光学字符识别

经过前面的文字定位和文本切割，我们已经能够找出图像中单个文字的区域，接下来可以建立相应的模型对单字进行识别。 模型选择 在模型方面，我们选择了深度学习中的卷积神经网络模型，通过多层卷积神经网络，构建了单字的识别模型。 卷积神经网络是人工神经网络的一种，已成为当前图像识别领域的主流模型。 它通过局部感知野和权值共享方法，降低了网络模型的复杂度，减少了权值的数量，在网络结构上更类似于生物神经网络，这也预示着它必然具有更优秀的效果。 事实上，我们选择卷积神经网络的主要原因有： 1. 对原始图像自动提取特征 卷积神经网络模型可以直接将原始图像进行输入，免除了传统模型的人工提取特征这一比较困难的核心部分； 2. 比传统模型更高的精度 比如在MNIST手写数字识别任务中，可以达到99%以上的精度，这远高于传统模型的精度； 3. 比传统模型更好的泛化能力 这意味着图像本身的形变(伸缩、旋转)以及图像上的噪音对识别的结果影响不明显，这正是一个良好的OCR系统所必需的。 训练数据 为了训练一个良好的模型，必须有足够多的训练数据。幸运的是，虽然没有现成的数据可以用，但是由于我们只是做印刷字体的识别，因此，我们可以使用计算机自动生成一批训练数据。通过以下步骤，我们构建了一批比较充分的训练数据： 1. 更多细节 由于汉字的结构比数字和英文都要复杂，因此，为了体现更多的细节信息，我使用48

什么是OCR？ OCR英文全称是optical character recognition，中文叫光学字符识别。它是利用光学技术和计算机技术把印在或者写在纸上的 文字读取出来，并转换成一种计算机能够接受、人又可以理解的格式。文字识别是计算机视觉研究领域的分支之一， 而且这个课题已经是比较成熟了，并且在商业中已经有很多落地项目了。 比如汉王OCR，百度OCR，阿里OCR等等，很多企业 都有能力都是拿OCR技术开始挣钱了。其实我们自己也能感受到，OCR技术确实也在改变着我们的生活：比如一个手机APP 就能帮忙扫描名片、身份证，并识别出里面的信息；汽车进入停车场、收费站都不要人工登记了，都是用车牌识别技术； 我们看书时看到不懂的题，那个手机一扫，APP就能在网上帮你找到这题的答案。太多太多的应用了，OCR的应用在当今时代确实是百花齐放。 OCR的分类 如果要给OCR进行分类，我觉得可以分为两类：手写识别和印刷体识别。这两个可以认为是OCR领域两个大主题了，当然 印刷识别较手写体识别要简单得多，我们也能从直观上理解 印刷体大多都是规则的字体，因为这些字体都是计算机自己生成再通过打印技术印刷到纸上。在印刷体的识别上有其独特的干扰； 在印刷过程中字体很可能变得断裂或者墨水粘连，使得OCR识别异常困难。 当然这些都可以通过一些图像处理的技术帮他尽可能的还原，进而提高识别率。 总的来说