背景

一般来说，古代书法家留下的汉字个数是有限的，某些常见汉字会有大量的不同字型留存，而有些汉字只有少数几个。对于 Unicode 汉字字型中的绝大多数，都不可能找不到相应的字型。即便很多字型可以类推，仍然需要专业人员根据已有字型手工的组合与演绎。

书法汉字的批量自动生成

利用计算机的图像生成技术，可以根据古代书法家留下来的少量碑刻或真迹所制作的字型，模拟生成任意汉字的对应写法。本项目所使用的算法根据能够找到的大约 2000-3000 字的汉字，利用训练的模型，可以“学习”到书法家的用笔风格，从而推广到任意的 Unicode 的字符，甚至是错别字。比如，该项目可以使用宋体大字符集字库，按照书法家的笔法，写出对应字体的“汉字”：

图1

比如，赵孟頫从没有写过的字：

图2

书法汉字批量生成的应用

1、可以批量扩充只有少量字型的书法字体。有很多书法字体库，只有常用汉字几千个，甚至无法支持繁体字型，因此要显示有较多超出常用汉字的文档就无法胜任，特别是无法用于显示还有大量异体字的古典文献。该项目的方法可以批量生成美观的书法字体，无论 Unicode 或私有区字符，只要某个字库支持，均可以生成。同时也可以根据任何少量手写体图像，生成任意汉字的写法。

2、该项目当前最重要的实用价值在于生成古籍图像识别的虚拟页面。如果从真实古籍中切取汉字字图，少量汉字会有大量实例，而大量汉字只有少量实例，这对于古籍图像识别来说是非常不利的。而且，即便有大量实例的少量汉字，字型的多样性也不足。因此，利用本项目的技术，增加字型的多样性，大大提高古籍图像识别的准确率，使得古籍图像的识别能够适用多种多样的古籍。

利用上述书法字体批量生成的技术，我们在古籍的光学字符识别（Optical Character Recognition，OCR）上取得了不错的效果。古籍 OCR 是将古籍图像中的文字识别为可供计算机进一步利用的文字。

古籍 OCR 简介

古籍 OCR 是将古籍图像中的文字识别为可供计算机进一步利用的文字。

古籍 OCR 具体包括以下内容：第一步，正确获取古籍页面或版面的数字化图像及相关预处理，比如纠正图像倾斜等；第二步，要对文字、图片、印鉴、表格、标题、段落、版心、图框等版面元素的区块位置进行辨识及性质判断；第三步，根据每一区块的性质，在其中定位并切割出古文行列以及可能的每一个汉字的位置和大小（即行列定位、字定位）；第四步，根据定位识别出汉字串，用正确的汉字编码标记每一个汉字 glyph 字型的类别；第五步，根据区块性质以及识别出的汉字及汉字串进行串联读出，形成正确的文字序列；最后一步则是将识别结果，无论是文字还是版式以及各类辅助要素，以合理的方式输出。

基于书法字体生成技术的汉文 OCR 技术

本项目在调研业界有关 OCR 相关技术基础上，与一般的 OCR 技术相比，在没有大量人工切图与人工生成数据的情况下，利用书法字体批量生成单字数据，训练出具有较高准确率的字识别模型，同时有借助伪数据集生成技术，生成大量的古籍页面，并对其进行切分，得到包含详细标注的伪数据集。在此字模型与页面识别伪数据集的基础上，不断通过迭代，通过生成单字，单字增强，单行识别，双行识别，混合行识别，页面分析，分析后处理等多个步骤，并运用于大量真实古籍页面，逐步增强识别的准确率。

图3 模拟生成古籍页面生成示例

模型的正确率

该模型经过有关人员多轮测试，使用《金陵诗徵》《四明续志》《四明它山水利备览》《昌国州图志》以及“再造善本”中部分数据，正确率达到约 95.37%。

图4 模拟生成古籍页面生成示例

当前，本项目的模型对普通版刻古籍的识别率能达到一个很高的准确率，例如，上图古籍的识别的正确率能达到 99%。

图5 模拟生成古籍页面生成示例

而敦煌写经一般手写体的识别率也能达到 90%以上。

模型的扩展应用

古籍识别模型可以扩展到更多的识别应用场景，如民国报纸及杂志、部分民国铅排书籍、碑刻、甲骨文、金文、石刻、篆书、行草、草书等，在版面分析方面，也需要兼容横竖左右文字方向，各种分栏的页面，还有表格的页面等，当然更丰富的识别场景也意味着更多的数据加工支持。