칸나다 문자 인식 최신 동향 리뷰

초록

본 논문은 인쇄된 칸나다 문자에 대한 기존 OCR 연구들을 종합적으로 검토하고, 각 접근법의 특징과 성능을 비교한다. 칸나다 스크립트의 구조적 특성을 설명한 뒤, 전처리, 특징 추출, 분류 단계별 주요 방법들을 정리하고, 최종적으로 분류기 수준에서의 융합 전략을 제안하여 인식 정확도 향상을 목표로 한다.

상세 요약

칸나다 문자 인식 시스템은 인도 남부에서 사용되는 복합적인 알파벳 구조 때문에 고유의 어려움을 안고 있다. 본 리뷰는 먼저 칸나다 스크립트가 갖는 기본적인 특징—예를 들어, 모음 기호가 자음에 결합되는 복합 문자, 수평·수직 결합 형태, 그리고 동일한 기본 형태에 다양한 변형이 존재한다는 점—을 상세히 설명한다. 이러한 특성은 전처리 단계에서 정확한 스케일 정규화와 노이즈 제거가 필수적임을 의미한다. 논문에 인용된 대부분의 연구는 Otsu 이진화, 중간값 필터, 그리고 형태학적 연산을 활용해 배경을 제거하고 문자 영역을 추출한다.

특징 추출 방법으로는 전통적인 구조적 특징(획의 수, 교차점, 루프 수 등)과 통계적 특징(히스토그램, Zernike 모멘트, Gabor 필터 응답) 그리고 최근에는 딥러닝 기반의 자동 특징 학습이 도입되고 있다. 특히, Gabor 필터와 HOG(히스토그램 오브 그라디언트)는 문자 형태의 방향성을 효과적으로 포착해 높은 분류 정확도를 보였다. 그러나 이러한 방법들은 학습 데이터가 충분히 다양하지 않을 경우 과적합 위험이 있다.

분류기 측면에서는 SVM, KNN, 인공신경망(MLP), 그리고 최근에는 CNN 기반 모델이 주로 사용된다. SVM은 고차원 특징 공간에서 마진을 최대로 하는 장점으로 소규모 데이터셋에서 좋은 성능을 보였으며, KNN은 구현이 간단하지만 대규모 데이터에서는 연산 비용이 크게 증가한다. MLP와 CNN은 비선형 패턴을 학습하는 데 강점을 가지며, 특히 CNN은 이미지 전체를 입력으로 받아 자동으로 특징을 추출함으로써 전처리 단계의 복잡성을 감소시킨다. 그러나 CNN 모델은 대량의 라벨링된 데이터와 높은 연산 자원을 요구한다는 한계가 있다.

본 논문이 강조하는 핵심 제안은 ‘분류기 수준에서의 융합’이다. 개별 분류기의 예측 결과를 확률 벡터 형태로 수집한 뒤, 가중 평균, 다수결, 혹은 메타 분류기(예: 스택드 일반화)를 적용해 최종 결정을 내린다. 실험 결과, 단일 분류기보다 2~3% 정도 인식 정확도가 향상되었으며, 특히 복합 문자와 유사 형태 문자 구분에서 큰 효과를 보였다. 이러한 융합 전략은 서로 다른 특징 추출 방법과 분류기의 장점을 보완함으로써 전반적인 시스템 견고성을 높인다.

마지막으로, 리뷰는 현재 연구가 주로 인쇄체에 국한되어 있고, 손글씨나 저해상도 이미지에 대한 대응이 부족함을 지적한다. 또한, 데이터셋 표준화 부족과 평가 지표의 일관성 결여가 연구 재현성을 저해한다는 점을 강조한다. 향후 연구는 대규모 다중 스크립트 데이터베이스 구축, 전이 학습을 통한 데이터 효율성 개선, 그리고 실시간 모바일 환경에 최적화된 경량 모델 개발이 필요하다고 제언한다.