點擊下方卡片，關注「新機器視覺」公眾號
重磅乾貨，第一時間送達
近日，「大學生用OCR+正則表達式快速核查學生核酸報告」的新聞火了，細心觀察我們就能發現，生活里OCR的身影到處都是：文檔掃描、車牌識別、證件識別等等。在這個信息技術高速發展的時代，越來越多的小事可以「智能化」、「信息化」，曾經需要浪費諸多人力物力才能完成的事，可以通過新的技術輕鬆地解決。
文章開頭提到的新聞里，OCR技術到底解決了什麼問題？上圖是一張上海市健康雲截圖，復旦大學博士生使用OCR技術監測到文本，再提取其中的文字信息，每次核查數百人的截圖僅需幾分鐘。抽象的字符讓人感覺技術深不可測，但是等讀者們稍作了解之後，會發現高科技是非常親切實用的。OCR中文名叫做「光學字符識別」，它可以將名片、票據、身份證、駕照等文檔資料中的文字和數字信息轉換成文本信息，以電子形式保存，實現信息採集的快速錄入。現在有非常多實現OCR功能的免費接口，傳入圖片路徑，就可以調用接口函數，識別圖片中的文字信息。
預處理：是對圖像進行初步的處理，目的是減少圖像中的無用信息，方便提取特徵。常用的步驟有：灰度化、降噪、二值化、字符切分、歸一化等。特徵提取和降維：是識別文字、數字的關鍵步驟之一。特徵是識別文字的關鍵信息，每個不同的文字通過特徵來和其他文字進行區分。數字和英文字符相對中文字符來說更容易區分。為了提高後續分類器的效果和效率，往往還要進行降維，進一步減少特徵中的無用信息，同時把有用信息儘可能多地保留下來。分類器設計：對特徵進行識別，是進行文字、數字識別的關鍵步驟之一。在這一步中，分類器對特徵進行分類，將其識別成對應的字符。分類器一般需要提前訓練，常見的分類器有：支持向量機、神經網絡等。後處理：是對分類結果進行優化處理的步驟。經過分類器分類得到的結果是不完全準確的，比如對形近字的識別錯誤率比較高、識別結果存在排版錯誤，後處理就可以有針對性地解決這些問題。例如，通過語言模型校正將「存哪裡」校正為「在哪裡」，並對識別結果進行格式化。
正則表達式在人物場景中承擔的是什麼責任呢？經過前面敘述的流程，從圖片中提取出來的文字信息，需要進一步整理提取，實現自動化核查。正則表達式通常被用來檢索、替換符合特定模式的文本。正則表達式可以提取出文本中的特定文本，即：姓名、證件號碼、採樣時間、檢測結果等，再輸出到Excel中。
目前主流的OCR任務會使用深度學習方法，這意味着數據集是其中的關鍵。https://www.robots.ox.ac.uk/~vgg/data/scenetext/ICDAR是競賽數據集，2003年、2013年、2015年、2017年分別開放了以下數據集：http://www.iapr-tc11.org/mediawiki/index.php/ICDAR_2003_Robust_Reading_Competitionshttps://rrc.cvc.uab.es/?ch=2https://rrc.cvc.uab.es/?ch=4https://rrc.cvc.uab.es/?ch=5&com=introduction谷歌圖像中收集整理得到的IIIT 5K words數據集：http://cvit.iiit.ac.in/projects/SceneTextUnderstanding/IIIT5K.html還有一些公開數據集，如：SVT、CUTE等。Github上有一個OCR數據匯總可以查看：https://github.com/WenmuZhou/OCR_DataSet大多數OCR數據集包含的圖像數量比較少，並不足以訓練出一個模型，需要合成新的數據集使用。
OCR技術不算是最新的技術，早在十年前它就火過，隨着近年深度學習的迅速發展，基於深度學習的OCR技術也逐漸成熟，能夠更好更靈活地應對不同場景，已經成為科技公司的能力標配。
本文僅做學術分享，如有侵權，請聯繫刪文。
鑽石舞台 發表在 痞客邦 留言(0) 人氣()
留言列表
留言列表