【OCR入门】一、基于深度学习的OCR技术导论和PaddleOCR

一、OCR简介

1.1、OCR是什么？

OCR（Optical Character Recognition，光学字符识别）是计算机视觉最重要的方向之一。传统的OCR一般指面向文档的识别，现在一般指场景文字识别，主要面向自然场景。

我觉得OCR还可以算是CV和NLP的一个中间商，通过OCR技术将CV图像中的一些字符检测出来，再用NLP解析文字的含义。

1.2、OCR的使用场景

OCR应用场景非常多：

OCR还可以作为多模态数据做一些更复杂的任务：

1.3、OCR的技术难点

难点大概可以分为算法层和应用层两方面。

应用层：模型大小和模型性能如何平衡？精度和速度的平衡？

二、OCR前言技术

2.1、文本检测

概念：把文本区域从图片区域中框出来。

2.2、文本识别

概念：将文字内容识别出来（就是认字，认出来这是什么字）

文本识别按识别文本的形状可以分为：规则文本识别和不规则文本识别两大类。

文本识别按最终识别结果的处理方式不同（解码方式的不同）可以分为：基于CTC和基于Attention两大类。

1. 基于CTC：CRNN+CTC
   主要创新：引入没有意义的空格字符。因为识别存在一个问题：时序特征的维度是固定的，但是最终要预测的图像特征是不固定的。所有引入空格字符，每一个时序特征都可以预测出一个字符，最后得到结果。
   缺点：但是每个时序特征是单独解码的（Softmax），所以解码时并没有利用上下文信息，对不规则形状文本识别效果差。

2. 基于Attention：Seq2Seq+attention
   解码时利用了上下文信息，精度较高，但是过长或过短文本的识别效果较差。

3. 其实还要一种分类：基于字符分割的方法。优点是可以解决弯曲文本和不规则文本，但是对字符的标注要求很高。

4. 今年还有一种比较火的方法：基于transformer的方法。可以解决CNN在长依赖建模的局限性。

2.3、文档的结构化识别

需求量很大，技术也比较难。

主要可分为版面分析、表格识别、关键信息提取三个技术方面。

1. 版面分析：把文档的内容划分为不同的区域（方法：目标检测 难点相对较低）；
2. 表格识别：把图片表格转为可编辑的excel表格。问题：表格本身版式很多，无线表格，单元格合并。（方法：基于启发式规则、基于CNN、基于GCN、端到端 难度高）；
3. 关键信息提取（难度高）

2.4、其他OCR相关工作

1. 端到端文本识别（火热）
2. OCR中的图像预处理技术
3. OCR数据合成

三、PaddleOCR

PPOCR：中英文检测模型

模型部署

四、想说的话

一个经典的OCR模型，一般可以分为文本检测和文本识别两个阶段。PaddleOCR的低层也是这样设计的。

写这个系列博客主要是为了记录下自己学OCR的过程，因为精力有限，后面主要的学习都只围绕文本检测和文本识别两个方面。

Reference

基于深度学习的OCR技术导论（上）
基于深度学习的OCR技术导论（下）