Обзор современных методов распознавания рукописных текстов, применимых для обработки средневековых славянских рукописей

А С Варламов

doi:10.22213/2410-9304-2026-2-35-42

Авторы

А. С. Варламов ИжГТУ имени М. Т. Калашникова

DOI:

https://doi.org/10.22213/2410-9304-2026-2-35-42

Ключевые слова:

распознавание, рукопись, старославянский, hTR, трансформер, cnn, CRNN

Аннотация

В исследовании проводится систематизация и критический анализ современных подходов к распознаванию рукописных текстов с акцентом на их применимость к средневековым славянским манускриптам. Методология включает анализ научных публикаций, диссертационных исследований и технической документации ведущих HTR-платформ по принципам научной релевантности за период 2010-2025 гг. Особое внимание уделено проектам по распознаванию исторических текстов на кириллице - как международным (Transkribus, eScriptorium, Tesseract), так и российским разработкам (RECO, Digital Пётр, «Рукописное наследие Древней Руси»).Выполнен сравнительный анализ классических и нейросетевых методов распознавания. Классические алгоритмы (сопоставление шаблонов, SVM, k-NN) показали низкую эффективность из-за необходимости точной сегментации, зависимости от качества признаков и слабой адаптивности к вариативности почерка. В свою очередь, нейросетевые подходы продемонстрировали более высокие результаты: CNN эффективны для извлечения пространственных признаков, но не моделируют последовательности; CRNN с CTC позволяют распознавать строки без предварительной сегментации символов; трансформеры (TrOCR, SATRN) достигают наилучших показателей благодаря механизму самовнимания, который помогает улавливать долгосрочные зависимости и контекстные связи - это особенно важно для обработки лигатур, диакритики и сокращений.Выявлены ключевые проблемы распознавания средневековых славянских рукописей: отсутствие крупных размеченных корпусов и недостаточная адаптация моделей к лингвистическим и графическим особенностям славянской письменности. Установлено, что трансформерные архитектуры открывают новые возможности для HTR исторических текстов, позволяя преодолеть многие ограничения предыдущих подходов. Результаты исследования могут быть использованы при создании корпусов, выборе архитектур моделей и разработке новых решений в предметной области.

Биография автора

А. С. Варламов, ИжГТУ имени М. Т. Калашникова

преподаватель

Библиографические ссылки

Варламов А. С., Макарова О. Л. Проблемы распознавания старославянских манускриптов // Информационные технологии в науке, промышленности и образовании : сборник трудов Всероссийской научно-технической конференции, Ижевск, 23-24 мая 2024 года. Ижевск : УИР ИжГТУ имени М. Т. Калашникова, 2024. С. 57-61. EDNEBIBYI.

Brunelli, Roberto. Template Matching Techniques in Computer Vision: Theory and Practice / R. Brunelli. -Chichester; Hoboken, NJ: John Wiley & Sons, 2009. 348 с. ISBN 978-0-470-51706-2.

Cortes C., Vapnik V. Support-vector networks. Mach Learn 20, 273-297 (1995). DOI 10.1007/ BF00994018.

Cover T. M., Hart P. E. Nearest neighbor pattern classification // IEEE Transactions on Information Theory. 1967. Vol. 13, No. 1. P. 21-27. DOI: 10.1109/TIT.1967.1053964.

Lecun Y., Bottou L., Bengio Y. and Haffner G P. radient-based learning applied to document recognition, in Proceedings of the IEEE, vol. 86, no. 11, pp. 2278-2324, Nov. 1998, DOI: 10.1109/5.726791.

Graves A., Fernández S., Liwicki M., Bunke H., Schmidhuber J. Unconstrained Online Handwriting Recognition with Recurrent Neural Networks // Advances in Neural Information Processing Systems (NIPS), Vol. 20, Dec. 2007. P. 577-584.

Graves A., Supervised Sequence Labelling with Recurrent Neural Networks. Berlin, Heidelberg: Springer-Verlag, 2012. - (Studies in Computational Intelligence; т. 385). 133 с. ISBN 978-3-642-24796-5. DOI: 10.1007/978-3-642-24797-2.

Li M., Lv T., Chen J., Cui L., Lu Y., Florencio D., Zhang C., Li Z., Wei F. TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models // Proceedings of the AAAI Conference on Artificial Intelligence. 2023. Vol. 37, No. 11. P. 13094-13102. DOI: 10.1609/aaai.v37i11.26538.

Lee J. et al. On recognizing texts of arbitrary shapes with 2D self-attention // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. - 2020. - С. 546-547.

Kowsari K., Heidarysafa M., Meimandi K. J., Brown D. E., Barnes L. E. RMDL: Random Multimodel Deep Learning for Classification // Proceedings of the 2nd International Conference on Information System and Data Mining (ICISDM). New York: ACM, 2018. P. 19-28. DOI: 10.1145/3206098.3206111.

Kumar J. P. Handwritten Text Recognition Using Deep Learning: A CNN-LSTM Approach // International Journal of Intelligent Systems and Applications in Engineering. 2025. Vol. 13, No. 1. P. 14-22.

Nockels, J., Gooding, P., Ames, S., &Terras, M. (2022). Understanding the application of handwritten text recognition technology in heritage contexts: a systematic review of Transkribus in published research. Archival science, 22(3), 367-392. DOI 10.1007/s10502-022-09397-0.

Eleftheriadi, K. (2025). Online Tools for Handwritten Text Recognition: A Comparative Study of Transkribus and eScriptorium in Byzantine Studies. STOAConsortiumBlog. Retrievedfromhttps://blog.stoa. org/archives/4308 (датаобращения: 14.02.2026).

Stokes, P., Kiessling, B., Stökl Ben Ezra, D., Tissot, R., &Gargem, E. H. (2021). The eScriptorium VRE for Manuscript Cultures. In C. Clivaz& G. V. Allen (Eds.), Classics@ Journal, Ancient Manuscripts and Virtual Research Environments, 18. Retrievedfromhttps://classics-at.chs.harvard.edu/classics18-stokes-kiessling-stokl-ben-ezra-tissot-gargem/(дата обращения: 14.02.2026). -Текст : электронный.

Torterolo-Orta Y. A. et al. Transcribing Spanish Texts from the Past: Experiments with Transkribus, Tesseract and Granite //arXiv preprint arXiv:2507.04878. - 2025. DOI 10.48550/arXiv.2507.04878.

Heil R. Document Image Processing for Handwritten Text Recognition: Deep Learning-based Transliteration of Astrid Lindgren’s Stenographic Manuscripts. Uppsala, Uppsala University, 2023, 87 p. Available at: https://www.diva-portal.org/smash/get/diva2: 1788213/FULLTEXT01.pdf (датаобращения: 12.02.2026).

Zhu J.-Y., Park T., Isola P., Efros A. Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks // Computer Vision and Pattern Recognition (CVPR). 2017. DOI: 10.48550/arXiv. 1703.10593.

Rabus A. Recognizing Handwritten Text in Slavic Manuscripts: a Neural-Network Approach using Transkribus // Scripta& e-Scripta. 2019. Vol. 19. P. 9-32.

Кучуганов А. В., Касимов Д. Р. RECO - программная система для распознавания старославянских текстов // Информационные технологии и письменное наследие : материалы международной научной конференции, Уфа; Ижевск, 28-31 октября 2010 года / отв. ред. В. А. Баранов. Уфа; Ижевск : Вагант, 2010. С. 144-148. EDN SWELVD.

Базарова Т., Проскурякова М. «Digital Пётр»: рукописное наследие Петра Великого и технологии искусственного интеллекта // Парад цифровых гуманитарных проектов : монография. Красноярск : Сибирский федеральный университет, 2025. С. 73-88. EDN ZIPEKJ.

Создание Корпуса рукописного наследия Древней Руси / Д. В. Демидов, А. Г. Кравецкий, А. А. Ларионов, А. А. Плетнева // Корпусная лингвистика - 2023 : труды международной конференции, Санкт-Петербург, 21-23 июня 2023 года. СПб. : Санкт-Петербургский государственный университет, 2024. С. 72-81. EDN LCBANH.

Демидов Д. В. Система поддержки создания корпуса рукописного наследия Древней Руси // XXII национальная конференция по искусственному интеллекту с международным участием (КИИ-2025) : Труды конференции, Санкт-Петербург, 06-10 октября 2025 года. СПб. : Санкт-Петербургский Федеральный исследовательский центр РАН, 2025. С. 40-51. DOI 10.15622/rcai.2025.067. EDNCWHUEE.

ManuscriptOCR : Библиотека для детекции и распознавания текста на исторических, архивных, рукописных и печатных документах // GitHub. - URL: https://github.com/konstantinkozhin/manuscript-ocr (дата обращения: 12.03.2026).

Manuscript. Распознавание дореформенных рукописей // Сервис Сибирского федерального университета. - URL: https://manuscript.sfu-kras.ru (дата обращения: 12.03.2026).

Патент RU 2757713 C1 «Распознавание рукописного текста посредством нейронных сетей» : пат.RU 2757713 C1 Российская Федерация / УпшинскийА.Л. ; заявитель АБИ Девелопмент Инк. № 2020138488 ;заявл. 24.11.2020 ; опубл. 20.10.2021, Бюл. № 29. - 17 с. : ил. // Федеральный институт промышленной собственности.

Собрание рукописей и старопечатных книг // Свято-Троицкая Сергиева Лавра. URL: https://lib-fond.ru/(дата обращения: 14.02.2026).

Российская национальная библиотека. Виртуальные выставки // РНБ. URL: https://expositions. nlr.ru (дата обращения: 14.02.2026).

Манускрипт | Древние славянские памятники // Славянское письменное наследие. URL: http://manuscripts.ru/ (датаобращения: 14.02.2026).