文本识别在光学字符识别（OCR）技术中的地位

 

     从管理者到教师，从家长到学生，每个工作在各个环节都要与文档打交道，而光学字符识别（OCR）技术可有效把图片上，或者是PDF格式的文字内容智能识别成为可编辑的文本，正在新的时代为更多行业创造着独特全新的价值。

     OCR文本识别

     OCR文本识别在传统技术中采用模板匹配的方式方法进行分类，但是，对于文本行，它只能从文本的最后行通过识别每个字符的内容来确定。因此我们可以对文字行进行一个字符切分，以得到提高单个文字。这样，超切-动态规划是最常见的分割方法。

     由于OCR技术在多个单个字符识别结果可能由于切割位置，例如，“诸如”出现的单词是不切割期间的时间被分割为“M _嘴”，所以需要进行过分割候选字符，它在足以粉碎，接着动态编程合并分割成芯片，以获得最佳的组合，该方法需要人工设计损失函数。

     还有另一种OCR方法是通过使用滑动窗口对每一个可能的字符数据进行分析匹配，如果滑动窗尺寸过大会制度造成企业信息系统丢失，这种方法的准确率依赖于滑动窗口的滑动窗尺寸，而太小则会使计算力需求得到大幅增加。

     通过OCR技术识别每个单个字符来实现识别文本的上述传统方法中，该过程导致的上下文信息的损失的单个字符具有高的识别精度，这是由一个条目确定难以保证精度。以身份证识别为例，即使单字符进行识别方法正确率可以高达99％，OCR识别18位的身份号的场景下，其条目平均正确率只能到0.9918=83％，如果一个切分也存在1％的损失（即正确率99％），条目以及正确率则只有（0.99*0.99）18=70％。

     因此，引入上下文信息已成为提高条目准确性的关键。从学习的深度的观点出发，被引入的序列信息这样的上下文中，RNN LSTM等依赖于神经网络的定时关系是最好的选择。

     所以当初为了研究汉字 OCR 识别，开发者实验了 N 种算法——要么是识别效果不好，要么是识别太慢，要么是样本库太大——最后选择的是一种接近深度学习的多层神经网络算法，终于实现了相对满意的汉字识别效果。

     以上就是光学字符识别（OCR）技术的相关内容，光学字符识别（OCR）技术的核心是文本识别，通过文本识别可以进行有效分类。也欢迎你了解更多关于光学字符识别（OCR）技术的知识。

     版权声明：本文为Yun88网的原创文章，转载请附上原文出处链接及本声明。

 

更多产品了解

欢迎扫码加入云巴巴企业数字化交流服务群

产品交流、问题咨询、专业测评

都在这里！