图片OCR（Optical Character Recognition）

Posted 2020-12-02 bluemapleman

目录

• Photo OCR问题描述
• 滑动窗口（Sliding Windows）
• 获得大量数据和人工数据（Getting Logs of Data and Artificial Data）
• 瓶颈分析：需要攻克的环节（Ceiling Analysis：What Part of the Pipeline to Work on Next）

Photo OCR问题描述

随着网络上的图片的数量越来越多，读取图片上的文字成为了一个日益增强的需求。

按照photo ocr问题的各个处理流程，我们可以大致为不同的环节分配不同数量的人去进行。

滑动窗口（Sliding Windows）

文字检测和行人检测的差别：

行人由于其矩形的长宽比例（ratio）大致比较固定（根据距离远近不同产生差别），因此可能较为容易检测。而文字则可能有各种各样的形状，相对比较难以确认其所在的区域。

如果要建立一个行人检测的系统，我们需要一些形状/像素相同的照片，分别是有行人的正例，和没有行人的反例。

• 滑动窗口检测

用一个固定比例的小矩形（patch）作为检测器，在目标图片上逐渐平移，每次平移距离称为step-size/stride。用这个小矩形在整个图片上完成一次完整的扫描，然后再用稍微大一点的矩形，重复操作。最后，记录下所有用小矩形检测到的行人。

• 应用于文字检测

与行人检测类似，我们用像素相同的正例和反例来做训练。

在训练好检测器模型后，我们就可以用模型来做检测工作。

如上图，首先我们会用一个小滑动窗口完成一次扫描，然后标注出模型认为可能有文字的部分为白色小块，然后我们将这些白色小块部分做一个扩张（expansion）（左图->右图）。之后没我们可以用针对扩张后的，有较大面积，连续的和有规则轮廓的白色块，我们将它们用矩形窗口框起来，再使用模型去尝试确认这些框起来的区域是否有文字。

• 文字分割（Text Segmentation）

这是在文字检测后的下一个步骤。

如下图，同样，我们用正例和反例训练出可以检测文字边界的检测器模型。

然后，我们用滑动窗口扫描目标图像，并在每个模型认为是文字边界的地方做标记。

• Photo OCR pipeline

Photo OCR问题的处理流程：

获得大量数据和人工数据（Getting Logs of Data and Artificial Data）

机器学习模型的训练中，我们往往需要大量的数据。而这些数据从哪里来呢？我们可以用Artificial Data Synthesis（人工数据合成）。

如下图，假设我们收集了一个文字识别的数据集（图像+字母标记），我们如何将它”扩大“呢？

首先，字母可以变换成很多不同的字体，并且给字母可以赋予不同的背景样式。对真实数据（左图）进行一番变化后，我们就可以获得合成数据（右图）。

另外，我们还可以对数据图像引入一定程度的扭曲（如下图）。

类似的做法在语音识别（speech recognition）里面也有（为原始纯净的语音添加不同的干扰音和背景音【噪音】）。

要注意的是，所添加的噪音/扭曲必须是在对应类型的数据集中比较有代表性的噪音/扭曲。

获得更多数据的注意事项：

• 确认使用的是low bias的分类器（通过画学习曲线来判别）（如果是high bias的分类器，增加样本数量对提升模型性能已经不太有用了【见前面】，这时要增加训练特征数目，比如在神经网络里可以增加隐藏层的神经元数目）

• 注意获得更多数据的投入成本。考虑到所付出的工作和模型可能从更多的数据中获得的性能改善，作出权衡。（不同的三种途径：人工合成，自己搜集，众筹）

瓶颈分析：需要攻克的环节（Ceiling Analysis：What Part of the Pipeline to Work on Next）

我们希望在改善机器学习系统的性能时，把更多的精力投入到性价比比较高的部分，即改善的努力最有可能得到回报的部分，那么，我们就需要首先找出当前是系统的哪个部分对系统的性能限制最大。

如下图，回到文字识别问题，我们对识别系统的不同组件（component）的准确度进行对比：

按照流程的顺序，我们会不断地将每个涉及到模型性能的流程做一些调整，使得当前流程的模型表现“完美”，即通过调整，使某个流程的模型在某个数据集上表现100%准确（手工标记正确标签（ground-truth labels），然后将完全正确处理过的数据再输入到下一个模型中）。这时，再测量系统的准确率如何，这个准确率也就是当前流程模型表现“完美”时的系统瓶颈（ceiling）性能。

获得了所有流程中的模型的表现完美的情况下，系统的瓶颈性能后，我们就可以开始抉择，在哪些模型的改进上下功夫。当然是在能够使得瓶颈性能获得最大程度的改进的模型上！（上图中，是文字检测模型，因为可以获得最大72%->89%的大幅度改善。至于文字识别的100%识别率对于系统改进是没有太大参考意义的，因为其属于模型的最后输出判断结果的部分，它的改善在实际情况下会被前面的流程限制。）

如下图，另一个瓶颈分析的例子：人脸识别。