文字识别初探

统计代码

随着中国互联网对广告的审核越来越严格，日常投放运营过程中，渠道对资质文件和创意的要求越来越高，如营业执照、身份证等。我们需要花费大量的人力成本对这些文件的属性进行文本描述，如营业主题，姓名，生日等。有没有一种方案对文件进行快速的描述，减少人力成本？

另一方面，这个需求是具有可扩展性的。图形学方向上的人工智能，是建立在图像识别基础上。计算广告日后必然和图形学和人工智能强关联，正好探索这个方向的可行性，并把该躺的坑给躺一遍。

作为一个产品，会先对一些开源的框架以及开放的 API做基本的可行性调研。
随手Google之后，决定本地使用Tesseract观察目前OCR（Optical Character Recognition）引擎效果。

#reference-浅谈OCR之Tesseract
#reference-Tesseract:安装与命令行使用

** 安装**

通过homebrew安装到本地/usr/local/Cellar #reference-homebrew

brew install tesseract

** 直接识别**

尝试识别如下图片：

文字识别原图

执行tesseract <%path_to_pic> stdout后得到。

直接识别后结果

可以看到英文和数字的识别正确率很高，中文识别这么不靠谱？显然不是，不同语言的文字识别机制可能不一样。Google后发现需要指定语言后识别。由于我们的目标是中文识别，********必须解决语言包问题********。当然可以自行选择自己愿意安装的语言包，但最方便的是支持所有available的语言包。
重新执行brew install tesseract --all-languages 安装所有语言包。

#reference-Chinese OCR
#reference-利用Tesseract图片文字识别初探
#reference-ocr markdown

现在我们执行tesseract --list-langs，可以看到

$ tesseract --list-langs
List of available languages (107):
...
chi_sim
chi_tra
...

简繁体的中文识别目前都已经支持。由于是大陆环境，我们将主要是用简体中文语言包进行识别。

** 中文识别**

再次通过语言包尝试识别，执行tesseract <%path_to_pic> stdout -l chi_sim

中文识别后结果

显然，准确率大大提高。虽然如此，可用性还是不足以支撑生产环境的需求。

** 分块后中文识别**

会不会因为单词识别文本太多，导致识别不够准确呢？毕竟即使是人，当看到一大块文本的时候也感到头晕目眩。我们把原文本一分为三后，再次识别。

文字识别原图1

文字识别原图3

文字识别原图2

分块后中文识别结果

显然准确率有所提高。虽然也还是无法使用:(

** 如何分块**

那么我们应该如何对一张图片中的文本作分块呢？简单来说，就是利用opencv，看出来白色的色块 然后定位做文字识别。

Paste_Image.png

后续探索

后续可以进行探索的方向：

• OCR 中文识别用哪种软件识别率比较高？
• image++api
• 如何更合适地对图片的文本区域分块
• 根据图片直接判断语言

原文发布于：文字识别初探