ocr

一 OCR背景及基本流程

光学字符识别（Optical Character Recognition, OCR），是指对文本资料的图像文件进行分析识别处理，获取文字及版面信息的过程。

预处理：包括二值化，噪声去除，倾斜校正等；

文字检测：对图片中的文字进行切割；

文字识别：早期采用模板匹配，后来以特征提取为主，近些年来深度学习在人脸识别、目标检测与分类中达到前所未有的高度，开启了深度学习在文字分类的新浪潮。

语义纠错：根据语言的上下文关系，对识别结果进行校正。

开源OCR框架Tesseract始于1985年，至今仍在不断迭代和优化，4.0版本增加对神经网络的支持。

二 预处理

2.1二值化

实际中的图片大多数都是彩色图像，在文字识别中，多余的色彩是没有意义的，需要对彩色图进行处理，使得图片只剩下前景信息和背景信息，这就叫二值化。

为了减小光线对图片的影响，可以采用自适应二值化方法。

2.2方向校正

在拍摄照片时，会不可避免倾斜，需要对倾斜方向进行校正。常用的校正方法有直线投影，Hough变换法。这些校正方法用在平面的校正时效果好。

三 文字检测

3.1通常的文字检测方法

1基于滑动窗口全图扫描，对每个窗口纹理特征（HOG，Gabor，LBP，Haar）进行二分类，分类器可采用SVM，Adaboost等，确定文字框。该方法对分类器的要求很高，要求能应对各种字体和背景的形式，而且大量的扫描滑动窗口对性能损耗十分严重。

2基于底层规则先分割得到小区域再组合成文字区域，以MSER和S