Reconocimiento óptico de caracteres

El reconocimiento óptico de caracteres ( OCR ) o lector óptico de caracteres es la conversión electrónica o mecánica de imágenes de texto mecanografiado, manuscrito o impreso en texto codificado por máquina, ya sea a partir de un documento escaneado, una foto de un documento, una foto de una escena (por ejemplo, el texto de letreros y vallas publicitarias en una foto de paisaje) o de texto de subtítulos superpuesto a una imagen (por ejemplo, de una transmisión de televisión). ^{[ 1 ]}

Ampliamente utilizado como forma de entrada de datos a partir de registros impresos en papel ( ya sean documentos de pasaporte, facturas, extractos bancarios , recibos informatizados, tarjetas de visita, correo, datos impresos o cualquier documentación adecuada ), es un método común para digitalizar textos impresos de modo que puedan editarse electrónicamente, buscarse, almacenarse de forma más compacta, visualizarse en línea y utilizarse en procesos de máquina como computación cognitiva , traducción automática , conversión de texto a voz (extraído) , datos clave y minería de texto . El OCR es un campo de investigación en reconocimiento de patrones , inteligencia artificial y visión por computadora .  

Las primeras versiones requerían entrenamiento con imágenes de cada carácter y procesaban una fuente a la vez. Actualmente, son comunes los sistemas avanzados capaces de producir un alto grado de precisión para la mayoría de las fuentes, y admiten una variedad de formatos de archivo de imagen . ^{[ 2 ]} Algunos sistemas pueden reproducir una salida formateada que se aproxima mucho a la página original, incluyendo imágenes, columnas y otros componentes no textuales.

Los primeros sistemas de reconocimiento óptico de caracteres se remontan a tecnologías relacionadas con la telegrafía y la creación de dispositivos de lectura para personas ciegas. ^{[ 3 ]} En 1914, Emanuel Goldberg desarrolló una máquina que leía caracteres y los convertía en código telegráfico estándar. ^{[ 4 ]} Simultáneamente, Edmund Fournier d'Albe desarrolló el Optophone , un escáner portátil que, al moverse sobre una página impresa, producía tonos que correspondían a letras o caracteres específicos. ^{[ 5 ]}

A finales de la década de 1920 y principios de la de 1930, Emanuel Goldberg desarrolló lo que denominó una "Máquina Estadística" para la búsqueda en archivos de microfilmes mediante un sistema de reconocimiento de códigos ópticos. En 1931, se le concedió la patente estadounidense número 1.838.389 por dicho invento. ^{[ 6 ]} La patente fue adquirida por IBM . ^{[ 7 ]}

En 1974, Ray Kurzweil fundó la empresa Kurzweil Computer Products, Inc. y continuó el desarrollo del OCR omnifuente , capaz de reconocer texto impreso en prácticamente cualquier fuente. (A menudo se le atribuye a Kurzweil la invención del OCR omnifuente, pero ya era utilizado por empresas como CompuScan a finales de la década de 1960 y durante la de 1970. ^{[ 3 ] [ 8 ]} ) Kurzweil empleó esta tecnología para crear un dispositivo de lectura para personas ciegas que permitía a un ordenador leerles texto en voz alta. El dispositivo incluía un escáner plano CCD y un sintetizador de texto a voz. El 13 de enero de 1976, el producto final se presentó en una rueda de prensa ampliamente difundida, encabezada por Kurzweil y los líderes de la Federación Nacional de Ciegos . En 1978, Kurzweil Computer Products comenzó a comercializar una versión del programa informático de reconocimiento óptico de caracteres. LexisNexis fue uno de los primeros clientes y compró el programa para subir documentos legales y noticias a sus incipientes bases de datos en línea. Dos años después, Kurzweil vendió su empresa a Xerox , que finalmente la escindió como Scansoft , la cual se fusionó con Nuance Communications .

En la década de 2000, el OCR se hizo disponible como servicios en línea y basados ​​en la nube ^{[ 9 ]} , y en aplicaciones móviles como la traducción en tiempo real de letreros en idiomas extranjeros en un teléfono inteligente . ^{[ 10 ]} Con la llegada de los teléfonos inteligentes y las gafas inteligentes , el OCR se puede utilizar en aplicaciones de dispositivos móviles conectados a Internet que extraen texto capturado con la cámara del dispositivo. ^{[ 11 ] [ 12 ]}

Los motores OCR se han convertido en aplicaciones de software especializadas en diversos temas, como recibos, facturas, cheques y documentos de facturación legal.

El software se puede utilizar para:

• Introducción de datos para documentos comerciales, por ejemplo, cheques , pasaportes, facturas, extractos bancarios y recibos.
• Reconocimiento automático de matrículas
• Reconocimiento de pasaportes y extracción de información en aeropuertos
• Extracción automática de información clave de documentos de seguros ^{[ 13 ] [ 14 ] [ 15 ]}
• Reconocimiento de señales de tráfico ^{[ 16 ]}
• Extracción de información de tarjetas de visita a una lista de contactos ^{[ 17 ]}
• Creación de versiones textuales de documentos impresos, por ejemplo, escaneo de libros para el Proyecto Gutenberg.
• Hacer que las imágenes electrónicas de documentos impresos sean buscables, por ejemplo, Google Libros.
• Conversión de escritura a mano en tiempo real para controlar un ordenador ( computación con lápiz óptico ).
• Derrotar o probar la robustez de los sistemas antibot CAPTCHA , aunque estos están diseñados específicamente para prevenir el OCR. ^{[ 18 ] [ 19 ] [ 20 ]}
• Tecnología de asistencia para usuarios ciegos y con discapacidad visual.
• Redactar instrucciones para vehículos identificando imágenes CAD en una base de datos que sean apropiadas para el diseño del vehículo a medida que este cambia en tiempo real.
• Convertir documentos escaneados a formato PDF para que sean buscables.
• Traducción de archivos de imagen que contienen texto ^{[ 21 ] [ 22 ] [ 23 ]}

Existen diversos sistemas OCR comerciales y de código abierto disponibles para la mayoría de los sistemas de escritura comunes , incluidos los caracteres latinos, cirílicos, árabes, hebreos, índicos, bengalíes (bangla), devanagari, tamiles, chinos, japoneses y coreanos;

• Reconocimiento óptico de caracteres (OCR) : se dirige al texto mecanografiado, un glifo o carácter a la vez. 
• Reconocimiento óptico de palabras : detecta texto mecanografiado palabra por palabra (para idiomas que usan un espacio como separador de palabras ). Generalmente se le llama simplemente "OCR". 
• El reconocimiento inteligente de caracteres (ICR) también se dirige al texto manuscrito , impreso o cursivo , glifo o carácter por glifo, y generalmente implica aprendizaje automático . 
• El reconocimiento inteligente de palabras (RIP) también se dirige a texto manuscrito , ya sea impreso o cursivo , palabra por palabra. Esto resulta especialmente útil para idiomas en los que los glifos no están separados en la escritura cursiva. 

El OCR es generalmente un proceso fuera de línea que analiza un documento estático. Existen servicios en la nube que proporcionan una API de OCR en línea. El análisis del movimiento de la escritura a mano puede utilizarse como entrada para el reconocimiento de escritura a mano . ^{[ 24 ]} En lugar de utilizar únicamente las formas de los glifos y las palabras, esta técnica es capaz de capturar el movimiento, como el orden en que se dibujan los segmentos , la dirección y el patrón de apoyar y levantar el bolígrafo. Esta información adicional puede hacer que el proceso sea más preciso. Esta tecnología también se conoce como "reconocimiento de caracteres en línea", "reconocimiento de caracteres dinámico", "reconocimiento de caracteres en tiempo real" y "reconocimiento de caracteres inteligente".

Existen diversas técnicas para resolver el problema del reconocimiento de caracteres mediante métodos distintos a los algoritmos OCR mejorados.

Forzar una mejor entrada

Las fuentes especiales como OCR-A , OCR-B o MICR , con un tamaño, espaciado y formas de caracteres distintivas especificadas con precisión, permiten una mayor tasa de exactitud durante la transcripción en el procesamiento de cheques bancarios. Varios motores OCR destacados fueron diseñados para capturar texto en fuentes populares como Arial o Times New Roman, y son incapaces de capturar texto en fuentes especializadas y muy diferentes de las fuentes de uso común. Dado que Google Tesseract puede entrenarse para reconocer nuevas fuentes, puede reconocer fuentes OCR-A, OCR-B y MICR. ^{[ 45 ]}

Los campos de peine son casillas preimpresas que animan a los humanos a escribir con mayor legibilidad : un glifo por casilla. ^{[ 42 ]} Suelen imprimirse en un color de exclusión que el sistema OCR puede eliminar fácilmente. ^{[ 42 ]} Esta técnica se utilizaba en la antigua Unión Soviética, que tenía códigos postales numéricos y casillas estandarizadas en la parte inferior de todos los sobres donde el usuario imprimía los dígitos uniendo los puntos. ^{[ 46 ]} 

Palm OS utilizaba un conjunto especial de glifos, conocido como Graffiti , similares a los caracteres ingleses impresos, pero simplificados o modificados para facilitar su reconocimiento en el hardware de la plataforma, cuya capacidad de procesamiento era limitada. Los usuarios debían aprender a escribir estos glifos especiales.

El OCR basado en zonas restringe la imagen a una parte específica de un documento. Esto se conoce a menudo como OCR basado en plantillas .

Encargado por el Departamento de Energía de los Estados Unidos (DOE), el Instituto de Investigación de Ciencias de la Información (ISRI) tenía la misión de fomentar la mejora de las tecnologías automatizadas para la comprensión de documentos impresos a máquina, y llevó a cabo la prueba anual más autorizada de precisión de OCR desde 1992 hasta 1996. ^{[ 50 ]}

El reconocimiento de texto mecanografiado en escritura latina aún no es 100% preciso incluso cuando se dispone de imágenes claras. Un estudio basado en el reconocimiento de páginas de periódicos de los siglos XIX y principios del XX concluyó que la precisión del OCR carácter por carácter para el software OCR comercial variaba del 81% al 99%; ^{[ 51 ]} la precisión total se puede lograr mediante revisión humana o autenticación del diccionario de datos. Otras áreas , incluido el reconocimiento de escritura a mano, escritura cursiva y texto impreso en otros alfabetos (especialmente aquellos caracteres de lenguas de Asia Oriental que tienen muchos trazos para un solo carácter) , siguen siendo objeto de investigación activa. La base de datos MNIST se utiliza comúnmente para probar la capacidad de los sistemas para reconocer dígitos escritos a mano.  

Las tasas de precisión se pueden medir de varias maneras, y la forma en que se miden puede afectar significativamente la tasa de precisión reportada. Por ejemplo, si no se utiliza el contexto de la palabra (un léxico de palabras) para corregir el software que encuentra palabras inexistentes, una tasa de error de caracteres del 1 % (99 % de precisión) puede resultar en una tasa de error del 5 % o peor si la medición se basa en si cada palabra completa se reconoció sin letras incorrectas. ^{[ 52 ]} El uso de un conjunto de datos suficientemente grande es importante en las soluciones de reconocimiento de escritura a mano basadas en redes neuronales. Por otro lado, producir conjuntos de datos naturales es muy complicado y requiere mucho tiempo. ^{[ 53 ]}

Un ejemplo de las dificultades inherentes a la digitalización de textos antiguos es la incapacidad del OCR para diferenciar entre los caracteres " s larga " y "f". ^{[ 54 ] [ 49 ]}

El reconocimiento de texto cursivo tiene tasas de reconocimiento incluso inferiores a las del texto manuscrito . Es probable que no se puedan alcanzar tasas de reconocimiento más altas de la escritura cursiva en general sin el uso de información contextual o gramatical. Por ejemplo, reconocer palabras completas de un diccionario es más fácil que intentar analizar caracteres individuales de la escritura. Leer la línea de importe de un cheque (que siempre es un número escrito a mano) es un ejemplo donde el uso de un diccionario más pequeño puede aumentar considerablemente las tasas de reconocimiento. Las formas de los caracteres cursivos individuales simplemente no contienen suficiente información para reconocer con precisión (más del 98 %) toda la escritura cursiva manuscrita.

La mayoría de los programas permiten a los usuarios establecer "niveles de confianza". Esto significa que, si el software no alcanza el nivel de precisión deseado, se puede notificar al usuario para que realice una revisión manual.

Un error introducido por el escaneo OCR a veces se denomina scanno (por analogía con el término typo ). ^{[ 55 ] [ 56 ]}

Los caracteres compatibles con el reconocimiento óptico de caracteres (OCR) se añadieron al estándar Unicode en junio de 1993, con el lanzamiento de la versión 1.1.

Algunos de estos caracteres se obtienen a partir de fuentes específicas para MICR , OCR-A u OCR-B .

•  Reconocimiento óptico de caracteres Unicode (OCR) – Rango hexadecimal: 2440-245F
• Bibliografía comentada de referencias sobre reconocimiento de caracteres manuscritos y computación con lápiz óptico