c++ - 语言检测

Question

我将tesseract用于 OCR，主要用于发票。但是，tesseract 需要在开始处理文件之前指定语言。

我以为我将根据预定义的默认语言执行 ocr。然后我想使用生成的文本来检查使用的是哪种语言。如果它不是默认语言，我会再次对其进行处理，以便从 tesseract 中获得更好的结果。

但是如何实现语言检测算法呢？有我可以使用的 C++ 库吗？

Answer 1

本文“ OCR 应用程序的自然语言识别”描述了与您的要求类似的识别任务所涉及的技术。

Answer 2

我不确定这是否会有所帮助，因为该库使用 Java。但我发现它真的很酷，因为它能够从给定的文本中检测出大约 50 种语言并且具有相当不错的精度水平。你可能想看看它，因为它是开源的，如果你的应用程序只需要用 C++ 编写，你可以用 C++ 重写代码并将其返回给开源社区。

这是相同的链接：

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

注意：它使用 Apache Nutch 和 Tika 库进行分析。

Answer 3

您可能想阅读我的论文The WiLI benchmark dataset for writing language Identification并尝试lidtk。

TL;DR：试试 CLD-2。