1、OCR技术调研及进展汇报12OCR介绍OCR识别技术通过对图片中的文字进行提取识别，转换成可检索的数据。OCR基于汉字的识别最早见于20世纪60年代，采用基于模版匹配的方法，由IBM公司的Casey和Nagy于1966年提出。我们国家开始于70年代，到了90年代，中文OCR技术慢慢走商业市场，开始在实际中应用。22022-4-22OCR商业产品目前国内水平较高的有清华文通、汉王、尚书，国外是ABBYY和IRIS，其产品各有千秋，但是都价值不菲。效果基本都能够达到95%，扫描清晰的话正确率可以达到99%以上，腾讯云ocr据说已经达到99.99%32022-4-22OCR选型 Tesseract开
2、源OCR引擎，也有命令行工具。HP开发Google接手。3.0之后支持训练，4.0以后开始支持深度学习训练C+工程 OCRopy基于训练的OCR引擎，项目比Tesseract更年轻Python工程 MicrosoftOCRLibrary有中文版Windows8.1之后的版本内置OCR引擎，可用于桌面windowsapp不知道效果如何 GNU Ocrad命令行工具。有JS移植，可用于前端 GOCR命令行工具。有JS移植，可用于前端 Cuneiform for Linux本来是个Windows软件，这是Linux的移植，2011年4月已经停止维护42022-4-22Tesseract的技术优势 开
3、源Tesseract的OCR引擎已作为开源项目发布在GoogleProject，是完全开源的。 多语言支持通过不同的语言训练库可以支持多种语言(包括中文、日文)。 多平台支持该项目目前支持Windows、Linux和MacOS等主流平台。 支持样本训练可以通过jTessBoxEditor工具对样本进行训练，而生成语言文件供Tesseract使用，从而提高识别精确度。基于项目选型的几点要求：开源、免费、识别率高；所以选择了Tesseract的OCR引擎。52022-4-22移动端移动端OCROCR开源工程开源工程 tess-two，Tesseract的安卓移植 microblink，免费的移动O
4、CR-SDK62022-4-22OCR问题分类 简单文本图片业界能做到比较好效果 复杂图文复杂图文的文字检测和识别压力很大，非常具有挑战性 结构化图文不光是ocr，需要结合其他方法定位72022-4-22OCR流程输入图像图像预处理特征提取和降维分类器分类得到识别结果后处理纠正输出82022-4-22图像预处理 图像增强 锐化、去雾、修复 图像二值化 黑白化92022-4-22图像预处理图像预处理 OpenCV图像处理老大哥。OpenCV3中有SceneTextDetection值得一用。 Libccv现代图像处理库，被很多人推荐。实现了精选的若干个图像处理算法，干净容易移植。其中Stroke
5、 Width Transfor尤其有用。 lswms分行检测。 OCRopus基于神经学习网络算法的布局分析库。 TiRG文字区域检测库 unpaper检测文字和旋转，用的是Hough transform算法。102022-4-22Tesseract识别过程图 112022-4-22Tesseract识别关键技术122022-4-22传统方法和深度学习方法对比132022-4-22Tesseract训练 下载工具下载工具jTessBoxEditor 1、自己扫描获取样本图像自己扫描获取样本图像 2、合并样本图像合并样本图像 3、生成生成Box File文件文件 4、手工矫正生成语言库文件、手工
6、矫正生成语言库文件 5、使用训练后的语言库进行识别使用训练后的语言库进行识别142022-4-22Tesseract支持增量训练 通过输入小数据集进行优化，将不同的训练文件合在一起，可小幅度提升效果152022-4-22后处理语义纠正 利用语义模型对一些错误识别进行纠正 大树据-大数据 仼小二-王小二162022-4-22meta=code=200,message=识别成功,data=result=云计算、人工智能等技术,探索构建可灵活扩展的网站架构,创新服务模式,打造智慧型政府网站u5集约节约。加强统筹规划和顶层设计,优化技术、资金、人员等要素配置,避免重复建设,以集中共享的资源库为基础、安
7、全可控的云平台为依托,打造协同联动、规范高效的政府网站集群。二、职贵分工(一)管理职贵。国务院办公厅是全国政府网站的主管单位,负责推进、指导、监督全国政府网站建设和发展。各省(区、市人民政府办公厅、国务院各部门办公厅(室)是本地区、本部门政府网站的主管单位,实行全系统垂直管理的国务院部门办公厅(室)是本系统网站的主管单位。主管单位负责对政府网站进行统筹规划和监督考核,做好开办整合、安全管理、考核评价和督查问贵等管理工作。地市级和县级人民政府办公厅(室)承担本地区政府网站的管理职责。中央网信办统筹协调全国政府网站安全管理工作u中央编办、工业和信息化部、公安部是全国政府网站的协同监管单位,共同做好
8、网站标识管理、域名管理和ICP备案、网络安全等级保护、打击网络犯罪等工作。(二)办站职贵u1.政府网站的主办单位一般是政府办公厅(室)或部门办_4_Tesseract效果172022-4-22汉王效果code:0,result:云计算、人工智能等技术，探索构建可灵活扩展的网站架构，创u000a新服务模式，打造智慧型政府网站。u000a5.集约节约。加强统筹规划和顶层设计，优化技术、资金、u000a人员等要素配置，避免重复建设，以集中共享的资源库为基础、u000a安全可控的云平台为依托，打造协同联动、规范高效的政府网站u000a集群。u000a二、职责分工u000a(一)管理职责。u000a国务
9、院办公厅是全国政府网站的主管单位，负责推进、指u000a导、监督全国政府网站建设和发展。各省（区、市）人民政府办u000a公厅、国务院各部门办公厅（室）是本地区、本部门政府网站的u000a主管单位，实行全系统垂直管理的国务院部门办公厅（室）是本u000a系统网站的主管单位。主管单位负责对政府网站进行统筹规划和u000a监督考核，做好开办整合、安全管理、考核评价和督查问责等管u000a理工作。地市级和县级人民政府办公厅（室）承担本地区政府网u000a站的管理职责。u000a中央网信办统筹协调全国政府网站安全管理工作。中央编u000a办、工业和信息化部、公安部是全国政府网站的协同监管单位，u000a共同做好网站标识管理、域名管理和ICP备案、网络安全等级u000a保护、打击网络犯罪等工作。u000a(二)办站职责。u000a1.政府网站的主办单位一般是政府办公厅（室）或部门办182022-4-22后期工作 本周可以完成产品应用ocr服务接口 增量训练完成增量训练优化一个月 图像预处理 场景做定制化复杂图片识别和结构化识别三个月 目标效果达到90%192022-4-22总结 使用开源工具标注数据，支持增量训练，可以做一个baseline 前面的图像预处理很重要， 后面需要针对场景做定制化优化 使用深度学习训练达到更好的效果202022-4-22
