本文概述了使用深度学习进行OCR文字识别的步骤，包括文字检测（detection）和识别（recognition）。常见检测方法有two-stage（如faster R-CNN）和one-stage（如YOLO）。文字识别涉及定长和不定长文字，常用模型有CNN+RNN/LSTM/GRU+CTC或引入注意力机制。热门数据集包括ICDAR、CTW、华中科技大学中文数据集等。当前研究热点是端到端模型，将检测和识别集成。OCR技术挑战包括倾斜字、艺术字等复杂情况。
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，
最低0.47元/天 解锁文章
扫一扫
5245
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
