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:
- 文本识别
- 字符分割
- 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。