了解光學(xué)字符識(shí)別技術(shù)識(shí)別票據(jù)原理

本文翻譯自dzone 中Ivan Ozhiganov 所發(fā)文章Deep Dive Into OCR for Receipt Recognition 文中版權(quán)、圖像代碼等數(shù)據(jù)均歸作者所有。為了本土化，翻譯內(nèi)容略作修改。

光學(xué)字符識(shí)別技術(shù)（OCR）目前被廣泛利用在手寫識(shí)別、打印識(shí)別及文本圖像識(shí)別等相關(guān)領(lǐng)域。小到文檔識(shí)別、銀行卡身份證識(shí)別，大到廣告、海報(bào)。因?yàn)镺CR技術(shù)的發(fā)明，極大簡(jiǎn)化了我們處理數(shù)據(jù)的方式。

同時(shí)，機(jī)器學(xué)習(xí)（ML）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）的快速發(fā)展也讓文本識(shí)別出現(xiàn)了巨大的飛躍！我們?cè)诒疚牡难芯恐幸矊⑹褂镁矸e神經(jīng)網(wǎng)絡(luò)CNN技術(shù)來識(shí)別零售店的紙質(zhì)票據(jù)。為了方便演示，我們本次將僅采用俄語版的票據(jù)進(jìn)行測(cè)試。

我們的目標(biāo)是項(xiàng)目開發(fā)一個(gè)客戶端來識(shí)別來獲取相關(guān)文檔，在有服務(wù)器端去識(shí)別解析數(shù)據(jù)。準(zhǔn)備好了嗎？讓我們一起去看看怎么做吧！

預(yù)處理

首先，我們需要接收?qǐng)D像相關(guān)數(shù)據(jù)，使其水平豎直方向垂直，接下來使用算法進(jìn)行檢測(cè)是否為票據(jù)，最終二值化方便識(shí)別。

旋轉(zhuǎn)圖像識(shí)別收據(jù)

我們有三種方案來識(shí)別票據(jù)，下文對(duì)這三種方案做了測(cè)試。

1. 高閾值的自適應(yīng)二值化技術(shù)。2. 卷積神經(jīng)網(wǎng)絡(luò)（CNN）。3. Haar特征分類器。

自適應(yīng)二值化技術(shù)

首先，我們看到，圖中圖像上包含了完整的數(shù)據(jù)，同時(shí)票據(jù)又與背景有些差距。為了能更好識(shí)別相關(guān)數(shù)據(jù)，我們需要將圖片進(jìn)行旋轉(zhuǎn)。使其水平沿豎直方向?qū)R。

我們使用Opencv中的自適應(yīng)閾值化函數(shù)adaptive_threshold和scikit-image框架來調(diào)整收據(jù)數(shù)據(jù)。利用這兩項(xiàng)函數(shù)，我們可以在高梯度區(qū)域保留白色像素，低梯度區(qū)域保留黑色像素。這使得我們獲得了一個(gè)高反差的樣本圖片。這樣，通過裁剪，我們就能得到票據(jù)的相關(guān)信息了。

使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）

起初我們決定使用CNN來做相關(guān)位置檢測(cè)的接收點(diǎn)，就像我們之前做對(duì)象檢測(cè)項(xiàng)目一樣。我們使用判斷角度來拾取相關(guān)關(guān)鍵點(diǎn)。這種方案雖然好用，但是和高閾值對(duì)比檢測(cè)裁剪更差。

因?yàn)镃NN只能找到文本的角度坐標(biāo)，而文字的角度變化很大，這就意味著CNN模型不是很精準(zhǔn)。詳情請(qǐng)參考下面CNN測(cè)試的結(jié)果。

使用Haar特征分類器來識(shí)別收據(jù)

作為第三種選擇，我們嘗試使用Haar特征分類器來做分類篩選。然而經(jīng)過一周的分類訓(xùn)練和改變相關(guān)參數(shù)，我們并沒有得到什么比較積極的結(jié)果，甚至發(fā)現(xiàn)CNN都比Haar表現(xiàn)好得多。

二值化

最終我們使用opencv中的adaptive_threshold方法進(jìn)行二值化，經(jīng)過二值化處理，我們得到了一個(gè)不錯(cuò)的圖片。

文本檢測(cè)

接下來我們來介紹幾個(gè)不同的文本檢測(cè)組件。

通過鏈接組件檢測(cè)文本

首先，我們使用Opencv中的find Contours函數(shù)找到鏈接的文本組。大多數(shù)鏈接的組件是字符，但是也有二值化留下來嘈雜的文本，這里我們通過設(shè)置閾值的大小來過濾相關(guān)文本。

然后，我們執(zhí)行合成算法來合成字符，如：Й和=。通過搜索最臨近的字符組合合成單詞。這種算法需要你找到每個(gè)相關(guān)字字母最臨近的字符，然后從若干字母中找到最佳選擇展示。

接下來文字形成文字行。我們通過判斷文字是否高度一致來判斷文本是否屬于同一行。

當(dāng)然，這個(gè)方案的缺點(diǎn)是不能識(shí)別有噪聲的文本。

使用網(wǎng)格對(duì)文本進(jìn)行檢測(cè)

我們發(fā)現(xiàn)幾乎所有票據(jù)都是相同寬度的文本，所以我們?cè)O(shè)法在收據(jù)上畫出一個(gè)網(wǎng)格，并利用網(wǎng)格分割每個(gè)字符：

網(wǎng)格一下子精簡(jiǎn)了票據(jù)識(shí)別的難度。神經(jīng)網(wǎng)絡(luò)可以精準(zhǔn)識(shí)別每個(gè)網(wǎng)格內(nèi)的字符。這樣就解決了文本嘈雜的情況。最終可以精確統(tǒng)計(jì)文本數(shù)量。

我們使用了以下算法來識(shí)別網(wǎng)格。

首先，我在二值化鏡像中使用這個(gè)連接組件算法。

然后我們發(fā)現(xiàn)圖中左下角有些是真，所喲我們通過二維周期函數(shù)來調(diào)整網(wǎng)格識(shí)別。

修正網(wǎng)格失真背后主要的思想是利用圖形峰值點(diǎn)找到非線性幾何失真，換句話說，我們必須找到這個(gè)函數(shù)的最大值的和。另外，我們還需要一個(gè)最佳失真值才行。

我們使用ScipyPython模塊中的RectBivariateSpline函數(shù)來參數(shù)化幾何失真。并用Scipy函數(shù)進(jìn)行優(yōu)化。得到如下結(jié)果：

總而言之，這個(gè)方法緩慢且不穩(wěn)定，所以堅(jiān)決不打算使用這個(gè)方案。

光學(xué)字符識(shí)別

我們通過組連接識(shí)別發(fā)現(xiàn)文本，并識(shí)別完整的單詞。

識(shí)別通過連接組發(fā)現(xiàn)的文本

對(duì)于文本識(shí)別，我們使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）接收相關(guān)字體進(jìn)行培訓(xùn)。輸出部分，我們通過對(duì)比來提升概率。我們那個(gè)幾個(gè)最初的幾個(gè)選項(xiàng)多對(duì)比，發(fā)現(xiàn)有99%的準(zhǔn)確識(shí)別率后。又通過對(duì)比字典來提高準(zhǔn)確度，并消除相關(guān)類似的字符，如"З" 和 "Э"造成的錯(cuò)誤。

然而，當(dāng)涉及嘈雜的文本時(shí)，該方法性能卻十分低下。

識(shí)別完整的單詞

當(dāng)文本太嘈雜的時(shí)候，需要找到完整的單詞才能進(jìn)行單個(gè)字母的識(shí)別。我們使用下面兩個(gè)方法來解決這個(gè)問題：

LSTM網(wǎng)絡(luò)

圖像非均勻分割技術(shù)

LSTM網(wǎng)絡(luò)

您可以閱讀這些文章，以更加深入了解使用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別序列中的文本 ，或我們可以使用神經(jīng)網(wǎng)絡(luò)建立與語言無關(guān)的OCR嗎？為此，我們使用了OCRopus庫來進(jìn)行識(shí)別。

我們使用了等寬的字體來作為人工識(shí)別樣本進(jìn)行訓(xùn)練。

訓(xùn)練結(jié)束后，我們由利用其他數(shù)據(jù)來測(cè)試我們的神經(jīng)網(wǎng)絡(luò)，當(dāng)然，測(cè)試結(jié)果非常積極。這是我們得到的數(shù)據(jù)：

訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)在簡(jiǎn)單的例子上表現(xiàn)十分優(yōu)秀。同樣，我們也識(shí)別到了網(wǎng)格不適合的復(fù)雜情況。

我們抽取的相關(guān)的訓(xùn)練樣本，并讓他通過神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

為了避免神經(jīng)網(wǎng)絡(luò)過度擬合，我們多次停止并修正訓(xùn)練結(jié)果，并不斷加入新數(shù)據(jù)作為訓(xùn)練樣本。最后我們得到以下結(jié)果：

新的網(wǎng)絡(luò)擅長識(shí)別復(fù)雜的詞匯，但是簡(jiǎn)單的文字識(shí)別卻并不好。

我們覺得這個(gè)卷積神經(jīng)網(wǎng)絡(luò)可以細(xì)化識(shí)別單個(gè)字符來使文本識(shí)別更加優(yōu)秀。

圖像非均勻分割技術(shù)

因?yàn)槭論?jù)字體是等寬的字體，所以我們決定按照字符分割字體。首先，我們需要知道每個(gè)字母的寬度。因此，字符的寬度尤為重要，我們需要估計(jì)每個(gè)字母的長度，利用函數(shù)，我們得到下圖。選擇多種模式來選取特定的字母寬度。

我們得到一個(gè)單詞的近似寬度，通過除以字符中的字母數(shù)，給出一個(gè)近似分類：

區(qū)分最佳的是：

這種分割方案的準(zhǔn)確度是非常高的：

當(dāng)然，也有識(shí)別不太好的情況：

分割后我們?cè)谑褂肅NN做識(shí)別處理。

從收據(jù)中提取含義

我們使用正則表達(dá)式來查找收據(jù)中購買情況。所有收據(jù)都有一個(gè)共通點(diǎn)：購買價(jià)格以XX.XX格式來撰寫。因此，可以通過提取購買的行來提取相關(guān)信息。個(gè)人納稅號(hào)碼是十位數(shù)，也可以通過正則表達(dá)式輕松獲取。同樣，也可以通過正則表達(dá)式找到NAME / SURNAME等信息。

總結(jié)

不論你選擇什么方法，LSTM或者其他更加復(fù)雜的方案，都沒有錯(cuò)誤，有些方法很難用，但是有些方法卻很簡(jiǎn)單，因識(shí)別樣本而異。

我們將繼續(xù)優(yōu)化這個(gè)項(xiàng)目。目前來看，在沒有噪聲的情況下，系統(tǒng)性能更加優(yōu)秀。

原文鏈接：https://dzone.com/articles/using-ocr-for-receipt-recognition

責(zé)任編輯：xj

原文標(biāo)題：深入淺出了解OCR識(shí)別票據(jù)原理

文章出處：【微信公眾號(hào)：新機(jī)器視覺】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。