启发
光学字符识别(Optical Character Recognition, OCR)是指对文本资料的图像文件进行分析识别处理,获取文字及版面信息的过程。一般分为两个步骤:文字定位,即找到文字在图片中的位置;文字识别,即识别出找到的文字。文字定位也可能包含一些二值化,矫正的步骤。
文字定位常见的算法MSER +SVM或者MSER + CNN,是一种自底向上的方法:首先产出大量MSER区域,进而用SVM或者CNN进行二分类过滤掉非文字区域,最后合并文字区域产生文字区域。这种方法一方面产生大量候选MSER区域,另一方面,文字合并中考虑到中文特殊的左右,上下结构,过程会非常复杂,结果难以把控。
受启发于ImageNet比赛中的Image Classification任务,能否将Faster-rcnn 以及FCN 算法应用于OCR*的文本定位过程中。答案应该时肯定的。现在相当于进行一个只有两类的Image Classification,一类是图片背景,另一类则是文本行。不在像MSER那样把字切碎了,在合并起来。而是直接找到一整行文字。这就是它的优势所在。
之所以选择Faster-rcnn和FCN算法,一方面它们是目前效果比较好的算法,另一方面它们代表了两种不同的思路:Faster-rcnn是以 bounding box为训练目标,FCN则是一种逐像素labelling的方法。在给出实验结果之前,比较一下这两种算法。
Faster-rcnn
Faster-rcnn的思想在于利用神经网络中conv + pooling并没有