OCR简介及使用

Posted 2020-09-23 染颜

OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程；即，针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。如何除错或利用辅助信息提高识别正确率，是OCR最重要的课题，ICR（Intelligent Character Recognition）的名词也因此而产生。衡量一个OCR系统性能好坏的主要指标有：拒识率、误识率、识别速度、用户界面的友好性，产品的稳定性，易用性及可行性等。

 

软件结构：

1.图像输入，预处理

2.二值化（前景黑色，背景白色）

3.噪声去除

4.倾斜校正

5.版面分析

6.字符切割

7.字符识别

8.版面回复

9.后处理，校对

 

工作流程：

一个OCR识别系统，其目的很简单，只是要把影像作一个转换，使影像内的图形继续保存、有表格则表格内资料及影像内的文字，一律变成计算机文字，使能达到影像资料的储存量减少、识别出的文字可再使用及分析，当然也可节省因键盘输入的人力与时间。

从影像到结果输出，须经过影像输入、影像前处理、文字特征抽取、比对识别、最后经人工校正将认错的文字更正，将结果输出。

字符训练：

1.生成box文件

tesseract mjorcen.normal.exp0.jpg mjorcen.normal.exp0 -l chi_sim batch.nochop makebox

2.校正box文件

3.训练，指定字符集

tesseract  mjorcen.normal.exp0.jpg mjorcen.normal.exp0  nobatch box.train

 

unicharset_extractor mjorcen.normal.exp0.box       (可以多个box文件一起)

4.新建一个font_properties文件   normal 0 0 0 0 0

5.shapeclustering -F font_properties -U unicharset mjorcen.normal.exp0.tr           (可以多个tr文件一起)

6.mftraining -F font_properties -U unicharset -O unicharset mjorcen.normal.exp0.tr            (可以多个tr文件一起)

7.cntraining mjorcen.normal.exp0.tr           (可以多个tr文件一起)

8.将生成的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上xxx.

9.combine_tessdata normal.

 

验证字库：

tesseract ****.jpg result -l chi_sim

参数二：图片名称

参数三：生成文件名称

参数四： 字库名称

 

使用ocr获取身份证图片上的信息大致流程：

1. 字符库制作：选择合适的字体，对数字或汉字制作成统一尺寸的标准图像，进行字符匹配

     汉字： 华文细黑

     身份证号： OCR-B 10BT

     出生日期： 方正黑体简体

 

2. 模板提取：  制作身份证模板，将身份证归一化后，用模板提取出身份证各信息块的图像

 

3. 行列分割： 将模板提取得到的信息块中的文字进行行列分割，逐一分割每个字符，标准化之后并将字符送到匹配模块

 

 

使用cvFindContours找图片轮廓