吴恩达机器学习笔记——照片OCR

---

照片OCR流水线

---

照片OCR是一种可以识别图片中的文字内容的技术。

照片OCR的流水线可以分为三步：

1. 文本识别
2. 字符分割
3. 字符分类识别

---

文本识别

---

• 给定一组正负样本进行模型训练，从照片中识别出可能是文字的区域，在结果图中，灰度越低，说明判断为文本的概率越大。

• 去除掉一些形状不合理的部分。使得预判为文本的地方扩大、相连。

---

滑动窗口

---

使用一个以一定步长移动的框，对框住的区域使用模型判断是否为正样本。

在本例中，当框被判断为y=1时，就说明是字母切割区域，在中间画一条切割竖线。

---

字符分类识别

---

使用字符训练集对模型进行训练，之后用于字符图片的识别。

---

相似案例

---

图片中行人的识别：

引入行人的正负样本训练集

由于不管行人距离镜头的远近，行人的长宽比类似，我们使用滑动窗口的方式，使用一定步长的不同大小的方框对图片进行扫描，将框内内容缩放或扩大到和训练集的比例一致后放入模型判断，当前内容是否为一个行人。

最终得到识别结果。