深度解析阿里云ET之OCR

摘要：什么是印刷字文字识别（OCR）技术？通俗易懂的说就是将图片中的文字识别出来。随着机器性能以及算法的不断演进，OCR技术在越来越多的领域得到应用，比如身份证内的信息识别、门店招牌内容识别等。作为人工智能领域的代表，OCR技术正在改变人们的生活，让越来越多的用户感受到科技发展带来的红利。

背景介绍

阿里云印刷字识别是有IDST-OCR团队开发，主要针对证件类图片进行识别。

阿里云OCR产品的主要优势如下：

阿里云证件类OCR技术

证件类图像有他天然的一个特点，就是强模板，易于结构化。比如身份证包含且一定包含姓名，性别，民族，出生，住址，公民身份照号码，签发机关，有效期等字段，而驾驶证则一定有姓名，准驾车型，有效期等字段，其他的证件也类似。

针对证件类的强模板类特征，阿里云的证件类OCR技术，在文字区域检测阶段加入了人脸，文字标题区域，印章，国徽等强特征，极大地提高文字区域检测的准确率和速度。比如：利用人脸定位，可以找到证件的方向角度和大概位置，利用下图中固定的区域模板，可以快速定位到所需字段的位置，从而也有利于定位方向角度，缩小所需字段文字区域。

在模型的训练上，阿里云利用字体库，人工生成大量的样本图片数据，再根据真实的场景，进行图像扭曲，模糊，曝光等多种不同技术，组合出不同程度的加噪效果，作为模型训练的基础输入，生成了几十亿条样本数据，模型具有极佳的鲁棒性。下图是人工生成的样本示例图。

支持如此大规模的离线图像模型训练，则是阿里云提供的GPU高性能服务器，以及基于多服务器，多GPU卡和高速网络连接的集群模型训练（内部称之为PAI-Pluto， PAI是阿里云机器学习平台的代号，欢迎申请试用），主流的GPU卡的计算能力要远远强于CPU。下图是Pluto在跑深度学习模型时的计算加速比。

在整行模型的识别中，主要使用的是LSTM技术，相比RNN，LSTM能更好的解决梯度衰减（gradient vanishing）的现象。LSTM的基本结构如下图所示，通过多个门电路的结合，使得LSTM可以有效的学习到较长时间序列之间的关系。

整行模型主要用于不便于切字的场景，比如地址，号码等等。

准确率

身份证识别在阿里内部某场景下，准确率(条目一字不差完全对)如下：

驾驶证的准确率和相关竞品的准确率(条目一字不差完全对)对比如下:

身份证识别：算法识别部分平均时间在0.8秒左右，前端接口部分，由于需要网络传输图片，这部分性能损失比较严重，测试500k，需要1-2秒左右，这个未来阿里云OCR会引入OSS（OSS为对象存储服务， https://www.aliyun.com/product/oss ），用户只需要提供OSS的访问路径和相关授权，就可以极大地减少这部分图像的网络传输时间。

行驶证和驾驶证：算法识别部分平均时间在1秒左右

营业执照：由于图片相对较大，性能较弱，在2秒左右

目前所有的OCR识别都采用的CPU，如果对性能比较有要求，后续阿里云有计划使用GPU，FPGA等技术来提升预测的性能。