Надежно извлекает поля идентичности из отсканированных документов / изображений?

Question

Мне нужно вытащить два предварительно напечатанных (не рукописных) поля из бумажной формы, чтобы они могли автоматически перенаправляться после сканирования . Поля содержат идентификаторы партии и позиции, такие как «GG-9192» или «EPN / 245G».

Я пробовал следующее программное обеспечение:

• Тессеракт-OCR
• Cuneiform
• Canon ImageRunner встроенный OCR
• API-интерфейс Asprise OCR Java (демо)

Я пробовал следующие настройки:

• Сканирование с разрешением 300 точек на дюйм и 600 точек на дюйм
• Пробовал разные шрифты, включая OCR-A и OCR-B.

Во всех случаях вывод был практически повсеместным. Я могу отбросить документы, для которых не могу должным образом извлечь необходимую информацию, но думаю, что это будет как минимум половина из них. Я рассмотрел некоторую нечеткую логику, основанную на известных значениях в базе данных, но иногда эти идентификаторы могут отличаться на один символ, например «123G» и «123C».

Является ли это безнадежным делом? Возможно, OCR просто недостаточно развит, чтобы справиться с требованиями такого рода? Какие еще методы вы можете порекомендовать? Штрихкоды?

Редактировать: содержащее приложение написано на Java, поэтому любые рекомендации, для которых существуют бесплатные или дешевые API на основе Java, могут помочь.

Редактировать 2: если кому-то интересно ... без какой-либо специальной настройки, Cuneiform для Linux и Canon ImageRunner сработали лучше всего, а Tesserect-OCR и Asprise Java API дали худшие результаты ... ни один из четырех не был приемлем для что угодно, кроме стандартного распознавания документов с поиском. Я начинаю думать, что это не сработает.

Answer 1

Я начал искать продукты, начиная с предложения Томата. Я пробовал ABBYY и CVISION. Оба имеют продукты, которые могут автоматизировать OCR:

• CVISION Maestro Recognition Server 4.0
• ABBYY Recognition Server 2.0

Кроме того, ABBYY имеет SDK для различных платформ , а CVISION имеет SDK , который работает как минимум с VB / VC ++.

Я еще не пробовал SDK, и не уверен, что это необходимо для моего проекта. Все, что мне нужно, это PDF-файлы, из которых я могу извлечь текст. Однако я попробовал серверный продукт CVISION и с OCR на его наиболее точных настройках он работал очень хорошо. Я еще не пробовал серверный продукт ABBYY, потому что мне нужно пройти через посредника, чтобы получить пробную версию. Я нахожусь в процессе, но если это начинает раздражать, я, вероятно, пойду с CVISION. Я попробовал отдельный продукт ABBYY FineReader, и он работал очень хорошо, поэтому я предполагаю, что их серверный продукт тоже подойдет.

Answer 2

Если у вас есть контроль над полями, зачем в первую очередь использовать читабельный формат? Для сканирования это похоже на QR-код, или что-то подобное будет лучше. Он помечен для ориентации и имеет встроенную функцию исправления ошибок.

http://en.wikipedia.org/wiki/QR_Code