【学习记录】零基础入门CV之街道字符识别-Task1 赛题理解4.92

主要内容

赛题目标：通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模能力。
赛题任务：赛题以计算机视觉中字符识别为背景，要求选手预测街道字符编码，这是一个典型的字符识别问题。

1.1赛题数据

1.数据来源：数据来自收集的SVHN（The Street View House Numbers）街道字符，并进行了匿名采样处理。
2.数据使用：所有的参赛选手只能使用比赛给定的数据集完成训练，不能使用SVHN原始数据集进行训练。
3.数据内容：训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位置；测试集A包括4W张照片，测试集B包括4W张照片。
4.处理目的：数据本赛题需要选手识别图片中所有的字符，了降低比赛难度，我们提供了训练集、验证集中所有字符的位置框。

1.2数据标签

对于训练数据每张图片将给出对于的编码标签，和具体的字符框的位置（训练集、测试集和验证集都给出字符位置），可用于模型训练：

Field	Description
top	左上角坐标X
height	字符高度
left	左上角最表Y
width	字符宽度
label	字符编码

注意：在比赛数据（训练集和验证集）中，同一张图片中可能包括一个或者多个字符，因此在比赛数据的JSON标注中，会有两个字符的边框信息

1.3评测指标

将选手提交结果与实际图片的编码进行对比，以编码整体识别准确率为评价指标。
任何一个字符错误都为错误，最终评测指标结果越大越好，具体计算公式如下：
score= 测试集图片数量/编码识别正确的数量

1.4 读取数据

为了方便大家进行数据读取，在此我们给出JSON中标签的读取方式：

import json
train_json = json.load(open('../input/train.json'))

# 数据标注处理
def parse_json(d):
   arr = np.array([
       d['top'], d['height'], d['left'],  d['width'], d['label']
   ])
   arr = arr.astype(int)
   return arr

img = cv2.imread('../input/train/000000.png')
arr = parse_json(train_json['000000.png'])

plt.figure(figsize=(10, 10))
plt.subplot(1, arr.shape[1]+1, 1)
plt.imshow(img)
plt.xticks([]); plt.yticks([])

for idx in range(arr.shape[1]):
   plt.subplot(1, arr.shape[1]+1, idx+2)
   plt.imshow(img[arr[0, idx]:arr[0, idx]+arr[1, idx],arr[2, idx]:arr[2, idx]+arr[3, idx]])
   plt.title(arr[4, idx])
   plt.xticks([]); plt.yticks([])

1.5解题思路

说到图像字符识别我想到了之前看过的一篇关于车牌号识别的文章（当时没有收藏，给不了链接），里面采用的是单字符分割的方法。还有其他三种不同的思路：

• 简单入门思路：定长字符识别
  可以将赛题抽象为一个定长字符识别问题，在赛题数据集中大部分图像中字符个数为2-4个，最多的字符个数为6个。
  因此可以对于所有的图像都抽象为6个字符的识别问题，字符23填充为23XXXX，字符231填充为231XXX。
  这样无论图中的字符数是多少，都能很好的识别出图像内容。
  

• 专业字符识别思路：不定长字符识别
  在字符识别研究中，有特定的方法来解决此种不定长的字符识别问题，比较典型的有CRNN字符识别模型。在本次赛题中给定的图像数据都比较规整，可以视为一个单词或者一个句子。

• 专业分类思路：检测再识别
  在赛题数据中已经给出了训练集、验证集中所有图片中字符的位置，因此可以首先将字符的位置进行识别，利用物体检测的思路完成
  
  ​

小节

了解完比赛，下面就要朝着这几种方法好好努力，加油！