本文翻譯自dzone 中Ivan Ozhiganov 所發(fā)文章Deep Dive Into OCR for Receipt Recognition 文中版權、圖像代碼等數(shù)據(jù)均歸作者所有。為了本土化，翻譯內容略作修改。

光學字符識別技術（OCR）目前被廣泛利用在手寫識別、打印識別及文本圖像識別等相關領域。小到文檔識別、銀行卡身份證識別，大到廣告、海報。因為OCR技術的發(fā)明，極大簡化了我們處理數(shù)據(jù)的方式。

同時，機器學習（ML）和卷積神經(jīng)網(wǎng)絡（CNN）的快速發(fā)展也讓文本識別出現(xiàn)了巨大的飛躍！我們在本文的研究中也將使用卷積神經(jīng)網(wǎng)絡CNN技術來識別零售店的紙質票據(jù)。為了方便演示，我們本次將僅采用俄語版的票據(jù)進行測試。

我們的目標是項目開發(fā)一個客戶端來識別來獲取相關文檔，在有服務器端去識別解析數(shù)據(jù)。準備好了嗎？讓我們一起去看看怎么做吧！

預處理

首先，我們需要接收圖像相關數(shù)據(jù)，使其水平豎直方向垂直，接下來使用算法進行檢測是否為票據(jù)，最終二值化方便識別。

旋轉圖像識別收據(jù)

我們有三種方案來識別票據(jù)，下文對這三種方案做了測試。

1. 高閾值的自適應二值化技術。2. 卷積神經(jīng)網(wǎng)絡（CNN）。3. Haar特征分類器。

自適應二值化技術

首先，我們看到，圖中圖像上包含了完整的數(shù)據(jù)，同時票據(jù)又與背景有些差距。為了能更好識別相關數(shù)據(jù)，我們需要將圖片進行旋轉。使其水平沿豎直方向對齊。

我們使用Opencv中的自適應閾值化函數(shù)adaptive_threshold和scikit-image框架來調整收據(jù)數(shù)據(jù)。利用這兩項函數(shù)，我們可以在高梯度區(qū)域保留白色像素，低梯度區(qū)域保留黑色像素。這使得我們獲得了一個高反差的樣本圖片。這樣，通過裁剪，我們就能得到票據(jù)的相關信息了。

使用卷積神經(jīng)網(wǎng)絡（CNN）

起初我們決定使用CNN來做相關位置檢測的接收點，就像我們之前做對象檢測項目一樣。我們使用判斷角度來拾取相關關鍵點。這種方案雖然好用，但是和高閾值對比檢測裁剪更差。

因為CNN只能找到文本的角度坐標，而文字的角度變化很大，這就意味著CNN模型不是很精準。詳情請參考下面CNN測試的結果。

使用Haar特征分類器來識別收據(jù)

作為第三種選擇，我們嘗試使用Haar特征分類器來做分類篩選。然而經(jīng)過一周的分類訓練和改變相關參數(shù)，我們并沒有得到什么比較積極的結果，甚至發(fā)現(xiàn)CNN都比Haar表現(xiàn)好得多。

二值化

最終我們使用opencv中的adaptive_threshold方法進行二值化，經(jīng)過二值化處理，我們得到了一個不錯的圖片。

文本檢測

接下來我們來介紹幾個不同的文本檢測組件。

通過鏈接組件檢測文本

首先，我們使用Opencv中的find Contours函數(shù)找到鏈接的文本組。大多數(shù)鏈接的組件是字符，但是也有二值化留下來嘈雜的文本，這里我們通過設置閾值的大小來過濾相關文本。

然后，我們執(zhí)行合成算法來合成字符，如：Й和=。通過搜索最臨近的字符組合合成單詞。這種算法需要你找到每個相關字字母最臨近的字符，然后從若干字母中找到最佳選擇展示。

接下來文字形成文字行。我們通過判斷文字是否高度一致來判斷文本是否屬于同一行。

當然，這個方案的缺點是不能識別有噪聲的文本。

使用網(wǎng)格對文本進行檢測

我們發(fā)現(xiàn)幾乎所有票據(jù)都是相同寬度的文本，所以我們設法在收據(jù)上畫出一個網(wǎng)格，并利用網(wǎng)格分割每個字符：

網(wǎng)格一下子精簡了票據(jù)識別的難度。神經(jīng)網(wǎng)絡可以精準識別每個網(wǎng)格內的字符。這樣就解決了文本嘈雜的情況。最終可以精確統(tǒng)計文本數(shù)量。

我們使用了以下算法來識別網(wǎng)格。

首先，我在二值化鏡像中使用這個連接組件算法。

然后我們發(fā)現(xiàn)圖中左下角有些是真，所喲我們通過二維周期函數(shù)來調整網(wǎng)格識別。

修正網(wǎng)格失真背后主要的思想是利用圖形峰值點找到非線性幾何失真，換句話說，我們必須找到這個函數(shù)的最大值的和。另外，我們還需要一個最佳失真值才行。

我們使用ScipyPython模塊中的RectBivariateSpline函數(shù)來參數(shù)化幾何失真。并用Scipy函數(shù)進行優(yōu)化。得到如下結果：

總而言之，這個方法緩慢且不穩(wěn)定，所以堅決不打算使用這個方案。

光學字符識別

我們通過組連接識別發(fā)現(xiàn)文本，并識別完整的單詞。

識別通過連接組發(fā)現(xiàn)的文本

對于文本識別，我們使用卷積神經(jīng)網(wǎng)絡（CNN）接收相關字體進行培訓。輸出部分，我們通過對比來提升概率。我們那個幾個最初的幾個選項多對比，發(fā)現(xiàn)有99%的準確識別率后。又通過對比字典來提高準確度，并消除相關類似的字符，如"З" 和 "Э"造成的錯誤。

然而，當涉及嘈雜的文本時，該方法性能卻十分低下。

識別完整的單詞

當文本太嘈雜的時候，需要找到完整的單詞才能進行單個字母的識別。我們使用下面兩個方法來解決這個問題：

LSTM網(wǎng)絡

圖像非均勻分割技術

LSTM網(wǎng)絡

您可以閱讀這些文章，以更加深入了解使用卷積神經(jīng)網(wǎng)絡識別序列中的文本 ，或我們可以使用神經(jīng)網(wǎng)絡建立與語言無關的OCR嗎？為此，我們使用了OCRopus庫來進行識別。

我們使用了等寬的字體來作為人工識別樣本進行訓練。

訓練結束后，我們由利用其他數(shù)據(jù)來測試我們的神經(jīng)網(wǎng)絡，當然，測試結果非常積極。這是我們得到的數(shù)據(jù)：

訓練好的神經(jīng)網(wǎng)絡在簡單的例子上表現(xiàn)十分優(yōu)秀。同樣，我們也識別到了網(wǎng)格不適合的復雜情況。

我們抽取的相關的訓練樣本，并讓他通過神經(jīng)網(wǎng)絡進行訓練。

為了避免神經(jīng)網(wǎng)絡過度擬合，我們多次停止并修正訓練結果，并不斷加入新數(shù)據(jù)作為訓練樣本。最后我們得到以下結果：

新的網(wǎng)絡擅長識別復雜的詞匯，但是簡單的文字識別卻并不好。

我們覺得這個卷積神經(jīng)網(wǎng)絡可以細化識別單個字符來使文本識別更加優(yōu)秀。

圖像非均勻分割技術

因為收據(jù)字體是等寬的字體，所以我們決定按照字符分割字體。首先，我們需要知道每個字母的寬度。因此，字符的寬度尤為重要，我們需要估計每個字母的長度，利用函數(shù)，我們得到下圖。選擇多種模式來選取特定的字母寬度。

我們得到一個單詞的近似寬度，通過除以字符中的字母數(shù)，給出一個近似分類：

區(qū)分最佳的是：

這種分割方案的準確度是非常高的：

當然，也有識別不太好的情況：

分割后我們在使用CNN做識別處理。

從收據(jù)中提取含義

我們使用正則表達式來查找收據(jù)中購買情況。所有收據(jù)都有一個共通點：購買價格以XX.XX格式來撰寫。因此，可以通過提取購買的行來提取相關信息。個人納稅號碼是十位數(shù)，也可以通過正則表達式輕松獲取。同樣，也可以通過正則表達式找到NAME / SURNAME等信息。

總結

不論你選擇什么方法，LSTM或者其他更加復雜的方案，都沒有錯誤，有些方法很難用，但是有些方法卻很簡單，因識別樣本而異。

我們將繼續(xù)優(yōu)化這個項目。目前來看，在沒有噪聲的情況下，系統(tǒng)性能更加優(yōu)秀。

原文鏈接：https://dzone.com/articles/using-ocr-for-receipt-recognition

責任編輯：xj

原文標題：深入淺出了解OCR識別票據(jù)原理

文章出處：【微信公眾號：新機器視覺】歡迎添加關注！文章轉載請注明出處。