OCR技术的应用及基于Python的算法数据集实现

OCR全称Optical Character Recognition，也就是光学字符识别。OCR通过对图像文件中的文本进行识别处理，获取图像中的文字及版面信息，并以文本的形式返回。早期的OCR算法是按字一个一个的识别文字，被称作文字识别。后期随着技术的发展，形成了按行识别文字的思路，被称作文本识别。

随着OCR技术的日渐成熟，相应的OCR应用场景也日渐多了起来。根据识别场景可大致将OCR分为两类，一种是根据特定场景形成的专用OCR，另一种是通用OCR，即能够识别多种场景。而根据识别图片的内容，可将识别场景分为简单场景和复杂场景。简单场景的图片通常图片背景单一，文字内容清晰，图片格式固定。而复杂场景通常存在图片背景丰富，文字内容模糊遮挡甚至扭曲等情况，导致复杂场景的文字识别技术还存在较大的挑战。

目前OCR技术已存在多个应用场景，比如身份证件识别、银行卡识别、人脸识别，火车、高铁等验票系统，可用于停车收费, 交警执法的车牌识别技术。这里简单介绍一下移动端车牌识别OCR的识别流程。车牌识别是基于OCR识别的应用，手机端车牌识别过程包括图像采集、图像预处理、车牌定位、字符分割、字符识别、输出结果等一系列算法运算，其流程如下图所示：

随着OCR技术的日渐成熟，在银行业的应用场景逐渐增多，在票据系统中，识别多种票据内容，格式化输出票据内容。目前行内OCR的需求日渐增多，作为数据银行部的初步探索产品，天眼OCR已在原心部署，用于身份证识别。下图是我行原心天眼OCR小程序的初步的功能界面展示。此外，会计部门提出的票据识别场景也是行内正在进行的项目。

在OCR算法中，数据集是算法训练的基础，数据集的标注工作耗时多且标注质量要求高，经常有返工的现象，这导致了OCR识别数据集的产出量较少，而OCR算法训练需要大量的数据，这就造成了数据量与算法的不对等。基于此类问题，用Python生成OCR算法数据集，能够有效的提高数据量。

在生成数据集前，首先我们要准备一个数据集语料库。存放需要生成图片的语料，按行存储，一行生成一个文本图片。其次需要一个fonts文件夹，存放字体库。现在可以来生成文本识别数据集了。

1. 导入需要的包。并导入配置文件config.py。

2. 新建config文件，写入语料库路径，字体文件路径以及生成文件的输出路径。

3. 加载字体库并调整字体大小。字体库中的字体用于生成语料库中的文本行时，随机产生不同的字体。之后形成图片。

4. 生成图片对应的标注。mapping_list方法用于存放生成图片对应的标注。文本文件名对应图片名，文件内容为图片上的文字。

5. 为了提高训练图片的质量，模拟真实图片的效果，对图片做一些处理，比如高斯模糊，左右模糊，上下模糊，污渍等。

6. 最终生成图片如下所示。

作者：Pgwsunny