KOHTD：哈萨克语离线手写文本数据集

尽管信息交换已逐步转向数字化，但许多文档，如发票、税务文件、备忘录、问卷、历史资料以及考试答题内容，仍然需要手写输入。为此，亟需引入手写文本识别（Handwritten Text Recognition, HTR）技术，即通过计算机自动解析手写记录的自动化方法。手写识别面临巨大挑战，原因在于同一信息可被不同个体以几乎无限多样的方式书写。针对这一问题，本研究提出开展哈萨克语手写文本识别的相关研究，而构建一个全面的哈萨克语手写文本数据集尤为关键。尤其值得注意的是，目前尚缺乏可用于哈萨克语手写文本识别的公开数据集。为此，本文提出一个大规模的离线哈萨克语手写文本数据集——KOHTD（Kazakh Offline Handwritten Text Dataset），该数据集包含3000份手写考试试卷，超过140,335张分割后的图像样本，共计约922,010个字符。该数据集可为手写识别领域的研究人员提供丰富的资源，支持深度学习与机器学习方法的应用。在本研究中，我们采用了多种主流文本识别方法进行单词与行级识别，包括基于CTC（Connectionist Temporal Classification）和基于注意力机制（attention-based）的方法。实验结果表明，KOHTD数据集具有高度的多样性与代表性。此外，我们提出一种基于随机参数枚举的遗传算法（Genetic Algorithm, GA），用于实现文本行与单词的分割。目前，该数据集及GA算法的代码已开源，可访问GitHub获取：https://github.com/abdoelsayed2016/KOHTD。