第1章 企业应用最广泛的AI案例开发:OCR文字识别
1.1 OCR介绍
OCR简介
- OCR光学字符识别
- 发展时间较长
- 使用普遍
OCR流程
- 机器学习
- 图像预处理:去噪、灰度化、图像增强等
- 文本检测:滑动窗口算法遍历整张图片
- 字符分类:划分单个字符,识别单字
- 深度学习方法
文字区域检测:将图片中出现的文本位置检测出来,可能存在不同语言,不同文字大小,不同角度倾斜,不同程度遮挡 等情况。
-
CTPN:CTPN网络结合了CNN与LSTM深度网络,通过固定宽度的anchor提取proposal,能有效的检测出复杂场景的横向分布的文字区域,不定长度文本识别效果较好,是目前使用广泛的文字检测算法。
-
EAST:EAST网络分为三部分:特征提取,特征融合和输出层,实现了端到端的文本区域检测,通过FCN网络生成图片文本参数,然后通过NMS筛选,得到检测结果。
-
PixelLink:PixelLink算法采用了实例分割的方法完成文本区域检测,通过将统一实例中的像素链接,通过链接区域分割出文本实例,然后从分割结果中提取文本边界框,进行回归计算。
**字符识别算法,将文本区域的字符识别出来。通过深度神经网络对目标区域进行特征提取,然后对固定特征进行提取和比对,得出识别结果。
-
CRNN+CTC:CRNN卷积循环神经网络,将特征提取,序列建模以及转录整合到统一的模型框架中。CRNN网络分为:卷积层、循环层和转录层三部分,CTC为无词典的转录方式,不会被局限在预定义词汇范围中。
OCR相关的开源资源
- Tesseract
2006年开源的光学字符识别引擎,因为开源使用以及精准的检测效果,Tesseract的使用十分普遍。 - MNIST手写数字数据集
MNIST数据集包括了大量的手写数字图片,包括6万张训练数据集和1万张测试数据集,是广泛使用的开源数据集之一,很多深度学习任务的入门练习数据集。 - COCO-text
包含日常生活里复杂场景中的文字,数据集提供了边界框的位置,区分了打印文字和手写文字,清晰和模糊的文字,文字的内容等标注信息,数据集包括了超过173,589标注了的文本区域,超过63,686张图片。 - CTW中文街景数据集
数据集中包含了32285张图片,共计1018402个汉字,3850个汉字类别。标注信息包括了文字行的边界框、文字单字的边界框、是否遮挡扭曲、是打印文字或者手写文字等。
OCR面临的挑战
- 汉字字符识别
汉字字符的识别难度相比较英文字符要更大,字符的识别过程可以近似为分类,引文字符的分类数远小于汉字单字的数量,所以分类的难度更高。除此之外,多语言混合也是字符分类任务中的挑战,字符识别更加复杂。 - 手写字符识别
印刷字体遵循固定的规则,而手写字符的识别相比较就更加复杂,每个人的书写习惯都不同,同一个人书写同样的字符也不完全相同,识别难度大大增加。
1.2 华为云OCR调用指南
1.3 CTPN+CRNN端到端实现文字识别
CPTN
- 网络结构:CNN-VGG16、RNN、FC
CRNN
- 卷积循环神经网络:卷积层(提取特征)、循环层(深度双向LSTM)、转录层(将RNN输出做softmax)
完整的端到端OCR流程
- 准备一张含有文字的原图;
- 对原图进行文字位置的检测,检测结果可能是水平矩形框,也可能是倾斜矩形框;
- 从原图中吧文字框对应的图片切下来,并旋转正,得到水平的文字块切片图;
- 对每个文字块切片图依次进行字符识别,每个切片图的识别结果汇总起来,就得到原图的文字识别结果。
- 因此完整的端到端OCR流程是:输入原图->文字检测->文字块切片->字符识别->识别结果汇总。
动手实践