OCR快速入门（一）| Python版

点击关注我哦

一篇文章带你了解OCR | Python版

简介

OCR或光学字符识别是最早解决的计算机视觉任务之一，因为在某些方面它不需要深度学习。因此，即使在2012年深度学习热潮之前，也有不同的OCR实现方式，有些甚至可以追溯到1914年。

这让很多人认为OCR的挑战已经“解决”，不再具有挑战性。另一个的观点是OCR不需要深度学习，或者换句话说，使用深度学习来进行OCR是一种过度的尝试。

计算机视觉或者机器学习的研究人员都知道，没有任何任务可以称得上是“解决”的，OCR也不例外。相反，OCR仅在非常特定的用例上才能产生非常好的结果，但总的来说，它仍然被认为具有挑战性。

此外，对于某些不需要深入学习的OCR任务，确实有很好的解决方案。然而，要真正朝着更好、更普遍的解决方案迈进，深入学习将是必不可少的。

为什么要介绍OCR？

这也是从工作的项目开始的，小编被要求解决一个具体的OCR任务。在完成这项任务期间，得出了一些值得分享的结论和见解。另外，在集中精力完成一项任务之后，很难停止并扔掉它，所以小编继续研究，希望能得到一个更好、更广泛的解决方案。

在这里能获得什么？

在本文中，小编将探讨用于解决不同OCR任务的一些策略、方法和逻辑，并将分享一些有用的方法。在最后一部分中，我们将使用代码解决现实生活中的问题。当然文章介绍的不会那么全面，欢迎有兴趣的同学加入一起讨论~

OCR的类型

如前文所述，OCR有不止一个含义。在它最一般的意义上，它指的是从每个可能的图像中提取文本，无论是从一本书的标准印刷页，还是一个随机的涂鸦图像（“户外图像”）。在这两者之间，你可能会发现许多其他的任务，例如车牌识别、禁止机器人验证码、街道标志等。

尽管每一种任务都有自己的困难，但显然户外”任务是最困难的，因为环境复杂导致很多物体的不可控。

从这些例子中可以得出OCR任务的一些属性：

文字密度：在印刷或书写的页面上，文字是密集的。然而，给出一张只有一个街道标志的街道图像，文本是稀疏的；

文本的结构：页面上的文本是结构化的，大多数情况下是按严格的行排列的，而自由状态下的文本可能以不同的旋转方式散布在各处；

字体：印刷字体比较容易，因为它们比手写字体更有结构感；

字符类型：文本可能以不同的语言出现，而彼此之间的差别会很大。此外，文字的结构可能与数字不同，例如门牌号码等；

噪声：室外图片明显比扫描仪噪音大得多；

位置：某些任务的文本可能是裁剪好的或者位于图像中央，然而某些任务的文本位置则是随机的，可能在图像的任何位置。

数据集/任务

SVHN

SVHN（街景房号数据集）是一个很好的起点。顾名思义，这是从Google街景视图中提取的房屋编号数据集。任务难度中等。数字有各种形状和书写样式，但是每个门牌号都位于图像的中间，因此不需要检测。图像的分辨率不是很高，它们的排列可能有些特殊。

车牌

另一个常见的挑战是车牌识别，这在实践中并不十分困难但却十分有用。与大多数OCR任务一样，此任务需要检测车牌，然后识别其字符。由于车牌的形状相对恒定，有些方法在实际识别数字之前先用简单的方法对车牌进行调整。以下是一些来自网络上的示例：

1.OpenALPR是一个鲁棒性很强的工具，不需要深入学习，可以识别来自不同国家的车牌；

2. 此网址（https://github.com/qjadud1994/CRNN-Keras）提供了CRNN模型的实现（将进一步讨论），以识别韩国车牌。

验证码

由于互联网上到处都是机器人，把机器人与真人区分开来的一种常见做法就是视觉任务，特别是文本阅读，又名验证码。这些文本中有许多是随机的和扭曲的，这会使计算机更难阅读。但随着技术的进步，现在大多数文本验证码的识别都不是很难解决的，特别是如果我们不尝试同时解决所有这些问题的话。

AdamGeitgey提供了一个很棒的教程，通过深度学习来解决一些验证码问题，其中包括再次合成人工数据。

PDF OCR

OCR最常见的场景是打印文件和pdf。打印文档的结构化特性使解析它们更加容易。大多数OCR工具（如Tesseract）主要是为了解决这个问题，并取得良好的效果。因此，本篇文章中便不对这项任务做过多的阐述。

户外OCR

这是最具挑战性的OCR任务，因为它将所有一般的计算机视觉挑战（如噪声、光照和伪影）引入OCR。与此任务相关的一些数据集是coco文本，以及再次使用街景图像提取文本的SVT数据集。

合成文本

SynthText不是一个数据集，甚至可能不是一个任务，但是一个提高训练效率的好主意是人工数据生成。由于文本的对齐性，将随机字符或单词随机放到图像上比任何其他对象都要自然的多。

我们在前面已经看到了一些数据生成，用于更简单的任务，如验证码和车牌。该任务包括考虑图像的深度信息。幸运的是，SynthText是一个很好的工作，它接收带有上述注释的图像，并智能地添加单词（来自新闻组数据集）。

为了使“散落”的文本看起来真实和有用，SynthText库对每个图像使用两个蒙版，一个是深度，另一个是分割。

建议根据此网址（https://github.com/ankush-me/SynthText）检查更新并自行生成一些图像。应该注意，代码中可能使用了一些过时的opencv和maptlotlib版本，因此可能需要在使用时根据最新版本的库做一些修改。

Mnist

尽管这并不是真正的OCR任务，但撰写有关OCR的文章没办法不介绍Mnist。这个最着名的计算机视觉挑战并不是一项考虑周全的OCR任务，因为它一次只包含一个字符（数字），而只有10个数字。但是，这可能解释了为什么OCR被认为很容易。

OCR的第一部分就先介绍到这里啦，下一部分我们将介绍深度学习在OCR中的应用以及一个生动鲜活的案例哦~

·  END  ·

HAPPY LIFE