OCR—探寻文字真实的容颜

[color=rgb(0, 0, 0) !important]2015-5-14 17:05| 发布者: [color=rgb(0, 0, 0) !important]炼数成金_小数| 查看: 1715| 评论: 0|来自: 腾讯大数据

摘要: 文字，一种信息记录的图像符号，千年来承载了太多的人类文明印记。OCR，一种自动解读这种图像符号的技术，一直以来都备受关注。尤其在信息时代的今天，数字图像纷繁复杂，如何便捷高效的获取其中的文字信息，更有着 ...

文字，一种信息记录的图像符号，千年来承载了太多的人类文明印记。OCR，一种自动解读这种图像符号的技术，一直以来都备受关注。尤其在信息时代的今天，数字图像纷繁复杂，如何便捷高效的获取其中的文字信息，更有着重要的时代意义。作为模式识别领域最为经典的研究热点之一，OCR经历了长时间的发展变化，各种新技术、新方法、新应用层出不穷。 OCR技术的过去和现在： OCR（光学字符识别技术），是通过扫描仪或相机等光学输入设备获取纸张上的文字、图片信息，利用各种模式识别算法对文字的形态结构进行分析，形成相应的字符特征描述，通过合适的字符匹配方法将图像中的文字转换成文本格式。 基于汉字的识别最早见于20世纪60年代，采用基于模版匹配的方法，由IBM公司的Casey和Nagy于1966年提出。此后日本多家企业如：三洋、松下、理光、富士等也相继研发了汉字印刷体识别系统。我们国家开始于70年代，当时主要专注与算法和方案的探索，后在90年代，中文OCR技术慢慢由实验室走商业市场，开始在实际中应用。当前国内该技术做得比较好的有：文通、汉王，丹青（台湾公司）、蒙括（台湾公司），商业化应用比较好的软件有：清华OCR、 尚书七号、中文紫光OCR等，国外的公司当然属ABBYY和IRIS。这些技术和产品的衍生、改进都标志这人们对OCR技术需求的不断变化。 在OCR字符识别领域中，还有一个著名开源项目：Tesseract，它是一个OCR引擎，在1985年~1995年间由惠普实验室开发，之后被Google接管并做了大量优化，最终作为开源项目发布在Google Project上得以全新问世。在tesseract-ocr 3.0及其随后的版本发布中，也陆续支持了中文汉字的识别。 我们的OCR技术简介： 在研发印刷体字符识别技术之初，我们曾考虑基于Google的开源框架Tesseract下针对实际业务需求进行优化，但是大量的测试显示，Tesseract由于自身的算法的限制，其对于中文字符的识别并不能达到我们的预期。为此，自主研发OCR系统的想法便浮出水面，而这必将是一个艰苦长期的过程，一旦选择便义无反顾，只能风雨兼程，我们始终相信上帝对每一个人都是公平的，在不断付出汗水和努力的同时，也必将收获更丰盛的果实。 下面简单介绍下我们研发的OCR系统，其整体框架如（图一）所示： （图一） OCR整体 OCR系统的五大部分： 1.图像预处理：该阶段主要针对输入的图像进行局部自适应去噪、字符区域检测，以及对字符尺寸进行预估； 2.字符分割：中文字符与英文等字符最大的不同点在于，许多中文字符是由多个文字块组成（如：“明”由“日”和“月”构成；“林”由“木”和“木”构成等），对于这类字符是很难有统一的方法进行完整的分割。事实上，在我们的OCR框架中，对于字符分割阶段的分割准确率要求是比较宽松的，其最本质的原因在于我们采用了“分割→匹配→分割”这样一种动态调整的识别策略，自动通过不同组合来寻找到最优的分割字符； 3.特征描述：作为OCR最核心的步骤，在特征描述阶段，我们做了大量的实验，最终选定了“多尺度+多特征融合+降维”的特征描述方法。对于每一个字符，我们会对其进行中心重定位以及光照归一化处理，同时提取其不同尺度下（5种尺度）的多类特征（梯度投影特征+HOG+模板）并进行融合，对于提取出来的高维特征采用一定的降维处理，最终得到字符的低维特征表达。特征描述的完整过程可以见（图二）所示： （图二） 特征描述 4.字符匹配：综合考量欧氏距离、余弦距离、QDA、L1范数等多种相似度计算方法的优劣，采用余弦距离作为最终的相似度计算方法。 5. 结果输出：对于很多相似字符（如W-w, Z-z, 0-O-o,1-l等），单纯依靠特征匹配是很难区分开来的，所以在这个步骤中，必须要加入相应的语言模型进行校正。同时对于某些特殊应用，需要对于结果做结构化分析和输出。 在模型训练过程中，我们主要针对4800个高频汉字、英文、数字，以及常用的60个符号，总的训练样本数约12万个印刷体字符。实测结果显示，该OCR有较高的准确率：中文识别准确率达99.6%，数字、符号、英文等字符的识别率达99.2%，均已达到国际先进水平。（图三、图四）为实际测试的结果： （图三） 待识别字符图像 （图四） 识别结果 未来我们OCR技术要走的路： 在OCR领域，目前所做的仅仅只是一个开始，我们还将沿着当前的道路继续一往无前的走下去。基于当前OCR框架，不仅仅可以做印刷体字符的识别，实际上我们可以做的更多： 1.手写体字符识别； 2.自然场景文字检测与识别； 3.特殊场景下（如银行票据、商业文档、身份证明等）格式化文本的自动版面分析与字符识别。 在未来OCR研究的道路上，我们不仅要关注技术性能的提升，更需要结合用户、产品以及市场需求来定位我们的研究方向，寻求更多技术的交叉融合，为OCR开辟更广阔的技术和市场空间。