1. 研究目的与意义及国内外研究现状

随着计算机的普及，越来越多的人学习并运用计算机，很多人学习计算机就是从学习输入汉字开始的。本课题研究ocr文字识别技术的实现与发展，着重解决office文档扫描件下印刷体的识别与输入，使能够不适用键盘也能输入汉字，简便平时办公、学习方面在pdf文档方面的修改缺陷，提高工作效率：

1.文字识别是中文信息录入的快捷手段，由于汉字是非字母、非拼音化的文字，笔画复杂多样，人工键入速度缓慢且劳动强度大，计算机自动识别文字或语言方式解决了这一难题，能快速有效的将汉字输入进计算机。

2.文字识别技术是提高办公自动化水平的主要因素。办公自动化就是要借助计算机来进行文档的处理，以代替人们的日常活动

2. 研究的基本内容

本课题着重实现office类文档的扫描件的印刷体的识别，研究主要围绕以下几个方面： 1.office文档的检测，充分考虑光照强度、文档模糊程度、字体识别难易程度，对此实施不同的算法。

2.office文档的识别：对文档的行和单个字的分割，使每个字与字典相比较，获取最形近的结果，在识别过程中注意每行的行距，单个字的间距。

3.office文档要进行的是汉字、英文与数字的识别，其中最复杂的是汉字的识别，英文与数字比较量较小，而汉字最基本的字典对比就有7500多个，这其中关键的是分类器的设计，目前最常用的训练器基于神经网络算法（cnn），而对目标样本的测试也是关键步骤。

3. 实施方案、进度安排及预期效果

（1）本课题实行方案：

在预处理阶段对待识别的图片进行处理，去除图像的背景将噪声对后续过程中文字识别的影响降到最低。由于office文档固有不变性，对其处理没有灰度化和二值化的步骤。对于有自然背景的图像，在光照角度的影响下，先去除图片带有的色彩和其他背景，此时使用灰度化、二值化和降噪来进行图像处理。在深入分析和比较了目前存在的研究方法后，使用基于加权平均法的灰度化算法和基于迭代思想的二值化算法。在预处理阶段完成后对整段文字进行字符分隔，本系统的使用的是基于垂直投影方法的分水岭算法，使文字便于识别处理。在字符切分完成后，就需要对文字进行识别，识别算法用的是基于vtd、htd字符识别的方法。

（2）本课题进度安排：

4. 参考文献

[2] 傅德胜著.图像处理学.2002年

[3] 百度ocr文字识别企业版（api）

[4] 王行刚.文字识别的两种新方法[j].电子计算机动态.1963(04)