγορίθμων. Αποτελέσματα λεπτομερών πειραμάτων παρουσιάζονται αναλυτικά. Στο Κεφάλαιο 2, παρουσιάζεται μια μέθοδος για την κατάτμηση εγγράφων με σύνθετη διάταξη (εφημερίδες, περιοδικά κλπ.). Δεν είναι απαραίτητη καμία γνώση για τη μορφή της σελίδας a priori. Μορφολογικοί τελεστές εφαρμόζονται προκειμένου να συνδεθούν γειτονικές περιοχές και να εντοπιστούν διαχωριστικές γραμμές και στήλες. Τεχνικές ανίχνευσης περιγράμματος χρησιμοποιούνται στη συνέχεια για την εξαγωγή πληροφοριών σχήματος και την ταξινόμηση των συνδεδεμένων αντικειμένων. Στο Κεφάλαιο 3, προτείνεται μια υβριδική μέθοδος για τον εντοπισμό, σε πραγματικό χρόνο, κειμένου που είναι ενσωματωμένο σε εικόνες. Συνδυάζει ανίχνευση ακμών, μορφολογικούς τελεστές και ένα σύνολο κριτηρίων με βάση χωρικά και γεωμετρικά χαρακτηριστικά των συνδεδεμένων αντικειμένων. Στο Κεφάλαιο 4, προτείνεται μια τεχνική κατάλληλη για την εξαγωγή όλων των πληροφοριών κειμένου από έγγραφα με σύνθετες διατάξεις. Συνδυάζει τμήματα της μεθόδου ανάλυσης διάταξης που παρουσιάζεται στο Κεφάλαιο 2 με την γρήγορη και αξιόπιστη μέθοδο για τον εντοπισμό κειμένου που παρουσιάζεται στο Κεφάλαιο 3. Η πρώτη χρησιμοποιείται για το διαχωρισμό των περιοχών της σελίδας σε κείμενο και εικόνες, ενώ η δεύτερη χρησιμοποιείται για την ανίχνευση κειμένου που μπορεί να περιέχεται μέσα στις εικόνες. Στο Κεφάλαιο 5, προτείνεται ένα σύστημα word-spotting, κατάλληλο για την αναζήτηση κειμένου σε εκτυπωμένες εικόνες ιστορικών εγγράφων. Το σύστημα απλοποιεί αρκετά τη διαδικασία της συνηθισμένης προσέγγισης. Δεν περιλαμβάνει κατάτμηση, εξαγωγή χαρακτηριστικών ή ταξινόμηση. Αντίθετα, αντιμετωπίζει τα ερωτήματα ως συμπαγή σχήματα και χρησιμοποιεί τεχνικές επεξεργασίας εικόνας, προκειμένου να εντοπιστεί ένα ερώτημα στις εικόνες των εγγράφων. Στο Κεφάλαιο 6, προτείνεται μια νέα τεχνική για την ανάκτηση κειμένου. Αν και είναι εμπνευσμένη από την τεχνική word-spotting που παρουσιάζεται στο Κεφάλαιο 5, εντοπίζει χαρακτήρες, γεγονός που καθιστά την ανάκτηση πιο ισχυρή και επιτρέπει τη χρήση ερωτημάτων σε μορφή κειμένου. Στο Κεφάλαιο 7 συνοψίζονται τα συμπεράσματα από όλα τα προηγούμενα κεφάλαια, ενώ στα προσαρτήματα διερευνώνται τρεις ακόμα εφαρμογές των προτεινόμενων αλγορίθμων κατάτμησης σελίδας και ανίχνευσης κειμένου: κατάτμηση σελίδων κόμικς, εντοπισμός κειμένου σε φωτογραφίες και εντοπισμός κειμένου σε βίντεο.

show abstract

A video text location method based on background classification

Cited by 9 publications

References 11 publications

ICDAR 2011 Robust Reading Competition Challenge 2: Reading Text in Scene Images

ICDAR 2011 Robust Reading Competition Challenge 2: Reading Text in Scene Images

Research on Character Recognition Technology based on Computer Vision

Document image segmentation & text localization

Contact Info

Product

Resources

About