端到端的票据类版面分析算法（一）

OCR版面分析痛点

当前OCR之后的版面分析工作大家都是规则写的，自己也深受规则之苦,看到ocr输出的一大堆文字和坐标就头皮发麻。最近受了chineseocr作者模板引擎的启发，做了两个端到端的版面分析算法，希望能够帮到各位ocrer。github

算法设计初衷

最开始的想法是在检测网络上增加类别判断，预测位置的同时加上box类别的判断，但是这样通用性就大大降低了,违背不干预原始的OCR算法的初衷，版面分析的算法应该和OCR算法无缝衔接，所以模型输入应该是OCR输出的box坐标和相应文本。
基于此，延伸出两个思路，一个是忽略box间的位置关系，直接将box坐标和文本编码,送入分类器，即基于xgboost的分类方案。另一个考虑box间的相互关系，将版面分析当成一种翻译任务，即基于seq2seq的翻译方案

数据增广策略

其次标注数据不能太多，如果标注投入过大就有些得不偿失了，算法设计初衷就是希望只标注一些具有代表性的版面，因此增广策略就显得特别重要。增广策略有以下几条：

• 随机扰动检测框坐标点1~3个像素
• 随机切分检测框，并随机拆分文本
• 随机替换 数字、日期等文本内容
• 随机丢弃3~5检测框
  

两种端到端的方案

1、基于xgboost的版面分析算法

• 编码方案
  • 1）文本使用doc2vec无监督训练句向量50dim（可选）
    将OCR识别后的文本收集起来加上外部数据可以利用gensim的doc2vec训练一个该版面的句向量，也曾尝试用字向量做加权平均，但是感觉上会丢失信息，后续会补上相关实验。向量为度选取50dim,这样每个box的文本都可以编码为50dim的向量。在实验过程中，发现基于机器学习的方法比较吃人工特征，加上句向量后提升大约0.5个点。所以该项是可选项。
  • 2）文本的数字比例、英文比例、符号比例、其他比例4dim
    这部分算是特征工程吧，统计每个单元格数字占比、英文占比、符号占比、其他字符占比一共四个维度信息。还可以根据自身业务提取更多人工特征信息
  • 3）box坐标点8dim
    文字检测输出的四边形，一共四个顶点，8个数值
  • 4）三个类别信息相拼，一共50+4+8=62维信息，作为模型输入
• 模型输出
  每个格子按照业务需求进行类别划分，将解析问题转化为分类问题。需要注意的是总的类别数需要加1，比如：本次任务一共有18个关键字段，本来是一个18类别的分类问题，但是还需要加上一个无效类别（即干扰项），一共19个类别。
• 模型选择
  既然是分类问题，可选的方案就很多，线性回归、随机森林、SVM等，这里只尝试了xgboost,大家可以在自己的业务场景多多尝试。鉴于传统机器学习代码过于简单，sklearn几行就可以搞定，这里就不提供开源代码了。

2、基于seq2seq的版面分析算法

刚开始想既然考虑格子的位置关系，那不是用图更合适，最近也有人开源了PICK,正要去尝试，作者撤销了代码，而且工业中基于图的算法应用不多。后来灵机一动，lstm不也是一种图么，只不过是线性图，要做的就是把box拉伸排序成线性，不就可以解决了么， 自然而然的想到了seq2seq，绝配！

• 编码方案
  • 1）文本编码方案同xgboost，只不过维度增加为100维
  • 2）box坐标点因为维度过小，做了维度拉伸，8个坐标点暴力复制8遍
  • 3）最终每个格子的编码为100+8*8=164维度
  • 4）需要注意的是，xgboost是每一个格子当作一个训练样本模型输入维度为1维（62），seq2seq是整版的格子当作一个训练样本。在发票场景中，整版格子不超过100，所以选取100为最长输入序列，一个样本的维度为2维（100*164）
• 模型输出
  • 同xgboost
• seq2seq模型修改
  • 1）不用teacher forcing的训练方式
    最开始尝试的时候，一直使用基于teacher forcing的训练方式，这可是seq2seq的标配，试的过程一直不收敛，一直以为是数据量小的问题。后来抱着试试的想法，把teacher forcing干掉了，索性把上一个格子的类别替换成当前格子编码，损失下降嗖嗖的。想想也是，翻译的时候前一个字对后一个字影响很大，这个场景中依赖就没那么大了，对类别判断影响比较大的是位置信息和文字信息，歪打正着。
  • 2）去除起始符和终止符
    在翻译的场景因为不知道第一个字如何开始，所以加入了起始符号，但是版面分析中是可以提供原始信息的，因此删除了这两个占位符。（可以保留终止符，减少不必要计算）
  • 3） 模型结构示意图
    

结语

两种方案目前在发票的版面分析中都取得了不错的结果，其中xgboost的方案在版式比较固定的时候表现比较适用，seq2seq的方案在任意拍照场景中比较适用。需要注意的是，如果文字检测把一些无关的文字和关键字段框到一起的话，还需要稍微做些后处理。