一种基于文本行识别的蒙古文文本行和词对齐语料库构建方法

本发明公开了一种基于文本行识别的蒙古文文本行和词对齐语料库构建方法，对于包含蒙古文的图像，基于垂直投影法进行图像分割，得到一个最初的文本行直线分割结果；进行文本行粗对齐，利用粗对齐的文本行语料训练文本行识别网络，得到识别后文本字符序列；预测文本行内单词分割线，根据生成的单词分割线，结合连通域分析生成单词边框；将同一行中各个单词的边框连起来，生成一个完整包围整文本行的最小矩形框，从而构建出蒙古文文本行和词对齐语料库。本发明结合传统图像处理与深度学习模型，解决了早期铅印报纸图像因印刷缺陷导致的欠切分和过切分问题，显著提升了蒙古文文本行和单词对齐的准确性，同时降低了人工校正成本。