OCR 101：你想要了解的都在這兒了

點選上方“AI公園”，關注公衆号，選擇加“星标“或“置頂”

因公衆号更改了推送規則，記得讀完點“在看”~下次AI公園的新文章就能及時出現在您的訂閱清單中

作者：Gidi Shperber

編譯：ronghuaiyang

導讀

OCR中的研究，工具和挑戰，都在這兒了。

介紹

我喜歡OCR(光學字元識别)。對我來說，它代表了資料科學，尤其是計算機視覺的真正挑戰。這是一個現實世界的問題，它有很多方法，包括計算機視覺，pipeline調整，甚至一些自然語言處理。它也需要大量的工程設計。它概括了資料科學中的許多問題：破壞了強大的基準，過分強調方法的複雜性和“新穎性”，而不是關注現實世界的進步。

兩年前，我發表了一篇關于OCR的文章。像我的大多數文章一樣，這篇文章意在回顧這個領域的研究和實踐，闡明你能做什麼，不能做什麼，如何做，為什麼做，并提供實用的例子。

它的本質是，當時的深度學習OCR是好的，但還不夠好。現在，OCR 要好得多。但還是不太好。

但是，考慮到深度學習領域的活力，在我看來，它需要一個更新，甚至是完全重寫。就是這樣。如果你來到這裡，你可能對OCR感興趣。你要麼是一名學生，要麼是一名想要研究這個領域的研究員，要麼你有商業興趣。不管怎樣，這篇文章應該能讓你跟上進度。

開始

首先，讓我們理清我們的概念:

• OCR - 光學字元識别。這是一個常見的術語，主要指文檔上的結構化文本。
• STR - 場景文本識别。大多指的是在野外場景中更具有挑戰性的文本。為了簡單起見，我們将它們都稱為OCR。

如前所述，OCR描述了深度學習和一般資料科學領域的許多成就，但也面臨着挑戰。一方面，這是我們之前的巨大進步。同樣是令人印象深刻的同比進步。然而，OCR仍然沒有解決。

還有一些非常惱人的失敗案例，原因各不相同，大部分都是源于标準深度學習的根本原因 —— 缺乏泛化、易受噪聲影響等。是以，即使模型可以處理許多情況(不同的字型、方向、角度、曲線、背景)，也有一些偏差是不能工作的(隻要它們不是手動引入到訓練集中)：不流行的字型、符号、背景等等。

任意形狀的文本 — 來自ICDAR 2019資料集

此外，還出現了一個偉大而有用的庫Easy OCR：https://github.com/JaidedAI/EasyOCR，它的目标是使最先進的OCR方法在開源中易于通路和使用。作為額外的好處，這個庫還解決了OCR中的多語言問題(目前包括大約80種語言和更多的語言)和模型的速度(仍處于早期階段)。這個庫并不完美，但它确實是一個很好的解決方案。稍後再詳細介紹。

是以，廢話不多說，讓我們看一下OCR目前的狀态。

值得注意的研究

一如既往，資料科學任務的邊界被研究擴充，而實踐在創新方面落後，但在穩健性方面領先。

在我之前的文章中，我回顧了3種方：

1. 當時流行的經典計算機視覺方法
2. 一般深度學習方法，檢測和識别，效率高，易于使用。
3. 特定的深度學習方法，如CRNN和STN能取得良好的結果，但“太新，不能信任”。

在這篇文章中，我們可以說，特定的深度學習方法已經成熟，并且在研究和實踐中都占據主導地位。

任務

在上一篇文章中，我們使用了一些例子，它們在目前狀态下看起來可能很簡單：車牌識别，驗證碼識别等等。今天的模型更有效，我們可以讨論更困難的任務，例如：

• 解析截圖
• 解析商業手冊
• 數字媒體解析
• 街道文本檢測

Pipeline

在OCR上應用标準的目标檢測和分割方法後，方法開始變得更加具體，并針對文本屬性：

• 文本是同構的，文本的每個子部分仍然是文本
• 文本可能在不同的層次上被檢測到，字元，單詞，句子，段落等。

是以，現代的OCR方法“隔離”特定的文本特征，并使用不同模型的“pipeline”來處理它們。

在這裡，我們将專注于一個特定的設定，實際上是一個模型pipeline，除了視覺模型(特征提取器)，還有一些更有用的元件：

Pipeline的圖

1. Pipeline的第一個部分是文本檢測。顯然，如果要使用不同的部分的文本，在識别實際字元之前檢測文本的位置可能是個好主意。這部分是與其他部分分開訓練的。
2. Pipeline的第二個部分是可選的：轉換層。它的目标是處理各種扭曲的文本，并将其轉換為更“正常”的格式(參見pipeline圖)。
3. 第三部分是視覺特征提取器，它可以是你最喜歡的深度模型。
4. Pipeline的第四個部分是RNN，它的目的是學習重複的文本序列。
5. 第五部分也就是最後一部分是CTC的損失。最近的文章用注意機制取代了它。

該pipeline除了檢測部分外，大多是端到端訓練，以減少複雜性。

Pipeline的問題

Pipeline中有不同的元件是很好的，但是它有一些缺點。每個元件都有它自己的偏差和超參數集，這導緻了另一個層次的複雜性。

資料集

衆所周知，所有好的資料科學工作的基礎都是資料集，而在OCR中，資料集是至關重要的：選擇的訓練和測試資料集對結果有重要的影響。多年來，OCR任務在十幾種不同的資料集中進行了磨砺。然而，它們中的大多數并沒有包含超過幾千張帶标注的圖像，這對于擴充來說似乎不夠。另一方面，OCR任務是最容易使用合成資料的任務之一。

讓我們看看有哪些重要的資料集可用：

“真實” 資料集

一些資料集利用了谷歌街景。這些資料集可以被劃分為規則或不規則(扭曲的、有角度的、圓角的)文本。

SVHN — 街景編号，我們在上一篇文章的例子中使用過。

SVT — 街景文字，文字圖像來自谷歌街景。

ICDAR (2003, 2013,2015, 2019) — 為ICDAR和競賽建立的一些資料集，具有不同的重點。例如，2019年的資料集被稱為“任意形狀的文本”，這意味着，無論它變得多麼不規則都有可能。

生成資料集

目前流行的合成資料集有兩種，它們在大多數OCR工作中被使用。不一緻的使用使得作品之間的比較具有挑戰性。

MJ Synth — 包括相對簡單的單詞組成。資料集本身包括~9M的圖像。

Synth text — 具有更複雜的機制，它在第一階段應用分割和圖像深度估計，然後在推斷的表面上“種出”文本。資料集本身包含約5.5M的圖像。

DALL-E — 這有點不确定，但是文本圖像生成(可能還有OCR)的未來似乎更加趨向于無監督。

這些合成資料集還擅長生成不同的語言，甚至是比較難的語言，比如漢語、希伯來語和阿拉伯語。

度量

在讨論具體的研究論文之前，我們需要确定成功的标準。顯然有不止一種選擇。

首先，讓我們考慮一下文本檢測的方式，它可以使用标準的目标檢測名額，如平均平均精度，甚至标準精度和召回。

現在到了有趣的部分：識别。有兩個主要的名額：單詞級别的準确性和字元級别的準确性。特定的任務可能需要更高的準确性(例如文本塊的準确性)。目前最先進的方法在具有挑戰性的資料集上顯示了80%的準确性(我們将在後面讨論)。

字元級别本身用“歸一化編輯距離”來封裝，該距離度量單詞之間相似字元的比例。

研究論文

在這篇文章中，我們關注的是最佳實踐，而不是構想。我建議你去看看篇綜述：https://arxiv.org/pdf/1811.04256.pdf，你會發現有很多方法讓你很難做出選擇。

場景文本識别的問題是什麼？

這個工作名字很不一樣，文章https://arxiv.org/abs/1904.01906本身也很出色。這是一種前瞻性的調研，内容有：

• 定義統一的訓練和測試集(經過一些優化後)。
• 在資料集上測試基準的最佳實踐。
• 對方法進行邏輯結構的整理，并“幫助”讀者了解使用什麼方法。

固定測試集上OCR pipeline的分類

是以本文的重點是：

1. 對于OCR來說，訓練資料集(可能被認為是“最好的”)是兩個合成資料集：MJ和Synthtext。此外，重要的特征不是數量而是多樣性(減少資料量不會對模型的性能造成太大的影響，但删除一個資料集卻會造成太大的影響)
2. 測試資料集約為5個真實世界資料集。
3. 論文論證了随着每次pipeline的更新，結果逐漸改善。最顯著的改進是從VGG到ResNet特征提取器的改動，精度從60%提高到80%。RNN和歸一化的補充将模型推高到了83%。CTC到注意力更新增加了1%的準确性，但推理時間增加了三倍。

文本檢測

在本文的大部分内容中，我們将讨論文本識别，但你可能還記得，pipeline的第一部分是文本檢測。實作目前這一代的文本檢測模型有點棘手。以前，文本檢測作為目标檢測的一個分支。然而，目标檢測有一些設定是通用的目标，如汽車，人臉等。當引入文本檢測時，需要進行一些重要的更新。

其實質是文本既具有同質性，又具有局部性。這意味着，一方面，文本的每個部分都是文本本身，另一方面，文本的子集應該統一到更大的類别上(如把字元統一為單詞)。是以，基于分割的方法比基于目标檢測的方法更适合于文本檢測。

CRAFT

我們最喜歡的目标檢測方法被稱為CRAFT —  Character Region Awareness for Text Detection，它也被內建到easy OCR中。該方法應用了一個簡單的分割網絡，很好地使用了真實圖像和合成圖像，以及字元級和單詞級的标注。

CRAFT模型概要

該模型在P和R上的h均值約為80%，在大多數資料集上也有很好的分詞效果，使模型的識别更加容易。

實際的例子

我們已經到了實際應用的階段。你應該用什麼?是以我們已經在前面回答了這個問題(Easy OCR…)，但是讓我們檢視一些流行的解決方案。

開源

需要注意的一件非常重要的事情是，盡管OCR受到學術界缺乏健壯性的影響，但它卻享受着開源軟體的繁榮，它允許研究人員和實踐者在彼此的工作基礎上進行建構。以前的開源工具(如Tesseract，見下文)在資料收集和從頭開始的開發中遇到了困難。最近的庫，比如Easy OCR，通過一組建構塊，從資料生成到所有pipeline模型上可以有更多的調整。

工具

Tesseract

在很長一段時間裡，Tesseract OCR是領先的開源OCR工具(不考慮偶爾與論文相關的庫)。然而，這個工具是作為一個經典的計算機視覺工具建構的，并沒有很好地過渡到深度學習。

APIs

OCR是大型雲提供商谷歌、亞馬遜和微軟的一些早期計算機視覺API。這些API并不共享它們的能力基準，是以測試成為了我們的責任。

Easy OCR

在某種程度上，Easy OCR包是這篇文章的驅動。從不同的建構塊建構一個開源的、最先進的工具的能力是很厲害的。

下面是它的工作原理：

1. 使用MJ-Synth包生成資料。
2. 用于檢測的CRAFT模型(見上圖)。
3. 根據“what is wrong”的論文(見上文)訓練一個調整後的pipeline，用于文本識别。
4. 其他優化。
5. 多語言：如上所述，OCR包含一些NLP元素。是以，處理不同的語言有不同之處，但我們也可以從工藝模型(可能還有其他檢測模型)的多語言中受益。識别模型是特定于語言的，但訓練過程是相同的。

最後一個問題是性能，這使得它在這個階段成為“go to OCR tech” 。你可以從下面看到，它們甚至比付費API結果還要好。

在Easy OCR中需要改進的一點是調整能力：雖然語言選擇很容易，但是可以根據不同的目的改變模型和再訓練。在下一篇文章中，我們将展示如何做到這一點。

運作時間怎麼樣？

OCR的推斷可能會很慢，這并不奇怪。檢測模型是一個标準的深度學習模型，在GPU上運作約1秒(每張圖像)，而識别模型需要一遍又一遍的運作檢測。在GPU上，一個包含許多目标的圖像可能需要幾十秒，更不用說CPU了。如果你想在你的手機或PC應用程式上運作OCR，使用較弱的硬體呢?

Easy OCR可以讓你學到：首先，這個庫引入了一些技巧，使推理更快(例如更緊湊的圖像切片形狀用于目辨別别)。此外，由于是子產品化的，你可以(目前需要一些代碼調整)內建你自己的模型，這樣就可以更小更快。

代碼樣例

是以，在讨論了不同的包和模型之後，是時候見證明際的結果了。這個notebook：https://colab.research.google.com/drive/1kNwHLmAtvwQjesqNZ9BenzRzXT9_S80W嘗試了Easy OCR vs Google OCR vs Tesseract的對比，我選擇了2張圖像：

一種是常見的OCR case —— 來自文檔的标準結構化文本，另一種是具有挑戰性的書籍封面集合：多種字型、背景、朝向(不是很多)等等。

我們将嘗試三種不同的方法：Easy OCR、Google OCR API(在大型技術雲API中被認為是最好的)和古老的Tesseract。

PDF

在這類文本上，Tesseract和Google OCR的性能是完美的。這是有意義的，因為Google OCR可能在某種程度上基于Tesseract。

注意Google OCR對于這種文本有一個特殊的模式 — DOCUMENT_TEXT_DETECTION，應該用這個，而不是标準的TEXT_DETECTION。

Easy OCR的準确率約為95%。

有挑戰的圖像

左：Google OCR，右：Easy OCR

總體而言，Easy OCR效果最好。具體來說，檢測部分捕獲了大約80%的目标，包括非常具有挑戰性的對角線目标。

Google OCR更糟，大約60%。

在識别方面，他們在字元級别上的識别率約為70%，這使得他們在單詞或書的級别上識别率不高。看起來，Google OCR在單本書上沒有100%正确的，而Easy OCR有一些可以。

我注意到的另外一件事是，Easy OCR在字元級别上表現更好，Google OCR在單詞級别上更好 —— 這讓我認為它可能在背景使用了字典。

—END—

英文原文：https://towardsdatascience.com/ocr-101-all-you-need-to-know-e6a5c5d5875b

請長按或掃描二維碼關注本公衆号

喜歡的話，請給我個在看吧！