OCR文字识别：深度学习算法识别步骤

之前没有接触过OCR文字识别，本文主要对使用深度学习算法完成文字识别的整体步骤进行一下梳理。

一般来说，OCR文字识别是检测+识别，首先将可能在文字的区域检测出来，然后在进行识别。本质是识别图片中的文字，即在复杂的图片背景下对所需目标文字进行识别提取。

 

1、文字识别基础步骤

      ①  detection：检测存在文字的区域，得到proposal。

      ②  recognation：识别proposal中的文字。

2、文字区域 detection

       对文字存在区域的detection方法，与目标检测领域的常用检测方法相当，分为one-stage和two-stage方法，（后续也可以考虑使用anchor free的方法对文字propsal进行检测）。

（1） 在文字识别领域，常用的two-stage方法为faster rcnn，one-stage方法主要有yolo系列方法。相比之下，前者的精度更好，后者速度更快。

（2）在文字识别领域，与传统目标检测的不同还在于文字的方向、扭曲程度等。

    ①  对于水平文字的检测。水平文字文本框是规则的四边形（四个自由度），类似于物体检测。水平文字检测效果较好的算法为CPTN：Detecting Text in Natural Image with Connectionist Text Proposal Network, ECCV, 2016。

    ② 文本框是不规则的四边形，拥有八个自由度，倾斜文字检测较好的算法有cvpr2017提出的EAST和Seglink。一般的检测套路为：检测文本框 --> 采用Radon Hough变换等方法进行文本矫正  --> 通过投影直方图分割单行文本图片 --> 对单行文本进行OCR。

 

3、文字recognation：classification model，可以对字符进行分割后单独识别，也可以进行序列识别，容易想见的是，序列识别才是真正有意义的。

（1&#x