OCR入门（附数据集链接）-轻识

点击下方卡片，关注“新机器视觉”公众号

重磅干货，第一时间送达

近日，“大学生用OCR+正则表达式快速核查学生核酸报告”的新闻火了，细心观察我们就能发现，生活里OCR的身影到处都是：文档扫描、车牌识别、证件识别等等。在这个信息技术高速发展的时代，越来越多的小事可以“智能化”、“信息化”，曾经需要浪费诸多人力物力才能完成的事，可以通过新的技术轻松地解决。

OCR是解决什么问题的技术

文章开头提到的新闻里，OCR技术到底解决了什么问题？上图是一张上海市健康云截图，复旦大学博士生使用OCR技术监测到文本，再提取其中的文字信息，每次核查数百人的截图仅需几分钟。抽象的字符让人感觉技术深不可测，但是等读者们稍作了解之后，会发现高科技是非常亲切实用的。OCR中文名叫做“光学字符识别”，它可以将名片、票据、身份证、驾照等文档资料中的文字和数字信息转换成文本信息，以电子形式保存，实现信息采集的快速录入。现在有非常多实现OCR功能的免费接口，传入图片路径，就可以调用接口函数，识别图片中的文字信息。

OCR的常见流程

常见OCR方法的具体过程通常分为以下四个步骤：

预处理：是对图像进行初步的处理，目的是减少图像中的无用信息，方便提取特征。常用的步骤有：灰度化、降噪、二值化、字符切分、归一化等。

特征提取和降维：是识别文字、数字的关键步骤之一。特征是识别文字的关键信息，每个不同的文字通过特征来和其他文字进行区分。数字和英文字符相对中文字符来说更容易区分。为了提高后续分类器的效果和效率，往往还要进行降维，进一步减少特征中的无用信息，同时把有用信息尽可能多地保留下来。

分类器设计：对特征进行识别，是进行文字、数字识别的关键步骤之一。在这一步中，分类器对特征进行分类，将其识别成对应的字符。分类器一般需要提前训练，常见的分类器有：支持向量机、神经网络等。

后处理：是对分类结果进行优化处理的步骤。经过分类器分类得到的结果是不完全准确的，比如对形近字的识别错误率比较高、识别结果存在排版错误，后处理就可以有针对性地解决这些问题。例如，通过语言模型校正将“存哪里”校正为“在哪里”，并对识别结果进行格式化。

正则表达式是什么

正则表达式在人物场景中承担的是什么责任呢？经过前面叙述的流程，从图片中提取出来的文字信息，需要进一步整理提取，实现自动化核查。正则表达式通常被用来检索、替换符合特定模式的文本。正则表达式可以提取出文本中的特定文本，即：姓名、证件号码、采样时间、检测结果等，再输出到Excel中。

OCR数据集

目前主流的OCR任务会使用深度学习方法，这意味着数据集是其中的关键。

文本检测数据集SynthText：

https://www.robots.ox.ac.uk/~vgg/data/scenetext/

ICDAR是竞赛数据集，2003年、2013年、2015年、2017年分别开放了以下数据集：

http://www.iapr-tc11.org/mediawiki/index.php/ICDAR_2003_Robust_Reading_Competitions

https://rrc.cvc.uab.es/?ch=2

https://rrc.cvc.uab.es/?ch=4

https://rrc.cvc.uab.es/?ch=5&com=introduction

谷歌图像中收集整理得到的IIIT 5K words数据集：

http://cvit.iiit.ac.in/projects/SceneTextUnderstanding/IIIT5K.html

还有一些公开数据集，如：SVT、CUTE等。Github上有一个OCR数据汇总可以查看：

https://github.com/WenmuZhou/OCR_DataSet

大多数OCR数据集包含的图像数量比较少，并不足以训练出一个模型，需要合成新的数据集使用。

小结

OCR技术不算是最新的技术，早在十年前它就火过，随着近年深度学习的迅速发展，基于深度学习的OCR技术也逐渐成熟，能够更好更灵活地应对不同场景，已经成为科技公司的能力标配。

本文仅做学术分享，如有侵权，请联系删文。

—THE END—