他的回复:
华为云ID: yujingv 第一章企业应用最广泛的AI案例开发:OCR文字识别 笔记第1章 企业应用最广泛的AI案例开发:OCR文字识别1.1 OCR介绍1. 概述2. OCR介绍3. OCR完成流程4. 文字区域检测5. 字符识别6. OCR相关的开源资源7. OCR面对的挑战 1.OCR简介 OCR光学字符识别 发展时间较长 使用普遍 2.OCR流程 机器学习 图像预处理:去噪、灰度化、图像增强等 文本检测: 滑动窗口算法遍历整张图片 字符分类: 划分单个字符,识别单字 深度学习方法 文本区域检测:将图片中出现的文本位置检测处理,可能存在不同语言,不同文字大小,不同角度倾斜,不同程度遮挡等情况 CTPN:CTPN网络结合了CNN与LSTM深度网络,通过固定宽带的anchor提前proposal,能有效的检测出复杂场景的横向分布的文字区域,不定长度文本识别效果较好,是目前使用广泛的文字检测算法。 EAST:网络分为三部分,特征提取,特征融合和输出层 PixelLink: 采用了实例分割的方法完成文本区域检测,通过将统一实例中的像素链接,通过链接区域分割出文本实例,然后从分割结果中提取文本边界框,进行回归计算。 字符识别算法:将文本区域的字符识别出来。通过深度神经网络对目标区域进行特征提取,然后对固定特征进行提取和比对,得出识别结果。 CRNN+CTC: CRNN卷积循环神经网络,将特征提取,序列建模以及转录整合到统一的模型框架中。CRNN网络分为:卷积层、循环层和转录层三部分,CTC为无词典的转录方式,不会被局限在预定义词汇范围中。 6.OCR相关的开源资源 Tesseract 2006年开源的光学字符识别引擎,因为开源使用以及精准的检测效果,Tesseract的使用十分普遍。 MNIST 手写数字数据集 MNIST数据集包括了大量的手写数字图片,包括6万张训练数据集和1万张测试数据集,是广泛使用的开源数据集之一,很多深度学习任务的入门练习数据集。 COCO-text 包含日常生活里复杂场景中的文字,数据集提供了边界框的位置,区分了打印文字和手写文字,清晰和模糊的文字,文字的内容等标注信息,数据集包括了超过173,589标注了的文本区域,超过63,686张图片。 CTW中文街景数据集 数据集中包含了32285张图片,共计1018402个汉字,3850个汉字类别。标注信息包括了 文字行的边界框 文字单字的边界框 是否遮挡,扭曲 是打印文字或者手写文字等 7.OCR面临的挑战 汉字字符识别 汉字字符的识别难度相比较英文字符要更大,字符的识别过程可以近似为分类,引文字符的分类数远小于汉字单字的数量,所以分类的难度更高。除此之外,多语言混合也是字符分类任务中的挑战,字符识别更加复杂。 手写字符识别 印刷字体遵循固定的规则,而手写字符的识别相比较就更加复杂,每个人的书写习惯都不同,同一个人书写同样的字符也不完全相同,识别难度大大增加。 小结: OCR机器学习和深度学习对比,了解了OCR的实现步骤以及算法1.2 华为云OCR服务调用指南 第一步: 准备工作 python + pycharm 第二步: 申请服务 第三步: 下载SDK 第四步: 配置SDK OCRDemo.py /v1.0/ocr/generla-text 第五步:运行案例1.3 CTPN+CRNN 算法端到端实现文字识别目录 1.OCR简介 2.CTPN与CRNN 3. 动手实践OCR简介 OCR光学字符识别 发展时间较长 使用普遍OCR流程 深度学习方法 文字区域检测:将图片中出现的文本位置检测出来,可能存在不同语言,不同文字大小,不同角度倾斜,不同程度遮挡等情况。 CTPN 字符识别算法:将文本区域的字符识别出来。通过深度神经网络对目标区域进行特征提取,然后对固定特征进行提取和比对,得出识别结果。CTPN 网络结构 CNN-VGG16 RNN FCCRNN 卷积循环神经网络 卷积层 特征提取 循环层 深度双向LSTM 转录层 将RNN输出做softmax完整的端到端OCR流程 了解了文本区域以及字符识别后,下面详细讲解完整的端到端OCR流程: (1)准备一张含有文字的原图; (2)对原图进行文字位置的检测,检测结果可能是水平矩形框,也可能是倾斜矩形框; (3)从原图中把文字框对应的图片切下来,并旋转正,得到水平的文字块切片图; (4)对每个文字块切片图依次进行字符识别,每个切片图的识别结果汇总起来,就得到原图的文字识别结果。 因此完整的端到端OCR流程是:输入原图 -> 文字检测 ->文字块切片 -> 字符识别 -> 识别结果汇总。动手实践: 本次案例地址:https://modelarts-labs-bj4.obs.cn-north-4.myhuaweicloud.com/notebook/DL_ctpn_crnn/DL_ocr.zip