全文检索技术_数字时代 | OCR技术在档案数字化中的运用

一、OCR技术发展历程和工作原理

01

OCR技术的定义

OCR是英文Optical Character Recognition的缩写，中文含义为光学字符识别，也称为文字识别，是文字自动输入的一种方法。它通过扫描和摄像等光学输入方式获取纸张上的文字、图像信息，利用各种模式识别算法分析文字形态特征，与汉字的标准编码相比较从而判别不同的字符，并按通用格式存储在文本文件中，实现文本的编辑、检索和存储。所以，OCR技术是一种快捷、省力的文字输入方式，实践证明其在档案信息数字化工程中的作用愈来愈显著。其运用过程一般使用扫描等光学输入设备读取纸张上的文字、图像信息到计算机能识别的格式，如JPG、FDF、TIF、BMP等，再通过OCR软件自动分析比较生成可编辑的文本文件。

02

OCR技术的发展历程 OCR的概念是由德国科学家Tausheck在1929年率先提出来，后来美国科学家Handel也提出了利用计算机扫描等技术对文字进行识别的想法。而最早对印刷体汉字识别进行研究的是IBM公司的Casey和Nagy，1966年他们发表了第一篇关于汉字识别的文章，采用了模板匹配法识别了1000个印刷体汉字。可以说是第一次把OCR从理论概念到实际运用的实现。经过四十年各领域专家和学者的运用和研究，以及计算机技术和光学扫描技术的不断发展，OCR技术已经从原来的字符识别率低于50％到现在针对印刷体字符识别正确率达到了99％以上，并可以识别宋体、黑体、楷体等多种字体的简、繁体；也可对多种字体、不同字号的混排进行识别；有的OCR技术识别速度很快，1000字符控制在一二分钟之内，而且可以识别图像、表格、文字混排的版面。所以从技术角度分析当前的OCR技术完全可以运用到档案信息数字化工程中，从应用层面分析OCR技