ocr数据集介绍

ocr常用数据集介绍

  由于项目进展需要用到ocr技术, 因此对现有公开的数据集进行整理和记录,其中部分内容转载于参考链接中的地址,感兴趣的可自行查看.

Chinese Text in the Wild (CTW data)

  清华大学与腾讯共同推出了中文自然文本数据集（Chinese Text in the Wild，CTW）——一个超大的街景图片中文文本数据集，为训练先进的深度学习模型奠定了基础。目前，该数据集包含 32,285 张图像和 1,018,402 个中文字符，规模远超此前的同类数据集。这些图像源于腾讯街景，从中国的几十个不同城市中捕捉得到，不带任何特定目的的偏好。由于其多样性和复杂性，使得该数据集的收集很困难。它包含了平面文本、凸出文本、城市街景文本、乡镇街景文本、弱照明条件下的文本、远距离文本、部分显示文本等。图像大小2048*2048，数据集大小为31GB。以(8:1:1)的比例将数据集分为训练集(25887张图像，812872个汉字)，测试集(3269张图像，103519个汉字)，验证集(3129张图像，103519个汉字)。对于每张图像，数据集中都标注了所有中文字符。对每个中文字符，数据集都标注了其真实字符、边界框和 6 个属性以指出其是否被遮挡、有复杂的背景、被扭曲、3D 凸出、艺术化，和手写体等。
文献链接：
数据集下载地址：
数据集下载以及数据说明参考链接：
数据对应的baseline model地址

图1：数据集中的部分实例

ICPR WTMI2018中文数据集（天池比赛数据集）

  大赛提供20000张图像作为数据集，其中50%作为训练集，50%作为测试集。主要由合成图像，产品描述，网络广告构成。该数据集数据量充分，中英文混合，涵盖数十种字体，字体大小不一，多种版式，背景复杂。文件大小为2GB。
  这些图像是网络上最常见的图像类型。每一张图像或者包含复杂排版，或者包含密集的小文本或多语言文本，或者包含水印，这对文本检测和识别均提出了挑战。
  对于每一张图像，都会有一个相应的文本文件（.txt）（UTF-8编码与名称：[图像文件名] .txt）。文本文件是一个逗号分隔的文件，其中每行对应于图像中的一个文本串，并具有以下格式：X1，Y1，X2，Y2，X3，Y3，X4，Y4，“文本”其中X1，Y1，Y2，X2，X3，X4，Y3，Y4分别代表文本的外接四边形四个顶点坐标。而“文本”是四边形包含的实际文本内容。
数据集具体介绍链接以及下载地址

图3：ICPR WTMI2018数据集中的部分实例

ICDAR数据集

  ICDAR是进行场景文本检测和识别(Scene Text Detection and Recognition)任务最知名和常用的数据集。

  其中ICDAR 2017 RCTW[1](Reading Chinest Text in the Wild)，由Baoguang Shi等学者提出。RCTW主要是中文，共12263张图像，其中8034作为训练集，4229作为测试集。使用四边形框标注文本行。
  数据集绝大多数是相机拍的自然场景，一些是屏幕截图；包含了大多数场景，如室外街道、室内场景、手机截图等等。
数据集下载链接
训练集图像和标注(8034,7.6G)：百度网盘下载 | hust.edu.cn下载
测试集图像(4229,4.1G)：谷歌网盘下载 | host.edu.cn下载

图像分辨率:
图像分辨率大小不等，小则300+，大则3000+
图像清晰程度不一，绝大多数背景和文字很清晰，极少数模糊

适用场景:
街道场景：主要是建筑、标志牌、条幅等带有文字的图像，这类场景占据大多数
截图：主要是网络上带有文字的图像截图、手机上带有文字的图像截图、带文字的表情包图像
室内：主要是商场、墙壁等带有文字的图像
证件类：主要是车牌照、驾驶证、身份证等带有文字的图像

文本:
方向(multi-oriented)：图像中的文本方向水平、垂直、倾斜均有，绝大多数是水平方向，弯曲方向极少数
大小(multi-scale)：由于图像拍照远近，图像有近距离或远距离的，因此文本大小不等，有较多的长文本
质量：少数文本存在模糊、光照不均匀、低分辨率等情况
字体：绝大多数字体为楷书，极少数艺术字，几乎没有手写字体
遮挡：绝大多数文本没有遮挡，极少数有遮挡

标注:
数据集的标注保存在.txt文件中，其中格式如下：

x1,y1,x2,y2,x3,y3,x4,y4,<识别难易程度>,<“文本”>
x1,y1,x2,y2,x3,y3,x4,y4,<识别难易程度>,<“文本”>
x1,y1,x2,y2,x3,y3,x4,y4,<识别难易程度>,<“文本”>
…
注：x1,y1,x2,y2,x3,y3,x4,y4分别为左上、右上、右下、左下四个坐标，值为像素值。
注：<识别难易程度>以0或1表示，0表示容易识别，即图像中文本清晰可见；1表示很难识别，即图像中文本较小或模糊不清楚。
注：<“文本”>中如果有不清楚的字符，以#表示；如果文本完全不清楚，很难识别(对应<识别难易程度>=1)，则以"###"表示。

图4：数据样式

上述部分内容转载于该网址:

部分文章介绍和数据集下载链接:
ICDAR2003
paper：ICDAR 2003 Robust Reading Competitions
数据库下载

ICDAR2011
paper：ICDAR 2011 Robust Reading Competition Challenge 2 Reading Text in Scene Images
ICDAR2011官网下载（需要注册, task介绍

ICDAR2013/ICDAR2015-Focus
paper：ICDAR 2013 Robust Reading Competition
paper：ICDAR 2015 Competition on Robust Reading
ICDAR2013官网下载（需要注册)

ICDAR2015-Incidental
paper：ICDAR2015 Competition on Incidental Scene Text Understanding
ICDAR2015官网下载（需要注册)
ICDAR2015比赛

Reading Chinese Text in the Wild(RCTW-17)

该数据集包含12263张图像，训练集8034张，测试集4229张，共11.4GB。大部分图像由手机相机拍摄，含有少量的屏幕截图，图像中包含中文文本与少量英文文本。图像分辨率大小不等。
下载地址
文献

图5：数据集中的部分实例

Chinese Text in the Wild(CTW)

  数据集介绍：主要包括3万多幅街景图像中注释的3850个独特的中文文本数据集，其中约有100万个汉字。这是一个具有挑战性的数据集，具有良好的多样性，包括平面文本、凸起文本、弱光下文本、远处文本、部分遮挡文本等。
数据集下载链接

图6：数据集中的部分实例

Total-Text

  该数据集共1555张图像，11459文本行，包含水平文本，倾斜文本，弯曲文本。文件大小441MB。大部分为英文文本，少量中文文本。训练集：1255张 测试集：300

下载地址
[文献](http:// arxiv.org/pdf/1710.10400v)

图7：数据集中的部分实例

Caffe-ocr中文合成数据

  数据利用中文语料库，通过字体、大小、灰度、模糊、透视、拉伸等变化随机生成，共360万张图片，图像分辨率为280x32，涵盖了汉字、标点、英文、数字共5990个字符。文件大小约为8.6GB
下载地址

图8：数据集中的部分实例

Synthetic Data for Text Localisation

  在复杂背景下人工合成的自然场景文本数据。包含858750张图像，共7266866个单词实例，28971487个字符，文件大小为41GB。该合成算法，不需要人工标注就可知道文字的label信息和位置信息，可得到大量自然场景文本标注数据。
下载地址
文献
Code(英文版)
Code(中文版1)
Code(中文版2)

图9：数据集中的部分实例

MSRA-TD500

  MSRA文本检测500数据库（MSRA-TD500）包含500幅自然图像，这些图像是使用袖珍相机从室内（办公室和商场）和室外（街道）场景拍摄的。室内图像以标牌、门牌、警示牌为主，室外图像以复杂背景下的导板、广告牌为主。图像的分辨率从1296x864到1920x1280不等。由于文本的多样性和图像中背景的复杂性，数据集是具有挑战性的。文本有不同的语言（中文、英文或两者的混合）、字体、大小、颜色和方向。背景可能包含植被（如树木和灌木丛）和重复的图案（如窗户和砖块），这些图案与文本没有太大的区别。数据集分为训练集和测试集两部分，训练集包含从原始数据集中随机选择的300个图像，其余200个图像构成测试集，此数据集中的所有图像都已完全注释。
数据集下载链接

图10：数据集中的部分实例

COCO-TEXT

  该数据集，包括63686幅图像，173589个文本实例，包括手写版和打印版，清晰版和非清晰版。文件大小12.58GB，训练集：43686张，测试集：10000张，验证集：10000张
文献
下载地址

图11：数据集中的部分实例

Google FSNS(谷歌街景文本数据集)

  该数据集是从谷歌法国街景图片上获得的一百多万张街道名字标志，每一张包含同一街道标志牌的不同视角，图像大小为600*150，训练集1044868张，验证集16150张，测试集20404张。每个图像包含同一街道名称标志的四个视图。路标上的文字最多可以跨越三行。每一个路标都有一个规范的抄本。

下载地址
[文献](http:// arxiv.org/pdf/1702.03970v1)

图12：数据集中的部分实例

SynthText in the Wild dataset

  数据集介绍：一个综合生成的数据集，其中单词实例放置在自然场景图像中，同时考虑场景布局。数据集由大约80万个合成词实例的800万个图像组成。每个文本实例都使用其文本字符串、字级和字符级边界框进行注释。
数据集下载链接

图13：数据集中的部分实例

Text in Videos

  数据集介绍：基于不同的短序列（10秒到1分钟长），通过不同类型的摄像机进行选择，使它们代表广泛的现实生活场景。数据集涵盖不同的脚本和语言（西班牙语、法语、英语），将在每一帧的单词级别提供本地化的基本事实。
数据集下载链接

The Uber Text dataset

  数据集介绍：包含了从车载传感器采集的街道级图像和由图像分析团队注释的Ground Truth。
该数据集的特点包括：
（1）街道图像及其文本区域多边形和相应的文本
（2）9个类别表示商业名称文本、街道名称文本和街道编号文本等
（3）一组包含超过110k个图像
（4）平均每个图像4.84个文本实例
数据集下载链接

图14：数据集中的部分实例

The Chars74K dataset

数据集介绍：
• 包括64类（0-9、A-Z、A-Z）
• 自然图像7705个字符
• 使用平板电脑绘制3410个手写字符
• 62992个计算机字体合成的字符
• 共提供了超过74K个图像（解释了数据集的名称）。
数据集下载链接

图14：数据集中的部分实例

参考链接：

https://www.sohu.com/a/224777048_129720
https://blog.csdn.net/u011489887/article/details/79804498
https://mp.weixin.qq.com/s/86UQwumtV0pnAlFhUUvnLA
https://mp.weixin.qq.com/s/P08W5zecG3oghLT6Ip9Xfg
https://www.sohu.com/a/224777048_129720
https://mp.weixin.qq.com/s/UHeZ9BCRDqPO1IvbmPPtaA
https://www.sohu.com/a/212109803_99963310
https://www.cnblogs.com/lillylin/p/6893500.html
https://github.com/JarveeLee/SynthText_Chinese_version