雷鋒網(wǎng)按：本文為矩視智能創(chuàng)始人弭寶瞳投稿。矩視智能成立于 2017 年 10 月，專注于機(jī)器視覺，主要通過 SaaS 云平臺幫助提升工廠機(jī)器視覺開發(fā)、升級效率。弭寶瞳為中國人民大學(xué)計(jì)算機(jī)博士，曾在奇虎 360 任產(chǎn)品經(jīng)理、研發(fā)工程師。

一、背景知識

文本是人類最重要的信息來源之一，自然場景中充滿了形形色色的文字符號。在過去的十幾年中，研究人員一直在探索如何能夠快速準(zhǔn)確的從圖像中讀取文本信息，也就是現(xiàn)在OCR技術(shù)。

工業(yè)場景下的圖像文本識別更為復(fù)雜，它會(huì)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(gè)性化字符等等。

在這類圖像中，文字部分可能會(huì)呈現(xiàn)為彎曲排列、曲面異形、傾斜分布、褶皺變形、殘缺不全等多種形式，與標(biāo)準(zhǔn)字符的特征有較大出入，從而給圖像文字的檢測與識別帶來了困難。

二、傳統(tǒng)算法

傳統(tǒng)OCR技術(shù)通常使用OpenCV算法庫，通過圖像處理和統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法提取圖像中的文字信息，用到的技術(shù)包括二值化、噪聲濾除、連通域分析和Adaboost、SVM等。

按處理方式可以將傳統(tǒng)OCR技術(shù)劃分為圖片預(yù)處理、文字識別、后處理三個(gè)階段，其具體的技術(shù)流程如下圖所示。

針對簡單場景下的圖片，傳統(tǒng)OCR已經(jīng)取得了很好的識別效果。但是從操作流程可以看出，傳統(tǒng)方法是針對特定場景的圖像進(jìn)行建模的，一旦跳出當(dāng)前場景，模型就會(huì)失效。隨著近些年深度學(xué)習(xí)技術(shù)的迅速發(fā)展，基于深度學(xué)習(xí)的OCR技術(shù)也已逐漸成熟，能夠靈活應(yīng)對不同場景。

三、深度學(xué)習(xí)

目前，基于深度學(xué)習(xí)的場景文字識別主要包括兩種方法，第一種是分為文字檢測和文字識別兩個(gè)階段；第二種則是通過端對端的模型一次性完成文字的檢測和識別。

3.1文字檢測

顧名思義，文字檢測就是要檢測到圖片中文字所在的區(qū)域，其核心是區(qū)分文字和背景。常用的文字檢測算法包括以下幾種：

3.1.1 CTPN [1]

CTPN是ECCV 2016提出的一種文字檢測算法，由Faster RCNN改進(jìn)而來，結(jié)合了CNN與LSTM深度網(wǎng)絡(luò)，其支持任意尺寸的圖像輸入，并能夠直接在卷積層中定位文本行。

CTPN由檢測小尺度文本框、循環(huán)連接文本框、文本行邊細(xì)化三個(gè)部分組成，具體實(shí)現(xiàn)流程為：

使用VGG16網(wǎng)絡(luò)提取特征，得到conv5_3的特征圖；

在所得特征圖上使用3*3滑動(dòng)窗口進(jìn)行滑動(dòng)，得到相應(yīng)的特征向量；

將所得特征向量輸入BLSTM，學(xué)習(xí)序列特征，然后連接一個(gè)全連接FC層；

最后輸出層輸出結(jié)果。

CTPN是基于Anchor的算法，在檢測橫向分布的文字時(shí)能得到較好的效果。此外，BLSTM的加入也進(jìn)一步提高了其檢測能力。

3.1.2 TextBoxes/TextBoxes++ [2,3]

TextBoxes和TextBoxes++模型都來自華中科技大學(xué)的白翔老師團(tuán)隊(duì)，其中TextBoxes是改進(jìn)版的SSD，而TextBoxes++則是在前者的基礎(chǔ)上繼續(xù)擴(kuò)展。

TextBoxes共有28層卷積，前13層來自于VGG-16(conv_1到conv4_3)，后接9個(gè)額外的卷積層，最后是包含6個(gè)卷積層的多重輸出層，被稱為text-box layers，分別和前面的9個(gè)卷積層相連。由于這些default box都是細(xì)長型的，使得box在水平方向密集在垂直方向上稀疏，從而導(dǎo)致該模型對水平方向上的文字檢測結(jié)果較好。

TextBoxes++保留了TextBoxes的基本框架，只是對卷積層的組成進(jìn)行了略微調(diào)整，同時(shí)調(diào)整了default box的縱橫比和輸出階段的卷積核大小，使得模型能夠檢測任意方向的文字。

3.1.3 EAST [4]

EAST算法是一個(gè)高效且準(zhǔn)確的文字檢測算法，僅包括全卷積網(wǎng)絡(luò)檢測文本行候選框和NMS算法過濾冗余候選框兩個(gè)步驟。

其網(wǎng)絡(luò)結(jié)構(gòu)結(jié)合了HyperNet和U-shape思想，由三部分組成：

特征提?。菏褂肞VANet/VGG16提取四個(gè)級別的特征圖；

特征合并：使用上采樣、串聯(lián)、卷積等操作得到合并的特征圖；

輸出層：輸出單通道的分?jǐn)?shù)特征圖和多通道的幾何特征圖。

EAST算法借助其獨(dú)特的結(jié)構(gòu)和簡練的pipline，可以檢測不同方向、不同尺寸的文字且運(yùn)行速度快，效率高。

3.2文字識別

通過文字檢測對圖片中的文字區(qū)域進(jìn)行定位后，還需要對區(qū)域內(nèi)的文字進(jìn)行識別。針對文字識別部分目前存在幾種架構(gòu)，下面將分別展開介紹。

3.2.1 CNN + softmax [5]

此方法主要用于街牌號識別，對每個(gè)字符識別的架構(gòu)為：先使用卷積網(wǎng)絡(luò)提取特征，然后使用N+1個(gè)softmax分類器對每個(gè)字符進(jìn)行分類。具體流程如下圖所示：

使用此方法可以處理不定長的簡單文字序列（如字符和字母），但是對較長的字符序列識別效果不佳。

3.2.2 CNN + RNN + attention [6]

本方法是基于視覺注意力的文字識別算法。主要分為以下三步：

模型首先在輸入圖片上運(yùn)行滑動(dòng)CNN以提取特征；

將所得特征序列輸入到推疊在CNN頂部的LSTM進(jìn)行特征序列的編碼；

使用注意力模型進(jìn)行解碼，并輸出標(biāo)簽序列。

本方法采用的attention模型允許解碼器在每一步的解碼過程中，將編碼器的隱藏狀態(tài)通過加權(quán)平均，計(jì)算可變的上下文向量，因此可以時(shí)刻讀取最相關(guān)的信息，而不必完全依賴于上一時(shí)刻的隱藏狀態(tài)。

3.2.3 CNN + stacked CNN + CTC [7]

上一節(jié)中提到的CNN + RNN + attention方法不可避免的使用到RNN架構(gòu)，RNN可以有效的學(xué)習(xí)上下文信息并捕獲長期依賴關(guān)系，但其龐大的遞歸網(wǎng)絡(luò)計(jì)算量和梯度消失/爆炸的問題導(dǎo)致RNN很難訓(xùn)練?；诖?，有研究人員提出使用CNN與CTC結(jié)合的卷積網(wǎng)絡(luò)生成標(biāo)簽序列，沒有任何重復(fù)連接。

這種方法的整個(gè)網(wǎng)絡(luò)架構(gòu)如下圖所示，分為三個(gè)部分：

注意特征編碼器：提取圖片中文字區(qū)域的特征向量，并生成特征序列；

卷積序列建模：將特征序列轉(zhuǎn)換為二維特征圖輸入CNN，獲取序列中的上下文關(guān)系；

CTC：獲得最后的標(biāo)簽序列。

本方法基于CNN算法，相比RNN節(jié)省了內(nèi)存空間，且通過卷積的并行運(yùn)算提高了運(yùn)算速度。

3.3端對端文字識別

使用文字檢測加文字識別兩步法雖然可以實(shí)現(xiàn)場景文字的識別，但融合兩個(gè)步驟的結(jié)果時(shí)仍需使用大量的手工知識，且會(huì)增加時(shí)間的消耗，而端對端文字識別能夠同時(shí)完成檢測和識別任務(wù)，極大的提高了文字識別的實(shí)時(shí)性。

3.3.1 STN-ORC [8]

STN-OCR使用單個(gè)深度神經(jīng)網(wǎng)絡(luò)，以半監(jiān)督學(xué)習(xí)方式從自然圖像中檢測和識別文本。網(wǎng)絡(luò)實(shí)現(xiàn)流程如下圖所示，總體分為兩個(gè)部分：

定位網(wǎng)絡(luò)：針對輸入圖像預(yù)測N個(gè)變換矩陣，相應(yīng)的輸出N個(gè)文本區(qū)域，最后借助雙線性差值提取相應(yīng)區(qū)域；

識別網(wǎng)絡(luò)：使用N個(gè)提取的文本圖像進(jìn)行文本識別。

本方法的訓(xùn)練集不需要bbox標(biāo)注，使用友好性較高；但目前此模型還不能完全檢測出圖像中任意位置的文本，需要在后期繼續(xù)調(diào)整。

3.3.2 FOTS [9]

FOTS是一個(gè)快速的端對端的文字檢測與識別框架，通過共享訓(xùn)練特征、互補(bǔ)監(jiān)督的方法減少了特征提取所需的時(shí)間，從而加快了整體的速度。其整體結(jié)構(gòu)如圖所示：

卷積共享：從輸入圖象中提取特征，并將底層和高層的特征進(jìn)行融合；

文本檢測：通過轉(zhuǎn)化共享特征，輸出每像素的文本預(yù)測；

ROIRotate：將有角度的文本塊，通過仿射變換轉(zhuǎn)化為正常的軸對齊的本文塊；

文本識別：使用ROIRotate轉(zhuǎn)換的區(qū)域特征來得到文本標(biāo)簽。

FOTS是一個(gè)將檢測和識別集成化的框架，具有速度快、精度高、支持多角度等優(yōu)點(diǎn)，減少了其他模型帶來的文本遺漏、誤識別等問題。

四、總結(jié)

本文參考前沿文獻(xiàn)，總結(jié)了當(dāng)前主流的OCR場景檢測技術(shù)。相對來說，使用基于深度學(xué)習(xí)的端對端檢測模型可以實(shí)現(xiàn)快速、準(zhǔn)確的文字識別，且可以靈活的應(yīng)用于傾斜、彎曲、褶皺變形等復(fù)雜場景。

通過對現(xiàn)有算法模型的細(xì)節(jié)調(diào)整，將成熟的文本識別模型集成化，即可實(shí)現(xiàn)工業(yè)場景中的OCR識別。

參考文獻(xiàn)：

[1] Tian Z et al. Detecting text in natural image with connectionist text proposal network[C]//European conference on computer vision. Springer, Cham, 2016.

[2] Liao M et al. Textboxes: A fast text detector with a single deep neural network [C]//Thirty-First AAAI Conference on Artificial Intelligence. 2017.

[3] Liao M et al. Textboxes++: A single-shot oriented scene text detector[J]. IEEE transactions on image processing, 2018.

[4] Zhou X et al. EAST: an efficient and accurate scene text detector[C]// Proceedings of the IEEE conference on Computer Vision and Pattern Recognition. 2017.

[5] Goodfellow I J et al. Multi-digit number recognition from street view imagery using deep convolutional neural networks[J]. 2013.

[6] Deng Y et al. Image-to-markup generation with coarse-to-fine attention[C]// Proceedings of the 34th International Conference on Machine Learning-Volume 70. JMLR. org, 2017.

[7] Gao Y et al. Reading scene text with fully convolutional sequence modeling[J]. Neurocomputing, 2019.

[8] Bartz C et al. STN-OCR: A single neural network for text detection and text recognition[J]. arXiv preprint arXiv:1707.08831, 2017.

[9] Liu X et al. Fots: Fast oriented text spotting with a unified network [C]// Proceedings of the IEEE conference on computer vision and pattern recognition. 2018.

雷鋒網(wǎng).雷鋒網(wǎng).

雷峰網(wǎng)特約稿件，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。