小白综述：深度学习 OCR 图片文字识别

文章目录

• 1. OCR 算法流程
• • 1.1 传统 OCR 方法
  • 1.2 深度学习 OCR 方法
  • • 1.2.1 two-stage方法：文字检测+识别
    • 1.2.2 端到端方法
    • 2. 文本检测算法
    • 3. 文本识别算法
    • • 3.1 基于分割的单字符识别方法
      • 3.2 基于序列标注的文本行识别方法

        1. OCR 算法流程

        OCR (Optical Character Recognition,光学字符识别) 是指提取图像中的文字信息。

        1.1 传统 OCR 方法

        传统 OCR 方法一般包含预处理、版面处理、字符切分、字符识别、后处理等五个步骤：

        

        传统 ORC 方法的缺点有：

        • 预处理和版面分析都是基于传统图像处理方法以及人工定义的规则，通常是基于固定场景开发的，无法迁移到其它场景中，应用范围有限。
        • 字符识别方法基于人工特征，鲁棒性不足，在字体变化或者背景干扰情况下，分类器的识别效果会大打折扣。
        • 流程繁杂，各个模块互相独立，导致难以整体调优，同时各个模块串联也会导致误差传递，造成整体识别精度不高。

          总体来讲，受传统算法的局限性，传统 OCR 仅在比较规整的印刷文档上表现比较好，但在复杂场景（图像模糊、低分辨率、干扰信息）中，文字检测和识别性能都不够理想。

          1.2 深度学习 OCR 方法

          深度学习时代的 OCR 算法更为简洁，主要可以分为两种思路：

          • two-stage方法：文字检测+文字识别，分别由检测网络和识别网络来完成。
          • 端到端方法：直接输出识别后的文本，由一个大网络来完成。

            

            1.2.1 two-stage方法：文字检测+识别

            二阶段 OCR 是目前主流的，也是效果较好的方法，一般包括文字检测和文字识别两部分：

            • 文字检测：将图片中的文字区域位置检测出来
            • 文字识别：对文字区域中的文字进行识别

              这篇博客主要研究 two-stage 方法。

              1.2.2 端到端方法

              近几年也有统一了文字检测检测和识别的端到端的 OCR 方法，如 STN-COR，FOTS 和 ABCNet。

              STN-COR 由定位网络和识别网络两部分组成。定位网络的输入是场景文本图片，输出是Ｎ个变换矩阵，每个矩阵经网格后形成一个采样网格，每个采样网格代表一个文本区域。识别网络是单字符识别网络的改进，可以识别多个字符。

              但端到端的模型仍有几个问题等待解决：

              • 特征共享问题：

                文字检测和识别需要的特征的粒度不同，文本检测只需要区分出当前区域是否包含文本即可，使用粗粒度的特征即可满足要求。但识别需要区分不同文字的差别，需要细粒度的特征。检测和识别分支的特征如何有效共享是个仍待解决的问题。

              • 模型训练的问题：

                识别分支的收敛速度远慢于检测分支，需要的数据量远大于检测分支。因此端到端训练时数据量和收敛速度问题如何平衡仍需关注。

                本节参考硕士论文：苗文强. 基于深度学习的文本识别算法研究与实现[D].北京邮电大学,2022.DOI:10.26969/d.cnki.gbydu.2022.002445.

                2. 文本检测算法

                文本检测算法可以分为两大类：基于回归和基于分割

                • 基于回归的方法：借鉴目标检测算法，采用预测图片边界框的方法实现对文本的定位，典型的模型有 CTPR 和 RRD
                • 基于分割的方法：将文本检测问题看成一个二分类任务，判断每个像素是否是文本，之后再聚合像素组成文本行，典型的网络有 PSENet 和 DBNet

                  3. 文本识别算法

                  文本识别算法可分为两类：基于分割的单字符识别方法，基于序列标注的文本行识别方法。

                  • 基于分割的单字符识别方法：通常包含字符分割和字符识别两个步骤。首先从输入文本实例图像中定位每个字符的位置，该过程通常使用分割网络如 FCN 实现；然后将分割后的字符输入字符分类器进行分类；最后再组合字符得到字符串作为最终识别结果。
                  • 基于序列标注的文本行识别方法：通过 Encoder-Decoder 框架将整个文本行图片直接映射为目标字符串序列，从而避免了字符分割带来的误差。

                    其中基于序列标注的文本行识别方法是目前的主流方法。

                    3.1 基于分割的单字符识别方法

                    基于分割的单字符识别方法通常包含字符分割和字符识别两个步骤。该方法尝试从输入文本实例图像中定位每个字符的位置，该过程通常使用分割网络如 FCN 实现，然后将分割后的字符输入字符分类器进行分类，最后再组合字符得到字符串作为最终识别结果。

                    因为这种方法已经取得了重大进展，但仍然存在一些明显的缺陷：

                    1. 场景文本中字符分割的难度极大，而字符分割不准确会影响后续的字符分类。
                    2. 该方法串联了一个分割子网络和一个字符识别子网络，导致误差累积，造成整体识别效果不佳。
                    3. 该方法无法结合字符的上下文信息辅助识别当前字符，导致识别难度增大。如小写字母 “l” 和 数字 “1” 难以区分，如果有前后文信息，比如字符前后都是数字，那么是 数字 “1” 的可能性更大。

                    3.2 基于序列标注的文本行识别方法

                    基于序列标注的文本行识别方法通过 Encoder-Decoder 框架将整个文本行图片直接映射为目标字符串序列，从而避免了字符分割带来的误差。这种方法包括四个流程：预处理、视觉特征提取、序列建模、解码预测。

                    

                    • 预处理：预处理包括图片背景擦除，清晰化（超分辨率）和图像矫正等操作，这会给整个识别流程增加额外的时间消耗，考虑到速度与准确率的平衡，预处理操作不是必须的。
                    • 视觉特征提取：通常使用 CNN 来提取特征，如 VGG 和 ResNet
                    • 序列建模：通过使用双向 RNN，如双向 LSTM 和 Transformer
                    • 解码预测：OCR 主流的三大解码算法是 CTC、Attention、ACE