2024年-ocr技术调研及进展汇报

OCR技术调研及进展汇报1

OCR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。22024/5/6OCR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%32024/5/6OCR选型Tesseract

——开源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GNUOcrad

——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CuneiformforLinux

——本来是个Windows软件，这是Linux的移植，2011年4月已经停止维护42024/5/6Tesseract的技术优势开源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。52024/5/6移动端OCR开源工程tess-two

，Tesseract的安卓移植microblink

，免费的移动OCR-SDK62024/5/6OCR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72024/5/6OCR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82024/5/6图像预处理图像增强锐化、去雾、修复图像二值化黑白化92024/5/6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

StrokeWidthTransfor

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

Houghtransform

算法。102024/5/6Tesseract识别过程图

112024/5/6Tesseract识别关键技术122024/5/6传统方法和深度学习方法对比132024/5/6Tesseract训练下载工具jTessBoxEditor1、自己扫描获取样本图像2、合并样本图像3、生成BoxFile文件4、手工矫正生成语言库文件5、使用训练后的语言库进行识别142024/5/6Tesseract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152024/5/6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-》王小二162024/5/6{meta={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172024/5/6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。\u000a

5.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。\u000a

1.政府网站的主办单位一般是政府办公厅（室）或部门办"}182024/5/6后期工作本周可以完成产品应用ocr服务接口增