OCR 项目记录

Posted 2020-09-14

应用场景：

用户在朋友圈中会上传许多图片，而我们希望从用户上传的这些图片中识别出那些关于证件的照片（比如：身份证，驾驶证，护照等），因为这些证件的照片会含有一些个人敏感信息。我们希望通过OCR识别出照片中的文字，然后判断这些文字中有没有诸如：passport，name，nationality等字段来判断这张图片是不是一张证件相关的照片，为此我们会维护一个关键字的wordlist。

问题解决：

首先要进行OCR，我们选择了tesseract。tesseract是一个开源的OCR引擎，最初有HP开发，后来贡献给开源社区，现由谷歌维护。tesseract识别能力和一些付费OCR软件相比还是差一些，但是对于这个项目也差不多够用了。