2024年-ocr技術(shù)調(diào)研及進展匯報

OCR技術(shù)調(diào)研及進展匯報1

OCR介紹 OCR識別技術(shù)通過對圖片中的文字進行提取識別，轉(zhuǎn)換成可檢索的數(shù)據(jù)。OCR基于漢字的識別最早見于20世紀60年代，采用基于模版匹配的方法，由IBM公司的Casey和Nagy于1966年提出。我們國家開始于70年代，到了90年代，中文OCR技術(shù)慢慢走商業(yè)市場，開始在實際中應(yīng)用。22024/5/6OCR商業(yè)產(chǎn)品

目前國內(nèi)水平較高的有清華文通、漢王、尚書，國外是ABBYY和IRIS，其產(chǎn)品各有千秋，但是都價值不菲。效果基本都能夠達到95%，掃描清晰的話正確率可以達到99%以上，騰訊云ocr據(jù)說已經(jīng)達到99.99%32024/5/6OCR選型Tesseract

——開源OCR引擎，也有命令行工具。HP開發(fā)Google接手。3.0之后支持訓(xùn)練，4.0以后開始支持深度學(xué)習(xí)訓(xùn)練C++工程OCRopy

——基于訓(xùn)練的OCR引擎，項目比Tesseract更年輕Python工程MicrosoftOCRLibrary——有中文版Windows8.1之后的版本內(nèi)置OCR引擎，可用于桌面windowsapp不知道效果如何GNUOcrad

——命令行工具。有JS移植，可用于前端GOCR

——命令行工具。有JS移植，可用于前端CuneiformforLinux

——本來是個Windows軟件，這是Linux的移植，2011年4月已經(jīng)停止維護42024/5/6Tesseract的技術(shù)優(yōu)勢開源Tesseract的OCR引擎已作為開源項目發(fā)布在GoogleProject，是完全開源的。多語言支持通過不同的語言訓(xùn)練庫可以支持多種語言(包括中文、日文)。

多平臺支持該項目目前支持Windows、Linux和MacOS等主流平臺。支持樣本訓(xùn)練可以通過jTessBoxEditor工具對樣本進行訓(xùn)練，而生成語言文件供Tesseract使用，從而提高識別精確度。

基于項目選型的幾點要求：開源、免費、識別率高；所以選擇了Tesseract的OCR引擎。52024/5/6移動端OCR開源工程tess-two

，Tesseract的安卓移植microblink

，免費的移動OCR-SDK62024/5/6OCR問題分類簡單文本圖片

業(yè)界能做到比較好效果復(fù)雜圖文

復(fù)雜圖文的文字檢測和識別壓力很大，非常具有挑戰(zhàn)性結(jié)構(gòu)化圖文

不光是ocr，需要結(jié)合其他方法定位72024/5/6OCR流程輸入圖像圖像預(yù)處理特征提取和降維分類器分類得到識別結(jié)果后處理糾正輸出82024/5/6圖像預(yù)處理圖像增強銳化、去霧、修復(fù)圖像二值化黑白化92024/5/6圖像預(yù)處理OpenCV

——圖像處理老大哥。OpenCV3中有SceneTextDetection值得一用。

Libccv

——現(xiàn)代圖像處理庫，被很多人推薦。實現(xiàn)了精選的若干個圖像處理算法，干凈容易移植。其中

StrokeWidthTransfor

尤其有用。

lswms

——分行檢測。

OCRopus

——基于神經(jīng)學(xué)習(xí)網(wǎng)絡(luò)算法的布局分析庫。

TiRG

——文字區(qū)域檢測庫unpaper

——檢測文字和旋轉(zhuǎn)，用的是

Houghtransform

算法。102024/5/6Tesseract識別過程圖

112024/5/6Tesseract識別關(guān)鍵技術(shù)122024/5/6傳統(tǒng)方法和深度學(xué)習(xí)方法對比132024/5/6Tesseract訓(xùn)練下載工具jTessBoxEditor1、自己掃描獲取樣本圖像2、合并樣本圖像3、生成BoxFile文件4、手工矯正生成語言庫文件5、使用訓(xùn)練后的語言庫進行識別142024/5/6Tesseract支持增量訓(xùn)練通過輸入小數(shù)據(jù)集進行優(yōu)化，將不同的訓(xùn)練文件合在一起，可小幅度提升效果152024/5/6后處理語義糾正利用語義模型對一些錯誤識別進行糾正大樹據(jù)-》大數(shù)據(jù)仼小二-》王小二162024/5/6{meta={code=200,message=識別成功},data={result=云計算、人工智能等技術(shù),探索構(gòu)建可靈活擴展的網(wǎng)站架構(gòu),創(chuàng)新服務(wù)模式,打造智慧型政府網(wǎng)站u5'集約節(jié)約。加強統(tǒng)籌規(guī)劃和頂層設(shè)計,優(yōu)化技術(shù)、資金、人員等要素配置,避免重復(fù)建設(shè),以集中共享的資源庫為基礎(chǔ)、安全可控的云平臺為依托,打造協(xié)同聯(lián)動、規(guī)范高效的政府網(wǎng)站集群。二、職貴分工(一)管理職貴。國務(wù)院辦公廳是全國政府網(wǎng)站的主管單位,負責推進、指導(dǎo)、監(jiān)督全國政府網(wǎng)站建設(shè)和發(fā)展。各省(區(qū)、市>人民政府辦公廳、國務(wù)院各部門辦公廳(室)是本地區(qū)、本部門政府網(wǎng)站的主管單位,實行全系統(tǒng)垂直管理的國務(wù)院部門辦公廳(室)是本系統(tǒng)網(wǎng)站的主管單位。主管單位負責對政府網(wǎng)站進行統(tǒng)籌規(guī)劃和監(jiān)督考核,做好開辦整合、安全管理、考核評價和督查問貴等管理工作。地市級和縣級人民政府辦公廳(室)承擔本地區(qū)政府網(wǎng)站的管理職責。中央網(wǎng)信辦統(tǒng)籌協(xié)調(diào)全國政府網(wǎng)站安全管理工作u中央編辦、工業(yè)和信息化部、公安部是全國政府網(wǎng)站的協(xié)同監(jiān)管單位,共同做好網(wǎng)站標識管理、域名管理和ICP備案、網(wǎng)絡(luò)安全等級保護、打擊網(wǎng)絡(luò)犯罪等工作。(二)辦站職貴u1.政府網(wǎng)站的主辦單位一般是政府辦公廳(室)或部門辦_4_}}Tesseract效果172024/5/6漢王效果?{"code":0,"result":"云計算、人工智能等技術(shù)，探索構(gòu)建可靈活擴展的網(wǎng)站架構(gòu)，創(chuàng)\u000a新服務(wù)模式，打造智慧型政府網(wǎng)站。\u000a

5.集約節(jié)約。加強統(tǒng)籌規(guī)劃和頂層設(shè)計，優(yōu)化技術(shù)、資金、\u000a人員等要素配置，避免重復(fù)建設(shè)，以集中共享的資源庫為基礎(chǔ)、\u000a安全可控的云平臺為依托，打造協(xié)同聯(lián)動、規(guī)范高效的政府網(wǎng)站\u000a集群。\u000a

二、職責分工\u000a

(一)管理職責。\u000a

國務(wù)院辦公廳是全國政府網(wǎng)站的主管單位，負責推進、指\u000a導(dǎo)、監(jiān)督全國政府網(wǎng)站建設(shè)和發(fā)展。各?。▍^(qū)、市）人民政府辦\u000a公廳、國務(wù)院各部門辦公廳（室）是本地區(qū)、本部門政府網(wǎng)站的\u000a主管單位，實行全系統(tǒng)垂直管理的國務(wù)院部門辦公廳（室）是本\u000a系統(tǒng)網(wǎng)站的主管單位。主管單位負責對政府網(wǎng)站進行統(tǒng)籌規(guī)劃和\u000a監(jiān)督考核，做好開辦整合、安全管理、考核評價和督查問責等管\u000a理工作。地市級和縣級人民政府辦公廳（室）承擔本地區(qū)政府網(wǎng)\u000a站的管理職責。\u000a

中央網(wǎng)信辦統(tǒng)籌協(xié)調(diào)全國政府網(wǎng)站安全管理工作。中央編\u000a辦、工業(yè)和信息化部、公安部是全國政府網(wǎng)站的協(xié)同監(jiān)管單位，\u000a共同做好網(wǎng)站標識管理、域名管理和ICP備案、網(wǎng)絡(luò)安全等級\u000a保護、打擊網(wǎng)絡(luò)犯罪等工作。\u000a

(二)辦站職責。\u000a

1.政府網(wǎng)站的主辦單位一般是政府辦公廳（室）或部門辦"}182024/5/6后期工作本周可以完成產(chǎn)品應(yīng)用ocr服務(wù)接口增