光学字符识别（OCR）是如何进行文字检测

 

    近年来，我们的生活和工作与网络之间的关系越来越密切了。现在，人们的版权意识也变得越来来越强了。这是好事，但是当我们急切的想改一下自己的PDF格式文件时，就要用到本文要介绍的主角了光学字符识别（OCR）技术。

    对于文字进行检测工作任务，OCR很自然地可以想到套用图像质量检测的方法来框选出图像中的文本区域。一些常见的物体检测方法如下：

    将算法进行结构可以分为以下两个重要部分，Faster R-CNN Faster R-CNN采用计算机辅助系统生成一个样本的RPN网络。

    先由RPN 网络分析判断候选框是否为目标，OCR整个社会网络技术流程都能通过共享卷积神经保护网络模型提取的的特征相关信息，再经分类管理定位的多任务损失判断企业目标不同类型，节约时间计算资源成本，且解决Fast R-CNN 算法生成正负样本候选框速度慢的问题，同时为了避免候选框提取过多导致学习算法准确率下降。OCR技术对于受限场景的文本检测，FasterR-CNN的性能更好。它可以通过检测多个不同的文本区域尺寸来确定。

    Faster R-CNN的OCR网络经济结构

    FCN相比更快的R-CNN算法只能之前ROI计算的卷积网络特性参数汇集层，R-FCN完全连接网络所提出的算法的卷积分布网络A位置敏感代替ROI池的层后面解决更快，因为OCR后面池层结构需要CNN ROI为每个样本区域运行一次消耗大的问题，其特征在于，所述占有率在整个网络，以解决对象分类和对象检测的平移不变所需达到需要翻译矛盾的变化，但没有考虑到占全球信息候选区域和语义信息。所以当面对自然生活场景的通用OCR，适于多尺度进行检测的FCN较之Faster R-CNN有着自己更好的表现。 当使用FCN OCR时，输出掩码可以输出为前景文本的二进制图像。

    FCN的OCR网络结构

    然而，其他物体检测例程是从所述场景不同，OCR字符图像的分布更接近均匀的分布，而不是正常的，即平均整体文本图像不能反映抽象概念的文本的特征。除此之外，文字的方向发展仍然存在不能进行确定，OCR对非垂直的文字研究方向主要表现佳；文字的长宽比与物体的长宽比不同，导致候选锚定框不适用；自然生活场景中常出现对于一些经济结构与文字内容非常接近，导致假阳性率升高。因此，需要调整现有的模型。

    我们要更好的生活，就要找对利用好工具，就比如光学字符识别（OCR）软件，不是吗？

    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！