原創(chuàng)：PinkFeet
近日，“大學(xué)生用OCR+正則表達(dá)式快速核查學(xué)生核酸報(bào)告”的新聞火了，細(xì)心觀察我們就能發(fā)現(xiàn)菲盾，生活里OCR的身影到處都是：文檔掃描、車牌識(shí)別各淀、證件識(shí)別等等懒鉴。在這個(gè)信息技術(shù)高速發(fā)展的時(shí)代，越來越多的小事可以“智能化”碎浇、“信息化”临谱，曾經(jīng)需要浪費(fèi)諸多人力物力才能完成的事，可以通過新的技術(shù)輕松地解決奴璃。
OCR是解決什么問題的技術(shù)
文章開頭提到的新聞里悉默，OCR技術(shù)到底解決了什么問題？上圖是一張上海市健康云截圖苟穆，復(fù)旦大學(xué)博士生使用OCR技術(shù)監(jiān)測到文本抄课，再提取其中的文字信息，每次核查數(shù)百人的截圖僅需幾分鐘雳旅。抽象的字符讓人感覺技術(shù)深不可測跟磨，但是等讀者們稍作了解之后，會(huì)發(fā)現(xiàn)高科技是非常親切實(shí)用的攒盈。OCR中文名叫做“光學(xué)字符識(shí)別”抵拘，它可以將名片、票據(jù)型豁、身份證僵蛛、駕照等文檔資料中的文字和數(shù)字信息轉(zhuǎn)換成文本信息尚蝌，以電子形式保存，實(shí)現(xiàn)信息采集的快速錄入《胀現(xiàn)在有非常多實(shí)現(xiàn)OCR功能的免費(fèi)接口驼壶，傳入圖片路徑，就可以調(diào)用接口函數(shù)喉酌，識(shí)別圖片中的文字信息。
OCR的常見流程
常見OCR方法的具體過程通常分為以下四個(gè)步驟：
預(yù)處理：是對(duì)圖像進(jìn)行初步的處理泵喘，目的是減少圖像中的無用信息泪电，方便提取特征。常用的步驟有：灰度化纪铺、降噪相速、二值化、字符切分鲜锚、歸一化等突诬。
特征提取和降維：是識(shí)別文字、數(shù)字的關(guān)鍵步驟之一芜繁。特征是識(shí)別文字的關(guān)鍵信息旺隙，每個(gè)不同的文字通過特征來和其他文字進(jìn)行區(qū)分。數(shù)字和英文字符相對(duì)中文字符來說更容易區(qū)分骏令。為了提高后續(xù)分類器的效果和效率蔬捷，往往還要進(jìn)行降維，進(jìn)一步減少特征中的無用信息榔袋，同時(shí)把有用信息盡可能多地保留下來周拐。
分類器設(shè)計(jì)：對(duì)特征進(jìn)行識(shí)別，是進(jìn)行文字凰兑、數(shù)字識(shí)別的關(guān)鍵步驟之一妥粟。在這一步中，分類器對(duì)特征進(jìn)行分類吏够，將其識(shí)別成對(duì)應(yīng)的字符勾给。分類器一般需要提前訓(xùn)練，常見的分類器有：支持向量機(jī)稿饰、神經(jīng)網(wǎng)絡(luò)等锦秒。
后處理：是對(duì)分類結(jié)果進(jìn)行優(yōu)化處理的步驟。經(jīng)過分類器分類得到的結(jié)果是不完全準(zhǔn)確的喉镰，比如對(duì)形近字的識(shí)別錯(cuò)誤率比較高旅择、識(shí)別結(jié)果存在排版錯(cuò)誤，后處理就可以有針對(duì)性地解決這些問題侣姆。例如生真，通過語言模型校正將“存哪里”校正為“在哪里”沉噩，并對(duì)識(shí)別結(jié)果進(jìn)行格式化。
正則表達(dá)式是什么
正則表達(dá)式在人物場景中承擔(dān)的是什么責(zé)任呢柱蟀？經(jīng)過前面敘述的流程川蒙，從圖片中提取出來的文字信息，需要進(jìn)一步整理提取长已，實(shí)現(xiàn)自動(dòng)化核查畜眨。正則表達(dá)式通常被用來檢索、替換符合特定模式的文本术瓮。正則表達(dá)式可以提取出文本中的特定文本康聂，即：姓名、證件號(hào)碼胞四、采樣時(shí)間恬汁、檢測結(jié)果等，再輸出到Excel中辜伟。
OCR數(shù)據(jù)集
目前主流的OCR任務(wù)會(huì)使用深度學(xué)習(xí)方法氓侧，這意味著數(shù)據(jù)集是其中的關(guān)鍵。
文本檢測數(shù)據(jù)集SynthText：https://www.robots.ox.ac.uk/~vgg/data/scenetext/
ICDAR是競賽數(shù)據(jù)集导狡，2003年约巷、2013年、2015年烘豌、2017年分別開放了以下數(shù)據(jù)集：?
http://www.iapr-tc11.org/mediawiki/index.php/ICDAR_2003_Robust_Reading_Competitions
https://rrc.cvc.uab.es/?ch=5&com=introduction
谷歌圖像中收集整理得到的IIIT 5K words數(shù)據(jù)集：http://cvit.iiit.ac.in/projects/SceneTextUnderstanding/IIIT5K.html
還有一些公開數(shù)據(jù)集载庭，如：SVT、CUTE等廊佩。Github上有一個(gè)OCR數(shù)據(jù)匯總可以查看：https://github.com/WenmuZhou/OCR_DataSet
大多數(shù)OCR數(shù)據(jù)集包含的圖像數(shù)量比較少囚聚，并不足以訓(xùn)練出一個(gè)模型，需要合成新的數(shù)據(jù)集使用标锄。
小結(jié)
OCR技術(shù)不算是最新的技術(shù)顽铸，早在十年前它就火過，隨著近年深度學(xué)習(xí)的迅速發(fā)展料皇，基于深度學(xué)習(xí)的OCR技術(shù)也逐漸成熟谓松，能夠更好更靈活地應(yīng)對(duì)不同場景，已經(jīng)成為科技公司的能力標(biāo)配践剂。
