文本是人類最重要的信息來源之一，自然場景中充滿了形形色色的文字符號。光學(xué)字符識別（OCR）相信大家都不陌生，就是指電子設(shè)備（例如掃描儀或數(shù)碼相機）檢查紙上打印的字符，通過檢測暗、亮的模式確定其形狀，然后用字符識別方法將形狀翻譯成計算機文字的過程。

工業(yè)場景的圖像文字識別更加復(fù)雜，出現(xiàn)在很多不同的場合。例如醫(yī)藥品包裝上的文字、各種鋼制部件上的文字、容器表面的噴涂文字、商店標志上的個性文字等。在這樣的圖像中，字符部分可能出現(xiàn)在彎曲陣列、曲面異形、斜率分布、皺紋變形、不完整等各種形式中，并且與標準字符的特征大不相同，因此難以檢測和識別圖像字符。

對于文字識別，實際中一般首先需要通過文字檢測定位文字在圖像中的區(qū)域，然后提取區(qū)域的序列特征，在此基礎(chǔ)上進行專門的字符識別。但是隨著CV發(fā)展，也出現(xiàn)很多端到端的End2End OCR。

01 基于傳統(tǒng)算法的OCR技術(shù)

傳統(tǒng)的OCR技術(shù)通常使用opencv算法庫，通過圖像處理和統(tǒng)計機器學(xué)習方法從圖像中提取文本信息，包括二值化、噪聲濾波、相關(guān)域分析、AdaBoost等。傳統(tǒng)的OCR技術(shù)根據(jù)處理方法可分為三個階段：圖像準備、文本識別和后處理。

一、圖像準備預(yù)處理：

文字區(qū)域定位：連通區(qū)域分析、MSER

文字矯正：旋轉(zhuǎn)、仿射變換

文字分割：二值化、過濾噪聲

二、文字識別：

分類器識別：邏輯回歸、SVM、Adaboost

三、后處理：規(guī)則、語言模型（HMM等）

針對簡單場景下的圖片，傳統(tǒng)OCR已經(jīng)取得了很好的識別效果。傳統(tǒng)方法是針對特定場景的圖像進行建模的，一旦跳出當前場景，模型就會失效。隨著近些年深度學(xué)習技術(shù)的迅速發(fā)展，基于深度學(xué)習的OCR技術(shù)也已逐漸成熟，能夠靈活應(yīng)對不同場景。

02 基于深度學(xué)習的OCR技術(shù)

目前，基于深度學(xué)習的場景文字識別主要包括兩種方法，第一種是分為文字檢測和文字識別兩個階段；第二種則是通過端對端的模型一次性完成文字的檢測和識別。

2.1 階段一：文字檢測

文字檢測定位圖片中的文本區(qū)域，而Detection定位精度直接影響后續(xù)Recognition結(jié)果。

圖1.1

如圖1.1中，紅框代表“LAN”字符ground truth(GT)，綠色框代表detection box。在GT與detection box有相同IoU的情況下，識別結(jié)果差異巨大。所以Detection對后續(xù)Recognition影響非常大！

目前已經(jīng)有很多文字檢測方法，包括：EAST/CTPN/SegLink/PixelLink/TextBoxes/TextBoxes++/TextSnake/MSR/...，具體來說：

2.1.1 CTPN [1]

CTPN是ECCV 2016提出的一種文字檢測算法，由Faster RCNN改進而來，結(jié)合了CNN與LSTM深度網(wǎng)絡(luò)，其支持任意尺寸的圖像輸入，并能夠直接在卷積層中定位文本行。

CTPN由檢測小尺度文本框、循環(huán)連接文本框、文本行邊細化三個部分組成，具體實現(xiàn)流程為：

1、使用VGG16網(wǎng)絡(luò)提取特征，得到conv5_3的特征圖；

2、在所得特征圖上使用3*3滑動窗口進行滑動，得到相應(yīng)的特征向量；

3、將所得特征向量輸入BLSTM，學(xué)習序列特征，然后連接一個全連接FC層；

最后輸出層輸出結(jié)果。

CTPN是基于Anchor的算法，在檢測橫向分布的文字時能得到較好的效果。此外，BLSTM的加入也進一步提高了其檢測能力。

2.1.2 TextBoxes/TextBoxes++ [2,3]

TextBoxes和TextBoxes++模型都來自華中科技大學(xué)的白翔老師團隊，其中TextBoxes是改進版的SSD，而TextBoxes++則是在前者的基礎(chǔ)上繼續(xù)擴展。

TextBoxes共有28層卷積，前13層來自于VGG-16(conv_1到conv4_3)，后接9個額外的卷積層，最后是包含6個卷積層的多重輸出層，被稱為text-box layers，分別和前面的9個卷積層相連。由于這些default box都是細長型的，使得box在水平方向密集在垂直方向上稀疏，從而導(dǎo)致該模型對水平方向上的文字檢測結(jié)果較好。

TextBoxes++保留了TextBoxes的基本框架，只是對卷積層的組成進行了略微調(diào)整，同時調(diào)整了default box的縱橫比和輸出階段的卷積核大小，使得模型能夠檢測任意方向的文字。

2.1.3 EAST [4]

EAST算法是一個高效且準確的文字檢測算法，僅包括全卷積網(wǎng)絡(luò)檢測文本行候選框和NMS算法過濾冗余候選框兩個步驟。

其網(wǎng)絡(luò)結(jié)構(gòu)結(jié)合了HyperNet和U-shape思想，由三部分組成：

特征提?。菏褂肞VANet/VGG16提取四個級別的特征圖；

特征合并：使用上采樣、串聯(lián)、卷積等操作得到合并的特征圖；

輸出層：輸出單通道的分數(shù)特征圖和多通道的幾何特征圖。

EAST算法借助其獨特的結(jié)構(gòu)和簡練的pipline，可以檢測不同方向、不同尺寸的文字且運行速度快，效率高。

2.2 階段二：文字識別

通過文字檢測對圖片中的文字區(qū)域進行定位后，還需要對區(qū)域內(nèi)的文字進行識別。針對文字識別部分目前存在幾種架構(gòu)，下面將分別展開介紹。

3.2.1 CNN + softmax [5]

此方法主要用于街牌號識別，對每個字符識別的架構(gòu)為：先使用卷積網(wǎng)絡(luò)提取特征，然后使用N+1個softmax分類器對每個字符進行分類。具體流程如下圖所示：

使用此方法可以處理不定長的簡單文字序列（如字符和字母），但是對較長的字符序列識別效果不佳。

3.2.2 CNN + RNN + attention [6]

本方法是基于視覺注意力的文字識別算法。主要分為以下三步：

模型首先在輸入圖片上運行滑動CNN以提取特征；

將所得特征序列輸入到推疊在CNN頂部的LSTM進行特征序列的編碼；

使用注意力模型進行解碼，并輸出標簽序列。

本方法采用的attention模型允許解碼器在每一步的解碼過程中，將編碼器的隱藏狀態(tài)通過加權(quán)平均，計算可變的上下文向量，因此可以時刻讀取最相關(guān)的信息，而不必完全依賴于上一時刻的隱藏狀態(tài)。

3.2.3 CNN + stacked CNN + CTC [7]

上一節(jié)中提到的CNN + RNN + attention方法不可避免的使用到RNN架構(gòu)，RNN可以有效的學(xué)習上下文信息并捕獲長期依賴關(guān)系，但其龐大的遞歸網(wǎng)絡(luò)計算量和梯度消失/爆炸的問題導(dǎo)致RNN很難訓(xùn)練。基于此，有研究人員提出使用CNN與CTC結(jié)合的卷積網(wǎng)絡(luò)生成標簽序列，沒有任何重復(fù)連接。

這種方法的整個網(wǎng)絡(luò)架構(gòu)如下圖所示，分為三個部分：

注意特征編碼器：提取圖片中文字區(qū)域的特征向量，并生成特征序列；

卷積序列建模：將特征序列轉(zhuǎn)換為二維特征圖輸入CNN，獲取序列中的上下文關(guān)系；

CTC：獲得最后的標簽序列。

本方法基于CNN算法，相比RNN節(jié)省了內(nèi)存空間，且通過卷積的并行運算提高了運算速度。

3.2.4 特定的彎曲文本行識別

對于特定的彎曲文本行識別，早在CVPR2016就已經(jīng)有了相關(guān)paper：

Robust Scene Text Recognition with Automatic Rectification. CVPR2016.

論文地址：arxiv.org/abs/1603.03915

對于彎曲不規(guī)則文本，如果按照之前的識別方法，直接將整個文本區(qū)域圖像強行送入CNN+RNN，由于有大量的無效區(qū)域會導(dǎo)致識別效果很差。所以這篇文章提出一種通過STN網(wǎng)絡(luò)學(xué)習變換參數(shù)，將Rectified Image對應(yīng)的特征送入后續(xù)RNN中識別。

其中Spatial Transformer Network(STN)核心就是將傳統(tǒng)二維圖像變換（如旋轉(zhuǎn)/縮放/仿射等）End2End融入到網(wǎng)絡(luò)中。具體二維圖像變換知識請翻閱：Homograph單應(yīng)性從傳統(tǒng)算法到深度學(xué)習：https://zhuanlan.zhihu.com/p/74597564

Scene Text Recognition from Two-Dimensional Perspective. AAAI2018.

該篇文章于MEGVII 2019年提出。首先在文字識別網(wǎng)絡(luò)中加入語義分割分支，獲取每個字符的相對位置。

其次，在獲取每個字符位置后對字符進行分類，獲得文字識別信息。該方法采用分類解決識別問題，并沒有像傳統(tǒng)方法那樣使用RNN。

除此之外，在文章中還是使用了Deformable Convolution可變形卷積。相比傳統(tǒng)3x3卷積，可變形卷積可以提取文字區(qū)域不同形狀的特征。

3.3 端對端文字識別

使用文字檢測加文字識別兩步法雖然可以實現(xiàn)場景文字的識別，但融合兩個步驟的結(jié)果時仍需使用大量的手工知識，且會增加時間的消耗，而端對端文字識別能夠同時完成檢測和識別任務(wù)，極大的提高了文字識別的實時性。

3.3.1 STN-ORC [8]

STN-OCR使用單個深度神經(jīng)網(wǎng)絡(luò)，以半監(jiān)督學(xué)習方式從自然圖像中檢測和識別文本。網(wǎng)絡(luò)實現(xiàn)流程如下圖所示，總體分為兩個部分：

定位網(wǎng)絡(luò)：針對輸入圖像預(yù)測N個變換矩陣，相應(yīng)的輸出N個文本區(qū)域，最后借助雙線性差值提取相應(yīng)區(qū)域；

識別網(wǎng)絡(luò)：使用N個提取的文本圖像進行文本識別。

本方法的訓(xùn)練集不需要bbox標注，使用友好性較高；但目前此模型還不能完全檢測出圖像中任意位置的文本，需要在后期繼續(xù)調(diào)整。

3.3.2 FOTS [9]

FOTS是一個快速的端對端的文字檢測與識別框架，通過共享訓(xùn)練特征、互補監(jiān)督的方法減少了特征提取所需的時間，從而加快了整體的速度。其整體結(jié)構(gòu)如圖所示：

卷積共享：從輸入圖象中提取特征，并將底層和高層的特征進行融合；

文本檢測：通過轉(zhuǎn)化共享特征，輸出每像素的文本預(yù)測；

ROIRotate：將有角度的文本塊，通過仿射變換轉(zhuǎn)化為正常的軸對齊的本文塊；

文本識別：使用ROIRotate轉(zhuǎn)換的區(qū)域特征來得到文本標簽。

FOTS是一個將檢測和識別集成化的框架，具有速度快、精度高、支持多角度等優(yōu)點，減少了其他模型帶來的文本遺漏、誤識別等問題。

03 中文OCR開源項目推薦 目前比較常用的中文OCR開源項目是 chineseocr，最近又有一個新開源的中文OCR項目，登上Github Trending榜單第二——chineseocr_lite

這是一個超輕量級中文 ocr，支持豎排文字識別，支持 ncnn 推理，psenet (8.5M) + crnn (6.3M) + anglenet (1.5M) 總模型僅17M。目前已經(jīng)在Github上標星2.6K，累積343個Fork（Github地址：https://github.com/ouyanghuiyu/chineseocr_lite） chineseocr_lite實現(xiàn)的功能如下：

提供輕量的backone檢測模型psenet（8.5M）,crnn_lstm_lite(9.5M) 和行文本方向分類網(wǎng)絡(luò)（1.5M）

任意方向文字檢測，識別時判斷行文本方向

crnncrnn_lite lstmdense識別（ocr-dense和ocr-lstm是搬運chineseocr的）

支持豎排文本識別

ncnn 實現(xiàn) (支持lstm)

mnn 實現(xiàn)

接下來，我們再說一下chineseocr_lite的運行環(huán)境：

Ubuntu 18.04

Python 3.6.9

Pytorch 1.5.0.dev20200227+cpu

此外，最近項目作者對更新了可實現(xiàn)的功能。

nihui 大佬實現(xiàn)的 crnn_lstm 推理

升級 crnn_lite_lstm_dw.pth 模型 crnn_lite_lstm_dw_v2.pth , 精度更高

提供豎排文字樣例以及字體庫（旋轉(zhuǎn) 90 度的字體）

如果你也對這個項目感興趣就趕緊嘗試下吧。

審核編輯 ：李倩