傳統(tǒng)圖像算法

2012年之前，文字識別的主流算法都依賴于傳統(tǒng)圖像處理技術(shù)和統(tǒng)計機器學(xué)習(xí)方法實現(xiàn)，利用光學(xué)技術(shù)和計算機技術(shù)把印在或?qū)懺诩埳系奈淖肿x取出來，并轉(zhuǎn)換成一種計算機能夠接受、人又可以理解的格式。傳統(tǒng)的文字識別方法可以分為圖像預(yù)處理、文字識別、后處理三個階段：

圖像預(yù)處理：完成文字區(qū)域定位，文字矯正，字符切割等處理，預(yù)處理一般包括灰度化、二值化，傾斜檢測與校正，行、字切分，平滑，規(guī)范化等等，核心技術(shù)包括連通域分析，MSER，仿射變換，圖像二值化，投影分析等。

文字識別：對切割出的文字進(jìn)行識別，一般采用提取人工設(shè)計特征（如HOG特征等）或者CNN提取特征，再通過機器學(xué)習(xí)分類器（如SVM等）進(jìn)行識別；

后處理：利用規(guī)則，語言模型等對識別結(jié)果進(jìn)行矯正。

傳統(tǒng)的文字識別方法，在簡單的場景下能達(dá)到不錯的效果，但是不同場景下都需要獨立設(shè)計各個模塊的參數(shù)，工作繁瑣，遇到復(fù)雜的場景，難以設(shè)計出泛化性能好的模型。

深度學(xué)習(xí)算法

2012年之后，隨著深度學(xué)習(xí)在計算機視覺領(lǐng)域應(yīng)用的不斷擴大，工業(yè)場景下的圖像文本識別更為復(fù)雜，它會出現(xiàn)在許多不同的情景下，如醫(yī)藥包裝上的文字、各類鋼制零部件上的字符、集裝箱表面噴印的字符、商鋪Logo上的個性化字符等等。

文字識別逐漸拋棄了原有方法，過渡到深度學(xué)習(xí)算法方案。在深度學(xué)習(xí)時代，文字識別框架也逐漸簡化，目前主流的方案主要有兩種，一種是文本行檢測與文字識別的兩階段方案，另一種是端到端的文字識別方案。

1）兩階段文字識別方案

主要思路是先定位文本行位置，然后再對已經(jīng)定位的文本行內(nèi)容進(jìn)行識別。文本行檢測從方法角度主要分為基于文本框回歸的方法，基于分割或?qū)嵗指畹姆椒ǎ约盎诨貧w、分割混合的方法，從檢測能力上也由開始的多向矩形框發(fā)展到多邊形文本，現(xiàn)在的熱點在于解決任意形狀的文本行檢測問題。文本識別從單字檢測識別發(fā)展到文本序列識別，目前序列識別主要又分為基于CTC的方法和基于Attention的方法。

2）端到端文字識別方案

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)，極大地提高了文字識別的實時性。通過一個模型同時完成文本行檢測和文本識別的任務(wù)，既可以提高文本識別的實時性，同時因為兩個任務(wù)在同一個模型中聯(lián)合訓(xùn)練，兩部分任務(wù)可以互相促進(jìn)效果。

返回列表