OCR学习笔记

1 什么是OCR？

OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程；即，针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。如何除错或利用辅助信息提高识别正确率，是OCR最重要的课题，ICR（Intelligent Character Recognition）的名词也因此而产生。衡量一个OCR系统性能好坏的主要指标有：拒识率、误识率、识别速度、用户界面的友好性，产品的稳定性，易用性及可行性等。

2 OCR的软件：

1. ABBYY的Finereader
2. tesseract
   

   Tesseract是Ray Smith于1985到1995年间在惠普布里斯托实验室开发的一个OCR引擎，曾经在1995 UNLV精确度测试中名列前茅。但1996年后基本停止了开发。2006年，Google邀请Smith加盟，重启该项目。目前项目的许可证是Apache 2.0。该项目目前支持Windows、Linux和Mac OS等主流平台。但作为一个引擎，它只提供命令行工具。

   执行识别图像的命令格式为： 
   tesseract    [-l lang] [configfile [[+|-]varfile]...] 
   其中tesseract是命令；是待识别的图片，例如图片 eurotext.tif；是输出文本文件的名称，默认生成的是你所给定的输出文件名称，加上.txt扩展名；[-l lang]可选的，指定识别图像中的语言。

   
   
3. 百度OCR技术：
4. 清华紫光OCR
   尚书七号
   Leadtools Ocr
   汉王
   赛酷OCR
   Expervision,Inc OCR
   丹青
   

5. 微软的Azure

   微软的Azure也已经出来很多年了，重点是提供API！官网上有具体的调制配置参数。中国区是由世纪互联运营的。大家可以上官网（不是中国区的）上传图片体验一下微软的ocr识别。然后是语种，微软暂时只支持22种语言（如下）。看官网应该是免费提供API的。

   <img src="https://pic3.zhimg.com/50/v2-b887a892b9b86e9082d2f87306ffdc59_hd.jpg" data-rawwidth="576" data-rawheight="934" class="origin_image zh-lightbox-thumb" width="576" data-original="https://pic3.zhimg.com/v2-b887a892b9b86e9082d2f87306ffdc59_r.jpg">

3  OCR的软件：算法

文字检测算法近几年发展迅速，可以分为水平文字检测(四个自由度，类似物体检测)和倾斜文字检测(文字框是不规则四边形，八个自由度)，

水平文字检测个人认为比较好的算法是2016 ECCV乔宇老师团队的CTPN，

倾斜文字检测个人比较喜欢的方法是2017 CVPR的EAST和Seglink，感兴趣可以看论文继续了解。

文字识别近两年没有太大进展，有两种方法，一种是CNN+RNN+CTC，白翔老师团队的CRNN写的比较清楚，还有一种是CNN+RNN基于Attention的方法。

最近比较火的方向是文字检测和识别放到一个网络里joint train，沈春华老师团队2017 ICCV的Towards End-to-end Text Spotting with Convolutional Recurrent Neural Networks这篇文章已经在水平文字上把检测识别end to end做的比较work.

4 OCR基本知识：

General OCR一般包含两步: 1. detection-->找到包含文字的区域(proposal); 2. classification-->识别区域中的文字。

detection models, 近两年比较热门的object detection model：

faster-rcnn(https://arxiv.org/pdf/1506.01497.pdf) 和 yolo(http://pjreddie.com/media/files/papers/yolo.pdf), 两个模型都是基于CNN给出proposed regions 同时对object region进行分类。 其中yolo比faster-rcnn的速度更快，但是在accuracy上有些损失。

classification models：

比较著名的是Ian goodfellow在13年提出的multi-digit number classification([1312.6082] Multi-digit Number Recognition from Street View Imagery using Deep Convolutional Neural Networks), 同样也是基于deep CNN. 该方法的不足在于要事先选定可预测的sequence的最大长度，较适用于门牌号码或者车牌号码(少量字符, 且每个字符之间可以看作是独立); 

另一类比较常用的方法是RNN/LSTM/GRU + CTC, 方法最早由Alex Graves在06年提出应用于语音识别。这个方法的好处在于可以产生任意长度的文字，并且模型的性质决定了它有能力学到文字于文字之间的联系(temporal relations/dependencies)。不足之处在于sequential natural决定了它的计算效率没有CNN高，并且还有潜在的gradients exploding/vanishing的问题。

以上说的这两类模型都不需要对文字预先分割(end-to-end)。

另一类不需要对文字预先分割的方法就是attention-mechanism，attention可以分为hard attention和soft attention. 其中hard attention能够直接给出hard location，通常是bounding box的位置 （ https:// arxiv.org/pdf/1412.7755 .pdf ), 想法直观，缺点是不能直接暴力bp。soft attention通常是rnn/lstm/gru encoder-decoder model ( https:// arxiv.org/abs/1603.0310 1 ), 可以暴力bp。还有一种比较特别的gradient-based attention( http://www. ics.uci.edu/~yyang8/res earch/feedback/feedback-iccv2015.pdf ) 也挺有意思。