一种孟加拉语复合字形识别方法、装置、介质、设备及产品与流程

摘要: 本发明涉及数字处理,尤其涉及一种孟加拉语复合字形识别方法、装置、介质、设备及产品。背景技术:1、孟加拉语在书写和显示时通常具有复合字形机制和依赖元音机制,在对孟...
一种孟加拉语复合字形识别方法、装置、介质、设备及产品与流程

本发明涉及数字处理,尤其涉及一种孟加拉语复合字形识别方法、装置、介质、设备及产品。

背景技术:

1、孟加拉语在书写和显示时通常具有复合字形机制和依赖元音机制,在对孟加拉语文本进行显示处理时,若仅按照字符编码顺序逐字符输出,容易导致复合字形无法正确识别或者显示顺序异常。

2、现有技术中,通常采用opentype复杂文本布局技术实现孟加拉语等复杂文字的字形替换和字形定位。该方案一般依赖gsub/gpos等字体表以及复杂文本布局引擎,能够实现较完整的复杂文字显示效果。但是,该方案通常需要较大的运行内存和存储空间,处理效率较低。

3、另一些方案采用unicode预组合字符或预定义复合字形编码进行显示处理,即直接调用已有编码对应的复合字形。然而,孟加拉语复合字形组合数量较多,unicode预定义或已有字形编码难以覆盖全部组合,且对动态输入的字符组合的识别能力较差,即当输入文本中出现未预定义的辅音组合或较长复合组合时,该类方案容易出现无法识别或错误拆分或显示缺失的问题。

4、还有一些方案采用静态字符串查表方式对输入文本进行匹配替换。该类方案实现相对简单,但通常按照固定顺序或首次命中原则进行匹配,当较短复合字形字符串和较长复合字形字符串同时存在于字形表中时,若先匹配到较短字符串并立即替换,则可能导致原本应作为整体识别的较长复合字形被错误拆分,从而降低孟加拉语复合字形识别的准确性。

5、综上,现有技术难以兼顾孟加拉语复合字形识别的准确性和处理效率。

技术实现思路

1、本发明实施例的目的在于,提出了一种孟加拉语复合字形识别方法、装置、介质、设备及产品,通过从待识别字符串中确定满足复合字形识别条件的目标孟加拉语字符序列,并对各目标孟加拉语字符序列执行最长匹配算法,以确定目标孟加拉语字符序列中的目标孟加拉语复合字形,从而在提升孟加拉语复合字形识别处理效率的同时,提高孟加拉语复合字形识别的准确性。

2、为了实现上述目的,本发明第一方面实施例提供了一种孟加拉语复合字形识别方法,所述方法包括:

3、获取待识别字符串,并从所述待识别字符串中,确定满足复合字形识别条件的目标孟加拉语字符序列;

4、对各所述目标孟加拉语字符序列执行最长匹配算法,以确定各所述目标孟加拉语字符序列中的目标孟加拉语复合字形。

5、本实施例,通过从待识别字符串中筛选满足复合字形识别条件的目标孟加拉语字符序列,并仅对目标孟加拉语字符序列执行最长匹配算法,从而在降低复合字形识别计算量的同时,提高孟加拉语复合字形识别的准确性。

6、进一步地,所述从所述待识别字符串中,确定满足复合字形识别条件的目标孟加拉语字符序列,包括:

7、对所述待识别字符串进行解码,得到所述待识别字符串中各字符的编码值;

8、基于所述待识别字符串中各字符的编码值,对所述待识别字符串中的孟加拉语字符进行字符序列分割,得到若干孟加拉语字符序列;

9、确定各所述孟加拉语字符序列的编码长度,并将所述编码长度大于预设编码长度阈值的孟加拉语字符序列确定为目标孟加拉语字符序列。

10、本实施例,能够准确区分待识别字符串中的孟加拉语字符段和非孟加拉语字符段,并过滤掉不满足复合字形识别条件的短字符序列,从而提高后续复合字形识别的处理效率。

11、进一步地,所述基于所述待识别字符串中各字符的编码值,对所述待识别字符串中的孟加拉语字符进行字符序列分割,得到若干孟加拉语字符序列,包括:

12、按照所述待识别字符串中各字符的排列顺序,依次识别所述待识别字符串中各字符的编码值;

13、当当前字符的编码值处于预设孟加拉语编码范围内,且前一字符对应的编码值未处于所述预设孟加拉语编码范围内时,将所述当前字符确定为当前孟加拉语字符序列的首字符;

14、从所述当前孟加拉语字符序列的首字符开始,依次识别后续字符的编码值,直至识别第一个编码值未处于所述预设孟加拉语编码范围内的第一非孟加拉语字符;

15、将所述第一非孟加拉语字符的前一字符确定为所述当前孟加拉语字符序列的尾字符,并基于所述首字符和所述尾字符,从所述待识别字符串中截取对应的连续孟加拉语字符,得到一个孟加拉语字符序列;

16、继续识别所述第一非孟加拉语字符之后的字符,直至识别完所述待识别字符串中的所有字符,得到若干孟加拉语字符序列。

17、本实施例,在多语言混合字符串中提取若干连续的孟加拉语字符序列,从而提高后续孟加拉语字符序列识别的准确性。

18、进一步地,所述对各所述目标孟加拉语字符序列执行最长匹配算法,以确定各所述目标孟加拉语字符序列中的目标孟加拉语复合字形,包括:

19、将任一所述目标孟加拉语字符序列作为目标待匹配字符序列;

20、按照所述目标待匹配字符序列中各字符的排列顺序,将所述目标待匹配字符序列中的各字符依次确定为候选子串起点,并将位于所述候选子串起点之后的各字符依次确定为候选子串终点;

21、基于各所述候选子串起点和各所述候选子串终点,从所述目标待匹配字符序列中截取对应的候选字符子串;

22、将各所述候选字符子串与预设复合字形字符串表中的孟加拉语复合字形字符串进行匹配;当存在与所述预设复合字形字符串表中的预设孟加拉语复合字形字符串匹配成功的候选字符子串时,确定各匹配成功的候选字符子串的字符长度;

23、将字符长度最长的匹配成功的候选字符子串,确定为所述目标待匹配字符序列中的目标孟加拉语复合字形。

24、本实施例,将字符长度最长的匹配成功候选字符子串确定为目标孟加拉语复合字形,能够避免较短复合字形字符串覆盖较长复合字形字符串,从而提高复杂孟加拉语复合字形的识别完整性和准确性。

25、进一步地,还包括:

26、基于预设字形编码映射表,将所述目标孟加拉语复合字形替换为对应的目标字形编码,生成初始输出字符序列;

27、检测所述初始输出字符序列中是否存在单位依赖元音;

28、若存在所述单位依赖元音,则确定所述单位依赖元音关联的辅音字符,并将所述单位依赖元音调整至所述关联的辅音字符之前,以更新所述目标孟加拉语复合字形。

29、本实施例,能够改善单位依赖元音存储顺序与显示顺序不一致导致的显示异常问题。

30、进一步地,还包括:

31、检测所述初始输出字符序列中是否存在二元依赖元音;

32、若存在所述二元依赖元音,则将所述二元依赖元音拆分为左侧元音组成部分和右侧元音组成部分,以更新所述目标孟加拉语复合字形。

33、本实施例,能够提高包含二元依赖元音的孟加拉语字符序列的处理准确性。

34、为了实现上述目的,本发明第二方面实施例还提供了一种孟加拉语复合字形识别装置,用于实现上述第一方面任一项所述的一种孟加拉语复合字形识别方法,所述装置包括:

35、孟加拉语字符序列筛选模块,用于获取待识别字符串,并从所述待识别字符串中,确定满足复合字形识别条件的目标孟加拉语字符序列;

36、孟加拉语复合字形识别模块,用于对各所述目标孟加拉语字符序列执行最长匹配算法,以确定各所述目标孟加拉语字符序列中的目标孟加拉语复合字形。

37、本发明第三方面实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述第一方面任一项所述的一种孟加拉语复合字形识别方法。

38、本发明第四方面实施例还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现上述第一方面任一项所述的一种孟加拉语复合字形识别方法。

39、本发明第五方面实施例还提供了计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述第一方面任一项所述的一种孟加拉语复合字形识别方法。