Source: kurzweilai.net
作者 | 北京矩視智能科技有限公司
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確的從圖像中讀取文本信息，也就是現在OCR技術。
工業場景下的圖像文本識別更為複雜，它會出現在許多不同的情景下，如醫藥包裝上的文字、各類鋼製零部件上的字符、集裝箱表面噴印的字符、商鋪Logo上的個性化字符等等。
在這類圖像中，文字部分可能會呈現為彎曲排列、曲面異形、傾斜分佈、褶皺變形、殘缺不全等多種形式，與標準字符的特徵有較大出入，從而給圖像文字的檢測與識別帶來了困難。
傳統算法
傳統OCR技術通常使用OpenCV算法庫，通過圖像處理和統計機器學習方法提取圖像中的文字信息，用到的技術包括二值化、噪聲濾除、連通域分析和Adaboost、SVM等。
按處理方式可以將傳統OCR技術劃分為圖片預處理、文字識別、後處理三個階段，其具體的技術流程如下表所示。
針對簡單場景下的圖片，傳統OCR已經取得了很好的識別效果。但是從操作流程可以看出，傳統方法是針對特定場景的圖像進行建模的，一旦跳出當前場景，模型就會失效。隨著近些年深度學習技術的迅速發展，基於深度學習的OCR技術也已逐漸成熟，能夠靈活應對不同場景。
深度學習
目前，基於深度學習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。
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域，其核心是區分文字和背景。常用的文字檢測算法包括以下幾種：
1）CTPN [1]
CTPN是ECCV 2016提出的一種文字檢測算法，由Faster RCNN改進而來，結合了CNN與LSTM深度網絡，其支持任意尺寸的圖像輸入，並能夠直接在卷積層中定位文本行。
CTPN由檢測小尺度文本框、循環連接文本框、文本行邊細化三個部分組成，具體實現流程為：
使用VGG16網絡提取特徵，得到conv5_3的特徵圖；
在所得特徵圖上使用3*3滑動窗口進行滑動，得到相應的特徵向量；
將所得特徵向量輸入BLSTM，學習序列特徵，然後連接一個全連接FC層；
最後輸出層輸出結果。
CTPN是基於Anchor的算法，在檢測橫向分佈的文字時能得到較好的效果。此外，BLSTM的加入也進一步提高了其檢測能力。
2）TextBoxes/TextBoxes++ [2,3]
TextBoxes和TextBoxes++模型都來自華中科技大學的白翔老師團隊，其中TextBoxes是改進版的SSD，而TextBoxes++則是在前者的基礎上繼續擴展。
TextBoxes共有28層卷積，前13層來自於VGG-16(conv_1到conv4_3)，後接9個額外的卷積層，最後是包含6個卷積層的多重輸出層，被稱為text-box layers，分別和前面的9個卷積層相連。由於這些default box都是細長型的，使得box在水平方向密集在垂直方向上稀疏，從而導致該模型對水平方向上的文字檢測結果較好。
TextBoxes++保留了TextBoxes的基本框架，只是對卷積層的組成進行了略微調整，同時調整了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）EAST [4]
EAST算法是一個高效且準確的文字檢測算法，僅包括全卷積網絡檢測文本行候選框和NMS算法過濾冗餘候選框兩個步驟。
其網絡結構結合了HyperNet和U-shape思想，由三部分組成：
特徵提取：使用PVANet/VGG16提取四個級別的特徵圖；
特徵合併：使用上採樣、串聯、卷積等操作得到合併的特徵圖；
輸出層：輸出單通道的分數特徵圖和多通道的幾何特徵圖。
EAST算法藉助其獨特的結構和簡練的pipline，可以檢測不同方向、不同尺寸的文字且運行速度快，效率高。
2、文字識別
通過文字檢測對圖片中的文字區域進行定位後，還需要對區域內的文字進行識別。針對文字識別部分目前存在幾種架構，下面將分別展開介紹。
1）CNN + softmax [5]
此方法主要用於街牌號識別，對每個字符識別的架構為：先使用卷積網絡提取特徵，然後使用N+1個softmax分類器對每個字符進行分類。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。
2）CNN + RNN + attention [6]
本方法是基於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行滑動CNN以提取特徵；
將所得特徵序列輸入到推疊在CNN頂部的LSTM進行特徵序列的編碼；
使用注意力模型進行解碼，並輸出標籤序列。
本方法採用的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通過加權平均，計算可變的上下文向量，因此可以時刻讀取最相關的信息，而不必完全依賴於上一時刻的隱藏狀態。
3）CNN + stacked CNN + CTC [7]
上一節中提到的CNN + RNN + attention方法不可避免的使用到RNN架構，RNN可以有效的學習上下文信息並捕獲長期依賴關係，但其龐大的遞歸網絡計算量和梯度消失/爆炸的問題導致RNN很難訓練。基於此，有研究人員提出使用CNN與CTC結合的卷積網絡生成標籤序列，沒有任何重複連接。
這種方法的整個網絡架構如下圖所示，分為三個部分：
注意特徵編碼器：提取圖片中文字區域的特徵向量，並生成特徵序列；
卷積序列建模：將特徵序列轉換為二維特徵圖輸入CNN，獲取序列中的上下文關係；
CTC：獲得最後的標籤序列。
本方法基於CNN算法，相比RNN節省了內存空間，且通過卷積的並行運算提高了運算速度。
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現場景文字的識別，但融合兩個步驟的結果時仍需使用大量的手工知識，且會增加時間的消耗，而端對端文字識別能夠同時完成檢測和識別任務，極大的提高了文字識別的實時性。
1）STN-ORC [8]
STN-OCR使用單個深度神經網絡，以半監督學習方式從自然圖像中檢測和識別文本。網絡實現流程如下圖所示，總體分為兩個部分：
定位網絡：針對輸入圖像預測N個變換矩陣，相應的輸出N個文本區域，最後藉助雙線性差值提取相應區域；
識別網絡：使用N個提取的文本圖像進行文本識別。
本方法的訓練集不需要bbox標註，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，需要在後期繼續調整。
2）FOTS [9]
FOTS是一個快速的端對端的文字檢測與識別框架，通過共享訓練特徵、互補監督的方法減少了特徵提取所需的時間，從而加快了整體的速度。其整體結構如圖所示：
卷積共享：從輸入圖象中提取特徵，並將底層和高層的特徵進行融合；
文本檢測：通過轉化共享特徵，輸出每像素的文本預測；
ROIRotate：將有角度的文本塊，通過仿射變換轉化為正常的軸對齊的本文塊；
文本識別：使用ROIRotate轉換的區域特徵來得到文本標籤。
FOTS是一個將檢測和識別集成化的框架，具有速度快、精度高、支持多角度等優點，減少了其他模型帶來的文本遺漏、誤識別等問題。
總結
本文參考前沿文獻，總結了當前主流的OCR場景檢測技術。相對來說，使用基於深度學習的端對端檢測模型可以實現快速、準確的文字識別，且可以靈活的應用於傾斜、彎曲、褶皺變形等複雜場景。
通過對現有算法模型的細節調整，將成熟的文本識別模型集成化，即可實現工業場景中的OCR識別。
參考文獻：
[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.
閱讀更多 AI科技評論 的文章
