語言檢測

Question

我使用tesseract進行OCR，主要用於發票。但是，tesseract需要在開始處理文件之前指定語言。

我以爲我打算根據預定義的默認語言執行ocr。然後，我想使用結果文本來檢查使用哪種語言。如果它不是默認語言，我會再次處理它以便從tesseract中獲得更好的結果。

但是我該如何實現一種語言檢測算法？有我可以使用的C++庫嗎？

Answer 1

本文「Natural Language Identification for OCR Applications」描述了與您的要求類似的識別任務中涉及的技術。

Answer 2

我不確定這是否會對Java庫有幫助。但是我發現它非常酷，因爲它能夠從給定的文本中檢測大約50種語言，並且具有相當好的精確度。您可能希望看看它，因爲它是開源的，如果您的應用程序只需要用C++編寫，您可以用C++重寫代碼並將其返回給開源社區。

這裏是鏈接一樣：

http://code.google.com/p/language-detection/

注：它使用了Apache的Nutch和提卡庫進行分析。

Answer 3

您可能想要閱讀我的論文The WiLI benchmark dataset for written language identification並嘗試lidtk。

TL; DR：試一試CLD-2。