在NLP的產(chǎn)品體系中，OCR是關(guān)于文檔、文件處理的基礎(chǔ)步驟，是無法回避和繞開的。

關(guān)于OCR的基礎(chǔ)知識，也就成了NLP產(chǎn)品經(jīng)理必不可少的知識儲備了——只有產(chǎn)品詳細(xì)地了解了關(guān)于OCR的處理原理和步驟，才能充分發(fā)揮現(xiàn)有技術(shù)的優(yōu)勢，規(guī)避其弱點(diǎn)，創(chuàng)造出更大的價值。

什么是OCR？

OCR （Optical Character Recognition，光學(xué)字符識別）是指電子設(shè)備（例如掃描儀或數(shù)碼相機(jī)）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(jī)文字的過程。

即，針對印刷體字符，采用光學(xué)的方式將紙質(zhì)文檔中的文字轉(zhuǎn)換成為黑白點(diǎn)陣的圖像文件，并通過識別軟件將圖像中的文字轉(zhuǎn)換成文本格式，供文字處理軟件進(jìn)一步編輯加工的技術(shù)。

那么既然是通過掃描，或者攝像的方式獲取，就會遇到很多諸如背景復(fù)雜、分辨率低等情況，在沒有針對OCR技術(shù)實質(zhì)性的了解下，有的朋友都會認(rèn)為OCR識別，是一件非常easy的事情，不值得進(jìn)行討論。

事實上，自然環(huán)境下的OCR要面臨、要解決的問題還是相當(dāng)多的，例如：

• 背景復(fù)雜；
• 存在如底紋、水印、底線、框線；
• 加蓋印章干擾疊加 ；
• 圖像對比度低；
• 文字傾斜、模糊；
• 污跡、磨損；
• 防偽標(biāo)識；
• 字體種類繁多；
• 字的筆畫深淺，印刷受墨多寡等等情況。

通常情況下，衡量一個OCR系統(tǒng)性能好壞的主要指標(biāo)有：拒識率、誤識率、識別速度、用戶界面的友好性，產(chǎn)品的穩(wěn)定性，易用性及可行性等。

傳統(tǒng)OCR的處理過程

下面，我們通過一張圖來簡要了解一下傳統(tǒng)OCR的處理過程：

圖像預(yù)處理

預(yù)處理一般包括諸如傾斜校正、灰度化、圖像降噪、二值化處理等等。

二值化：

二值化就是讓圖像的像素點(diǎn)矩陣中的每個像素點(diǎn)的灰度值為0（黑色）或者255（白色），也就是讓整個圖像呈現(xiàn)只有黑和白的效果。在灰度化的圖像中灰度值的范圍為0~255，在二值化后的圖像中的灰度值范圍是0或者255。

二值化的做法一般分為以下幾種：

• 版面分析：是將掃描得到的圖像，將文本按照不同的屬性劃分出區(qū)域塊。對于各個不同的區(qū)域塊，如：橫排正文、豎排正文、表格、圖片等。
• 字符切割：對圖像中的文本進(jìn)行字符級的切割，需要注意的是字符粘連等問題。
• 特征提?。簩ψ址麍D像提取關(guān)鍵特征并降維，用于后續(xù)的字符識別算法。
• 字符識別：依據(jù)特征向量，基于模版匹配分類法或深度神經(jīng)網(wǎng)絡(luò)分類法，識別出字符。版面恢復(fù)：識別原文檔的排版，按照原排版的格式將識別結(jié)果輸出。
• 后處理：引入一些糾錯機(jī)制或者語言模型，針對一些形近字進(jìn)行修正。

當(dāng)然，上述傳統(tǒng)的OCR識別方法已經(jīng)有點(diǎn)兒過時了，現(xiàn)在更流行的做法是基于深度學(xué)習(xí)的端到端的文字識別，即我們不需要顯式加入文字切割這個環(huán)節(jié)，而是將文字識別轉(zhuǎn)化為序列學(xué)習(xí)問題。

雖然輸入的圖像尺度不同，文本長度不同，但是經(jīng)過DCNN和RNN后，在輸出階段經(jīng)過一定的翻譯后，就可以對整個文本圖像進(jìn)行識別，也就是說，文字的切割也被融入到深度學(xué)習(xí)中去了。

OCR處理的技術(shù)框架

根據(jù)上面的技術(shù)框架圖，簡要介紹一下其中幾個關(guān)鍵步驟的模型：

第一，傾斜校正，采用深度學(xué)習(xí)模型AdvancedEast，進(jìn)行像素級別的分割。

它是一種用于場景圖像文本檢測的算法，主要基于EAST：一種高效且準(zhǔn)確的場景文本檢測器，并且還提供了顯著的改進(jìn)，這使得長文本預(yù)測更準(zhǔn)確。它的網(wǎng)絡(luò)結(jié)構(gòu)圖如下：

第二，采用PixelLink識別文字條的位置。

該模型是浙大聯(lián)合阿里提出，其核心思想是基于圖像分割來實現(xiàn)場景文字檢測，比起之前的很多基于檢測的場景文字檢測模型來說在性能與準(zhǔn)確率方面都有比較明顯的提升。PixelLink網(wǎng)絡(luò)模型架構(gòu)如下：

其中CNN部分采用了VGG16做為特征提取網(wǎng)絡(luò)，對輸出分為兩個部分：

• 像素分割，判斷每個像素是否為text/non-text
• 鏈接預(yù)測，對每個像素點(diǎn)八領(lǐng)域進(jìn)行鏈接預(yù)測，如果是positive則合并為text像素，如果不是則放棄。

通過上述兩步之后得到疊加的TEXT圖像mask，對mask圖像進(jìn)行連通組件發(fā)現(xiàn)即可得到最終檢測框輸出。

第三，采用CRNN模型進(jìn)行文字識別，它的網(wǎng)絡(luò)結(jié)構(gòu)是這樣的：

網(wǎng)絡(luò)結(jié)構(gòu)包含三部分，從下到上依次為：

• 卷積層，使用CNN，作用是從輸入圖像中提取特征序列;
• 循環(huán)層，使用RNN，作用是預(yù)測從卷積層獲取的特征序列的標(biāo)簽（真實值）分布;
• 轉(zhuǎn)錄層，使用CTC，作用是把從循環(huán)層獲取的標(biāo)簽分布通過去重整合等操作轉(zhuǎn)換成最終的識別結(jié)果;

CRNN借鑒了語音識別中的LSTM+CTC的建模方法，不同點(diǎn)是輸入進(jìn)LSTM的特征，從語音領(lǐng)域的聲學(xué)特征（MFCC等），替換為CNN網(wǎng)絡(luò)提取的圖像特征向量。

CRNN算法最大的貢獻(xiàn)，是把CNN做圖像特征工程的潛力與LSTM做序列化識別的潛力，進(jìn)行結(jié)合。它既提取了魯棒特征，又通過序列識別避免了傳統(tǒng)算法中難度極高的單字符切分與單字符識別，同時序列化識別也嵌入時序依賴。

目前市面上都能提供哪些類型的文本識別呢？

通用文字識別

一般是指不規(guī)則文檔類的識別，例如PDF之類的。

卡證識別

身份證、銀行卡、營業(yè)執(zhí)照、名片、護(hù)照、港澳通行證、戶口本、駕駛證、行駛證等等

票據(jù)識別

增值稅發(fā)票、定額發(fā)票、火車票、出租車票、行程單、保單、銀行單據(jù)等等。

其他

車牌、車輛合格證、印章檢測等等。

應(yīng)用場景

最后我們來聊一下關(guān)于OCR的應(yīng)用場景，在開頭的時候，我們提到，在NLP的相關(guān)產(chǎn)品中，OCR扮演著不可或缺的角色，主要是在關(guān)于文檔處理的一些場景中，例如，pdf等格式的文檔抽取、文檔審核、文檔比對等等。

遠(yuǎn)程身份認(rèn)證

結(jié)合OCR和人臉識別技術(shù)，實現(xiàn)用戶證件信息的自動錄入，并完成用戶身份驗證。應(yīng)用于金融保險、社保、O2O等行業(yè)，有效控制業(yè)務(wù)風(fēng)險。

內(nèi)容審核與監(jiān)管

自動識別圖片、視頻中的文字內(nèi)容，及時發(fā)現(xiàn)涉黃、涉暴、政治敏感、惡意廣告等不合規(guī)內(nèi)容，規(guī)避業(yè)務(wù)風(fēng)險，大幅節(jié)約人工審核成本。

紙質(zhì)文檔票據(jù)電子化

通過OCR實現(xiàn)紙質(zhì)文檔資料、票據(jù)、表格的自動識別和錄入，減少人工錄入成本，提高輸入效率。

本文由 @燕然未勒 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Unsplash ，基于 CC0 協(xié)議。