Datawhale 街景字符识别-Task1 赛题理解

天池赛题链接

1.赛题理解

• 赛题名称：零基础入门CV之街道字符识别
• 赛题目标：通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模能力。
• 赛题任务：赛题以计算机视觉中字符识别为背景，要求选手预测街道字符编码，这是一个典型的字符识别问题。
  为了简化赛题难度，赛题数据采用公开数据集SVHN，因此大家可以选择很多相应的paper作为思路参考。

1.1赛题数据

训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位置；为了保证比赛的公平性，测试集A包括4W张照片，测试集B包括4W张照片。

首先读取图片查看一下数据集：

%matplotlib inline
import matplotlib.pyplot as plt
import glob
import cv2
train_img = glob.glob('./mchar_train/*.png')
# 查看一下前9张图片
for i in range(9):
    ig = plt.imread(train_img[i])
    plt.subplot(3,3,i+1)
    plt.imshow(ig)

1.3 数据标签

对于训练数据每张图片将给出对于的编码标签，和具体的字符框的位置（训练集、测试集和验证集都给出字符位置），可用于模型训练：

Field	Description
top	左上角坐标X
height	字符高度
left	左上角最表Y
width	字符宽度
label	字符编码

字符的坐标表示与目标检测的一样：bbox_x(top),bbox_y(left),bbox_w,bbox_h

在比赛数据（训练集、测试集和验证集）中，同一张图片中可能包括一个或者多个字符，因此在比赛数据的JSON标注中，会有两个字符的边框信息：

原始图片	图片JSON标注

读取json文件如下

1.4 评测指标

选手提交结果与实际图片的编码进行对比，以编码整体识别准确率为评价指标。任何一个字符错误都为错误，最终评测指标结果越大越好，具体计算公式如下：

Score=编码识别正确的数量/测试集图片数量

1.5读取数据

# 数据标注处理
def parse_json(d):
    arr = np.array([
        d['top'], d['height'], d['left'],  d['width'], d['label']
    ])
    arr = arr.astype(int)
    return arr

img = cv2.imread(train_img[0])
arr = parse_json(train_f['000000.png'])
plt.figure(figsize=(10, 10))
plt.subplot(1, arr.shape[1]+1, 1)
plt.imshow(img)
plt.xticks([]); plt.yticks([])

for idx in range(arr.shape[1]):
    plt.subplot(1, arr.shape[1]+1, idx+2)
    plt.imshow(img[arr[0, idx]:arr[0, idx]+arr[1, idx],arr[2, idx]:arr[2, idx]+arr[3, idx]])
    plt.title(arr[4, idx])
    plt.xticks([]); plt.yticks([])

1.6 解题思路

赛题思路分析：赛题本质是分类问题，需要对图片的字符进行识别。但赛题给定的数据图片中不同图片中包含的字符数量不等，如下图所示。有的图片的字符个数为2，有的图片字符个数为3，有的图片字符个数为4。

字符属性	图片
字符：42 字符个数：2	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-gEUYs2lL-1589979785718)(IMG/Task01/42.png)]
字符：241 字符个数：3	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jOL59fR7-1589979785725)(IMG/Task01/2411.png)]
字符：7358 字符个数：4	[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-OjHW1u01-1589979785729)(IMG/Task01/7358.png)]

因此本次赛题的难点是需要对不定长的字符进行识别，与传统的图像分类任务有所不同。为了降低参赛难度，我们提供了一些解题思路供大家参考：

• 简单入门思路：定长字符识别

可以将赛题抽象为一个定长字符识别问题，在赛题数据集中大部分图像中字符个数为2-4个，最多的字符 个数为6个。
因此可以对于所有的图像都抽象为6个字符的识别问题，字符23填充为23XXXX，字符231填充为231XXX。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-0fG9zLCp-1589979785737)(IMG/Task01/23xxxxxx.png)]

经过填充之后，原始的赛题可以简化了6个字符的分类问题。在每个字符的分类中会进行11个类别的分类，假如分类为填充字符，则表明该字符为空。

• 专业字符识别思路：不定长字符识别

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-1cPRYj3X-1589979785742)(IMG/Task01/不定长字符识别.png)]

在字符识别研究中，有特定的方法来解决此种不定长的字符识别问题，比较典型的有CRNN字符识别模型。
在本次赛题中给定的图像数据都比较规整，可以视为一个单词或者一个句子。

• 专业分类思路：检测再识别

在赛题数据中已经给出了训练集、验证集中所有图片中字符的位置，因此可以首先将字符的位置进行识别，利用物体检测的思路完成。

此种思路需要参赛选手构建字符检测模型，对测试集中的字符进行识别。选手可以参考物体检测模型SSD或者YOLO来完成。