在文本图像OCR技术领域,版面分析是非常重要的一个环节。将文本图像上内容进行定位和分类,区分出文本区域、表格区域、图片区域等。后续针对不同区域类型进行处理,文本区进行行分析和识别,表格区域进行表格分析识别,图像区域不做处理。 我们采用了一种基于多层次基元的版面分析模型,并根据不同层次的可信度指导自底向上的合并算法。这种方法可以有效的处理复杂的版面,并减少对特殊规则的依赖。
传统识别算法对中英数字混排的识别率较差,因为混排字符不等宽,无法进行准确字符切分造成识别率低。CNN+LSTM+CTC技术方案是一种端到端的识别技术,可以达到较高识别率。这种方案不需要人工设计切分算法,也不需要人工设计单字符识别引擎,将整行文本图像和标注真值送网络模型迭代即可完成训练。是一种端到端的识别方案,大大减少了识别引擎研发的复杂度并提高了精度。