OCR：不可忽視的智能基礎(chǔ)

佚名

如今在紛繁復(fù)雜的金融領(lǐng)域，利用各種證件的OCR技術(shù)結(jié)合數(shù)據(jù)分析，對(duì)于提升金融行業(yè)尤其是互聯(lián)網(wǎng)金融整體業(yè)務(wù)流程的效率，降低客戶的人力成本，收效顯著。

什么是OCR？如何利用？等一系列問(wèn)題隨之浮出水面。如今我們不得不正視這樣一個(gè)事實(shí)：人們每天都被文字包圍，像辦公文件、上課板書(shū)、商品介紹等都是由文字組成的，并且這些文字在某一程度上也是語(yǔ)音交互的基礎(chǔ)，而這其中關(guān)乎一個(gè)關(guān)鍵技術(shù)——OCR （Optical Character Recognition），光學(xué)字符識(shí)別。

什么是OCR

OCR是指光學(xué)設(shè)備（掃描儀、數(shù)碼相機(jī)等）檢查紙上打印的字符，通過(guò)檢測(cè)暗、亮的模式確定其形狀，然后用字符識(shí)別方法將形狀翻譯成計(jì)算機(jī)文字的過(guò)程，其本質(zhì)就是利用光學(xué)設(shè)備去捕獲圖像并識(shí)別文字，將人眼的能力延伸到機(jī)器上。此概念是在1929年由德國(guó)科學(xué)家Tausheck最先提出來(lái)的，后來(lái)美國(guó)科學(xué)家Handel也提出了利用技術(shù)對(duì)文字進(jìn)行識(shí)別的想法。

在20世紀(jì)50年代，IBM就開(kāi)始利用OCR技術(shù)實(shí)現(xiàn)各類文檔的數(shù)字化；到了80年代，平板掃描儀的誕生更是讓OCR進(jìn)入了商用階段。但不管是哪個(gè)階段，那時(shí)的OCR設(shè)備對(duì)于文字背景的要求非常之高，也需要很好的成像質(zhì)量。

OCR的工作原理

一般來(lái)講，OCR的工作原理包括四個(gè)部分，分別是：影像輸入，通過(guò)光學(xué)設(shè)備將圖片轉(zhuǎn)入計(jì)算機(jī)后，系統(tǒng)會(huì)對(duì)圖片進(jìn)行一些處理，包括字符格式的分離、二值化處理、圖像降噪、傾斜校正、文字特征抽取等，以提升圖片的精確度；對(duì)比識(shí)別，根據(jù)字符的不同特征，將之與數(shù)據(jù)庫(kù)進(jìn)行對(duì)比，并利用對(duì)比后的識(shí)別文字與其可能的相似候選字，根據(jù)前后的識(shí)別文字找出最合乎邏輯的詞，再作出更正，以加強(qiáng)比對(duì)的正確性；人工校正，目前為止還沒(méi)有一款軟件的文字識(shí)別是百分之百的，所以還需要用戶親自校正，確保輸出的準(zhǔn)確性；影像輸出到txt、doc、exl等格式。

現(xiàn)實(shí)中，OCR的發(fā)展其實(shí)已經(jīng)相當(dāng)完善，不過(guò)隨著人們需求的變更，此種OCR已經(jīng)不能滿足人們的要求，而在當(dāng)前自然環(huán)境OCR是人們最為關(guān)注的新點(diǎn)。

自然環(huán)境OCR進(jìn)展

相比于傳統(tǒng)的OCR，自然環(huán)境OCR最難的部分在于文本檢測(cè)（將文字從圖片中提取出來(lái)），因?yàn)樗哂袠O大的多樣性和明顯的不確定性。例如文字中包含多種語(yǔ)言，每種語(yǔ)言含有多種字母，每個(gè)字母又可以有不同的大小、字體、顏色、亮度、對(duì)比度、排列和對(duì)齊方式等；因拍攝圖像的隨意性，文字區(qū)域還可能會(huì)產(chǎn)生變形、模糊斷裂等現(xiàn)象。

另外，背景也是一大干擾因素，例如文字區(qū)域附近有非常復(fù)雜的紋理；非文字區(qū)域有著跟文字區(qū)域非常相似的紋理，比如窗戶、樹(shù)葉、柵欄、磚墻等。

文本檢測(cè)首先要從圖像中切割出可能存在的文字，即候選連通區(qū)域，目前被采取最多的方法是MSER（最大平穩(wěn)極值區(qū)域）。

當(dāng)然也有團(tuán)隊(duì)在此基礎(chǔ)上開(kāi)發(fā)出了自己的一套算法，例如微軟研究院在傳統(tǒng)檢測(cè)方法ER（極值區(qū)域）和MSER基礎(chǔ)之上采用了對(duì)比極值區(qū)域CER（Contrasting Extremal Region），CER是與周?chē)谋尘坝幸欢▽?duì)比度的極值區(qū)域，在低對(duì)比度的圖像上比MSER效果更好，而且獲得的候選連通區(qū)域數(shù)量遠(yuǎn)小于ER，提高了算法的效率。并且，為了提高所獲得連通區(qū)域的質(zhì)量，微軟又增加一個(gè)算法環(huán)節(jié)去增強(qiáng)CER。最后采取了一套基于淺層神經(jīng)網(wǎng)絡(luò)的文字/非文字分類算法，進(jìn)一步提高了對(duì)于連通區(qū)域字符的辨認(rèn)率。

OCR的應(yīng)用前景

不管是傳統(tǒng)OCR，還是自然環(huán)境OCR，其參與者還是不少的。在國(guó)內(nèi)，涉足OCR的企業(yè)主要有漢王、文通、百度等，國(guó)外的像ABBYY、IRIS、Google、微軟等。此外，市面上也有不少OCR產(chǎn)品，傳統(tǒng)的OCR產(chǎn)品有尚書(shū)、漢王等，自然環(huán)境OCR的有百度翻譯、Google翻譯，實(shí)用性相當(dāng)不錯(cuò)。

論起OCR的應(yīng)用前景，僅看其隸屬于計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)分支，再聯(lián)系到當(dāng)前人工智能的發(fā)展，其前景可想而知。除了翻譯、智能購(gòu)物以外，OCR未來(lái)最大的發(fā)展?jié)摿υ谟谌藱C(jī)交互。

眾所周知，人機(jī)交互一直是研究者追求的東西，但是目前也僅僅做到了語(yǔ)音交互和肢體交互。文字代表了人類的所有智慧與思想，如果機(jī)器人能夠進(jìn)行文字識(shí)別，那將能夠進(jìn)一步獲取知識(shí)、學(xué)習(xí)人類，進(jìn)而與人類進(jìn)行更為自然的交互，或是協(xié)助人類工作，提高效率。