ABBYY OCR技术教电脑阅读缅甸语（下）

文本行检测到之后，我们开始寻找单词和字母之间的间隙，这一次，我们运用了水平直方图，将大的间隙假设为单词之间的空隙，小的间隙理解为字母之间的空隙，检测缅甸文本中的空隙几乎没有出现问题，不像泰语，几乎没有空隙。（我们的OCR技术可以识别泰语文本，多达200种其他语言）

将文本行划分为更小的片段之后，我们尝试将片段划分为单个字符，再一次在直方图上观察高峰和低谷值，低谷对应于字母之间的可能间隙，有些间隙可以很确定地检测到，有些则需要通过各种试探法进行验证。

以下图形展示了英语单词的直方图：

缅甸脚本中的大量半圆字符产生了很多“错误”高峰和低估，使得检测空隙变得更难，但是直方图法同样适用于缅甸语。

现在我们可以尝试识别单个字符，确切地讲是字母，字母就是字符的图形表现形式，但它不是一一对应的。在欧洲文本中，一个字母可能对应多个字符（比如大写的“C”和小写的“c”属于同一个字母），且一个字符可能由多个字母传达（比如，字母“a”在不同的字体中可能由不同的字母表示）。

没有标准的字母列表，因此我们手动编译，为每个字母指定所有可能的字符，再在候选单词产生的时候将字母翻译成字符。

正如我们之前注意到的，缅甸脚本中存在大量可分辨的字符，其中很多可以与他们主字母融合形成新字符：

如果某个变音符与其字母分离，我们先识别该字母，然后识别变音符，最后结合识别结果获获取新字母。如果某个变音符和其字母形成不可分割的单元，我们会尝试整体识别。

融合字符在缅甸书写系统中如此普遍以至于我们不得不提升技术以识别3500种新字母，这远远超过我们通常添加新语言的工作量。

字母识别完成之后，必须将其翻译成Unicode字符，然后组成单词。该过程对于欧洲语言相当简单，只需一个一个识别字符然后翻译为Unicode，但针对缅甸融合字符，则需要特别对待。

在翻译字符过程中有一个特定的正确顺序，在这个顺序中缅甸字母必须通过键盘输入，这样Windows才能将它们连接起来，有些字符必须在其他所有字符输入之后再进行输入，这样Windows才能在划分音节一开始将它们放置在正确的位置。

例如：在文本编辑器中键入下面这个单词：

用户必须按照字符的下面顺序键入字符：

我们已在我们的技术中加入了特殊修正后模块，确保结果单词遵从这些键入规则，所有文本都识别完成之后，模块再次阅读识别的文本，检查字符顺序是否正确，缅甸语是一种结构非常好的语言，有足够的正式规则支持这些检查。

完成此项目花了我们4个月时间，最终识别准确度高达97%（客户要求至少94%），未来应该会实现识别更多的缅甸语字体。