信手拈来的OCR

高手论技

编者按：目前，OCR技术在各行业中的应用方兴未艾。我们可以在通讯软件、办公软件甚至在线网站中找到OCR的使用方法，极大地方便了我们的工作和生活。当然，目前人工智能还处于初级阶段，更好的场景文字识别将随着人工智能的发展而不断发展。

应用沙龙

主持人：

刘宗凡 广东省四会市四会中学

嘉  宾：

邱元阳  河南省安阳县职业中专

金 琦  浙江师范大学附属中学

倪俊杰  浙江省桐乡市凤鸣高中

杨 磊  天津市第五中学

从1929年德国科学家Taushek取得的一项光学字符识别（Optical Character Recognition，简称OCR）的专利算起，OCR已经发展了将近100年。汉字的OCR技术从20世纪70年代末开始进入研究阶段，也经历了近50年。OCR技术的成熟，使得汗牛充栋的书籍变成电子图书馆，我们足不出户就可以在网上检索海量书籍。OCR技术推动了文化的保存、整理、普及、研究，是数字化浪潮中一朵漂亮的浪花。

随着工人智能的发展，OCR技术更是如虎添翼，在各行各业得到了广泛的应用，极大地方便了我们的工作和生活。

人工智能（AI）影响下的OCR

杨磊：典型的OCR的技术路线如图1所示。其中识别准确率的关键技术是文字检测和文本识别，这两部分是OCR技术的核心。

以深度学习为主要特征的人工智能，改善了OCR的准确度和速度，使得OCR走出了印刷体文字的识别范畴，我们随手一拍的场景文字，都可以被OCR较为准确地识别出来。

随着人工智能对科技的全方位影响，OCR在人工智能的助力下迈进了一个新领域。基于深度学习的keras-ocr库提供了方便易用的OCR模型和端到端的训练流程来构建新的OCR模型。keras-ocr库支持Python3.6和TensorFlow2.0.0。

首先安装库：

pip install keras-ocr

加載库

import matplotlib.pyplot as plt

import keras_ocr

加载预训练模型

detector and recognizer.pipeline = keras_ocr.pipeline.Pipeline（）

导入图片

images = [keras_ocr.tools.read（img） for img in ['./1.jpg'，'./2.jpg'] ]

预测文本

prediction_groups = pipeline.recognize（images）

显示结果

fig，axs=plt.subplots（nrows=len（images），figsize=（10，20））

for ax，image， predictions in zip（axs，images，prediction_groups）：

keras_ocr.tools.drawAnnotations（image=image，

predictions=predictions，ax=ax）

由识别结果可以看出，当图2中文字发生扭转，识别的准确率变低。上述程序是一个训练好的模型，由于其使用的数据集与当前所识别图片相差过大，导致原模型泛化能力下降。如果想对特定图片进行识别，可以通过特定图片训练模型，对参数进行微调。本例使用的是英文OCR，中文识别相对而言难度有所增加，有兴趣的读者可以继续研究。

OCR技术在各行各业的应用

倪俊杰：1.OCR在银行中的应用

票据凭证是银行账务处理流程的重要内容。银行票据电子影像数据库是银行业务信息化的数据基础，有了这个数据基础，才有可能开展银行业务的各种信息化处理工作。但由于银行票据业务复杂，多数银行仍停留在“人工分散处理+纸质库房保存+人工查询”的阶段，成为阻碍金融电子化的薄弱环节。而借助OCR识别技术，可以使票据处理达到“自动集中处理+电子安全保存+数据有效应用”的目标，不但保留了原始单据的图像文件，而且对图像文件进行OCR识别后可以自动建立票据索引，还可以通过系统接口进一步完成单据与前台数据的勾对工作，快速找出有问题的单据，并能根据建立的索引很快找出原始图像，进行查询和审核，能高效、快捷准确地完成事后监督的工作，从而大大减轻操作员的工作量，减少差错率，提高银行业务的自动化和智能化水平。

2.OCR在快递行业的应用

OCR识别技术不仅能够快速从快递单据上提取识别手机号码，让快递员快速联络快递主人，还能快速提取快递面单上的联系人、目的地城市、地址等重要信息，并与系统数据进行匹配，实现自动分拣，可以在短时间内，准确完成大量包裹的自动分拣，让工作变得更简单快捷，切实满足中小型快递物流分发网点快速发展的诉求。

3.OCR在图书资料管理中的应用

在图书资料管理中，OCR文字识别可以代替人工录入，将图片上的文字识别出来，即将图片上的文字变为可编辑的文本，以便于检索分类，大大提高了工作效率，同时避免对珍贵的史料造成损坏，文字识别对纸质材料的数字化转型有重要的意义。

4.OCR在视频审查中的应用

借助OCR识别技术，可以识别视频中的文字，对互联网视频内容进行识别审核、监控，筛除掉违规的视频、广告，如一些敏感、不健康的词汇等，达到高效审查的目的。

值得注意的是，2020年9月28日，在2020AIIA人工智能开发者大会上，主办方正式发布国内首份智能文字识别（OCR）能力测评与应用白皮书。白皮书指出，OCR技术已在金融、保险、医疗、交通、教育等诸多行业有了深入成熟的应用。未来随着传统行业的数字化转型，OCR应用范围和场景将进一步扩展，市场规模将进一步增大。有权威机构预测，2025年全球OCR市场规模将达到133.81亿美元。

方便易用的文字识别工具—— QQ

邱元阳：虽然各种OCR软件层出不穷，软件功能也越来越强大，识别速度和准确率也在不断提高，但是很多时候，我们需要的是一款随手可用的文字识别工具。

在PC版的QQ中，新增了“屏幕识图”功能，可以用屏幕截图的方式来识别屏幕上任意可见区域的文字。这一功能位于截图功能组，快捷键是“Ctrl+Alt+O”。

QQ的屏幕识图其实就是一种OCR功能，只是内置到QQ软件中了。对办公一簇来说，QQ是计算机上必备的软件，有了文字识别功能，可以非常方便地解决网页文字不能复制、图片文字不能提取等常见问题，只要是屏幕上能看到的文字，都可以通过它来识别并复制下来。这比很多OCR软件需要加载图片和文件来进行识别要简便得多，并且不需要安装专门的软件。

在手机版的QQ中，也有类似的文字识别功能。点击右上角的“+”号，用手机“扫一扫”，再点击屏幕下方的“转文字”，按提示拍下需要提取的文字，软件即开始进行文字识别。识别完成后，可以复制文字，或者提取全文，导出文档。

无论是PC版还是手机版QQ，其文字识别功能都能在识别后进行编辑，以纠正识别错误，并且还能即时进行文字翻译。

日常办公软件中的OCR工具——OneNote和WPS

金琦：从OCR使用体验上来说，我们日常都喜欢放将办公素材在Office软件中编辑，如果能脱离第三方软件，即在办公文档里中添加图片，就可以随用随取图片中的文字素材，在需要用的时候复制粘贴即可，这样办公操作岂不是更加方便？那怎么识别办公文档中的图片文字呢？我们从两大办公软件，即微软Office系列和金山WPS Office来说明。

在安装最新的微软Office产品时，大家可以看到是有OCR文字识别工具安装选项，但读者会发现安装完毕后找不到单独的OCR文字识别工具。事实上OCR文字识别功能可在微软Office中的OneNote组件中调用。以微软OneNote 2016为例，可以右击要识别的图片，选择“复制图片中的文本”，就可以直接复制出来，为其他Office办公套件所用，这就是OCR文字識别工具在微软办公产品中的功能体现。

而金山WPS Office则更进一步，直接可以使用WPS Office打开各种文档，如w文字（相当于微软Word）、P演示（相当于微软PowerPoint）等，选择需要转换的图片，在“图片工具”中点击“图片转文字”，会进入到“金山OCR文字识别”功能。而且相对于微软办公产品有更多的转换方式（提取文字、转换文档、转换表格）可选。

随手可用的OCR——在线识别

刘宗凡：如果我们不想在计算机上安装软件，只要能连上网络，就可以尝试直接在线进行文字识别。笔者推荐两个网站。

（1）OCR Spaceh（网址 ttps：//ocr.space/）。

操作步骤如下：

①在 Upload image or PDF file （.png，.jpg，.webp or .PDF）后的文本框点击“选择文件”。

②在Language后的下拉框中选择语言，如果是中文选择“ChineseSimplified”。

③在“Select OCR Engine to use：”选择OCR引擎。默认引擎1速度快，支持语言多;引擎2对数字和特殊符号识别更好。

④点击“Start OCR！”，开始进行识别，结果将在下面的文本框中显示。可以下载相应的文本文件（TXT）。

这个网站的优点是没有任何限制，对中、英文印刷体的识别率非常高。不足之处是识别结果只有文本文件下载，对排版的保留不是很完美;另一个不足是对中文手写体基本无法识别。

（2）极客在线OCR（网址：http：//www.gkocr.com/）。

极客对印刷体的识别率非常高，但有每天10张图片识别的限制，另外识别结果也只有文本文件格式。极客对中文手写体的识别率可以达到85%左右。

OCR软件的不足之处

邱元阳：目前的OCR软件，其文字识别还不够智能化，对识别后的结果没有进行语法校对，经常会把“一”“-”“_”等类似符号混淆，这几乎是所有常见OCR软件的通病。

识别错误在所难免，但是纠错过程完全交给用户，不仅会加重用户的负担，还会出现错误遗漏。错误较多时，甚至比重新输入一遍都耗时耗力。目前的语音输入识别率非常高，当需要OCR识别的内容比较短小时，普通话较好的用户可以直接把屏幕上的文字朗读一遍，基本上就能完全识别了。

智能化不足还体现在对背景的识别和处理上。大多数OCR软件并不能直接忽略背景，而是通过二值化和降噪算法来消除背景的影响，但是并不能完全去除复杂的背景，因而会直接影响最终的识别结果。特别是背景中有杂乱的线条甚至是干扰字符时，几乎无法处理。这个缺陷在进行网络用户登录时身份验证的设计上被利用起来，开发所谓的“图片验证码”，用于解决避免程序化登录的问题。这些图片验证码，用人眼是可以识别的，用机器的OCR几乎都无法识别，很好地解决了防止用机器和程序代替人进行网上批量登录的问题。

二值化处理的另一个问题是，有时要识别的主体文字是一种特殊的颜色，人工肉眼识别时可以很方便地判断谁是文字谁是背景，但二值化的结果，却忽略了文字颜色，自己给自己设置了识别障碍。

优秀的智能化OCR软件，应该能够判断出文字主体与背景，直接将文字主体与背景区分开来，忽略背景和排除干扰图形之后再进行识别，并利用相应语言的语法规则，对识别结果进行自我纠错。

当机器的OCR识别能力与人工识别接近时，OCR的应用领域就会更进一步地拓展，甚至会促进计算机视觉研究的进步。这可能需要人工智能的参与，而不是传统的识别算法。

OCR虽然在近一百年取得了长足的进展，印刷体的识别达到了非常高的准确度，但是在目前人工智能正处于初级阶段的情况下，OCR功能同样受到很大的制约。可以预见，当人工智能技术得到突破的时候，OCR同样会在实用性上取得突破，期待这一天早日到来。