我已经看到一些关于根据不同引擎的输出确定最佳 OCR 结果的问题，答案通常是“选择最佳引擎”。但是，我想捕获几帧文本图像，可能会有临时遮挡或临时故障。我将 tesseract-ocr 与 python-tesseract 一起使用。
考虑到最后 N 帧的 OCR 输出，我想确定什么是最好的结果（为简单起见，逐行）。
例如，对于 N=3，我们可以使用中值过滤：
ABXD
XBCX
AXCD
当 3 个字符中有 2 个相等时，多数人获胜，因此结果为 ABCD。但是，对于不同的字符串大小，这并不容易。如果我期望给定大小 M（如果扫描价格表，行通常是 XX.XX），我总是可以对大于 M 的字符串进行惩罚。
如果我们谈论数字，中值滤波会很好用（计算机视觉中的简单背景减法），或者一些最小均方自适应滤波。还有相似字符的问题：l并且1可能非常相似，具体取决于字体。
我也在考虑在每个字符串之间使用字符串距离。例如，选择与其他字符串的距离总和最小的字符串。
以前有没有人解决过这种问题？我应该知道这种问题的任何已知算法吗？