序言

现阶段智能化招领系统软件已经取得成功服务千余客户，基本上满足设计的时候所提出的多样化需求，且能够维持稳定的运转，为校园内老师学生给予失物招领处服务项目。但系统软件仍具备一些存在的不足能够改进。

ＯＣＲ识别全过程一般包括文本检测和文本识别2个关键环节，下边将从两阶段对ＯＣＲ科技的世界各国研宄现况开展论述。此外，文中仍在下列文章内容上对文本检测和文本识别的实际算法有比较详细的讲解。

ＯＣＲ技术介绍

ＯＣＲ技术的英文全称是ＯｐｔｉｃａｌＣｈａｒａｃｔｅｒＲｅｃｏ ｇｎｉｔｉｏｎ，汉语翻译是电子光学标识符识。它界定以设备或电子器件方式进行笔写、电脑打字或打印出文本的扫描仪图像转换为设备编号文本的一个过程，还可以视之为将模拟数据转化为数字的一个过程。

ＯＣＲ不太在意要扫描仪的对象的具体特性。其实只是“查询”准备转化为数字格式标识符。比如，假如扫描仪一个单词，他会识别英文字母，但不会识别单词的意义。ＯＣＲ手机软件一般会让图象开展预备处理，以提升识别通过率。

传统ＯＣＲ技术性一般指对文挡的扫描仪，不过随着基于大数据的文本识别算法的高速发展，自然万物场景里的文本识别的准确度进一步提高，所以目前提及ＯＣＲ—般还会继续包括场景文本识别（ＳｃｅｎｅＴｅｘｔＲｅｃｏｇｎｉｔｉｏｎ，ＳＴＲ）。

ＯＣＲ技术性针对实现智能化失物招领处系统软件至关重要，当使用了ＯＣＲ后，假如物归原主遗失的物件是一卡通或是身份证等物件，系统软件就能比较快速地从有效证件遗失物中获得到物归原主的一些私人信息，然后从院校数据库系统里查这种私人信息，就可获得掌握到物归原主的实际联系电话，最终完成自动化技术发送。

智能化失物招领处系统软件采用了ＯＣＲ技术性，就像上面常说，ＯＣＲ使用时一般会让图象开展预备处理，且对上传图象具有一定的规定。上传照片通过后台的解决缩小后变为Ｂａｓｅ６４编号，随后启用ＯＣＲ识别作用，根据文本识别返回图片中关键性的文本信息内容。

现如今ＯＣＲ技术性已经可以用在很多场景中，一类最典型的场景是日常日常生活广泛运用的结构型文本识别，例如车牌号识别、银行卡账号识别、身份信息识别、火车票信息识别等。

比如在媒体场景中，频繁使用ＯＣＲ设备对外挂字幕即时翻译、搜视频具体内容并且在时间线标识等。游戏中场景中，也出现了很多辅助应用以内嵌字幕的方式对游戏里面的文本翻译成中文，这种辅助应用获得文本的形式一般也是根据ＯＣＲ。

但对于文中智能招领系统软件而言，系统ＯＣＲ科技的应用主要是在第一类场景，系统软件必须通过ＯＣＲ手段来对有效证件遗失物里的文本数据进行获取。在诸多类别的遗失物中，证件号码的遗失物遗失总数较大并且具有精确可利用的物归原主信息内容，智能化招领系统ＯＣＲ科技的应用接近我们常见的ＯＣＲ有效证件识别。

基于大数据的ＯＣＲ算法

ＯＣＲ近些年发展迅速，相比传统式的句子识别算法，基于大数据的ＯＣＲ算法也已经持续发展的较为成熟，能够满足目前市面上的绝大多数客户需要，基于大数据的ＯＣＲ识别主要包括以下几种流程：对图像预处理、文本检测、文本识别。

由于文本自身还可以看作一个图象识别里的独特总体目标，所以一些图象识别里的总体目标检测算法还可以用于文本检测。相比一般总体目标检测，文本作为一个独特总体目标的独特性主要表现在以下几方面：

实际应用中文本检测需要处理目标一般是一行文本，这种总体目标一般具备较大的纵横比。—段文本里的每个标识符并不一定是连续不断的，标识符和字符中间有间隙。

（３）文本具备其特殊含意，相比别的总体目标，文本能通过前后文词义开展推断。

ＯＣＲ系统软件根据不同的场景来挑选实际所使用的算法。基于大数据的应用电子计算机对文本开展检测的方法来分为两种：根据回归应用电子计算机对文本开展检测的方式和根据分离的应用电子计算机对文本开展检测的办法，下边将会对这两种应用电子计算机对文本开展检测方法进行详细介绍。

在ＯＣＲ全面的实际应用之中，文本检测有可能出现几个问题：

（１）必须识别的句子具备多元性，这类多元性表现在文字的字体、尺寸、色调、方位、语言表达等各个方面，必须根据不同款式的文本对算法作出调整。

（２）键入图象发生歪斜、失帧、过度曝光、分辨率低或模糊不清的状况。

（３）图像环境比较繁杂，可能会有不相干文字或其他方式的影响。

（４）文本过度聚集或者有重合状况，没法简易对文本开展字符分割。

根据回归应用电子计算机对文本开展检测的办法

水准应用电子计算机对文本开展检测的办法归属于比较早期基于大数据的应用电子计算机对文本开展检测的办法。在其中水准文 原是一个非常简单的场景，在这个场景下文本不会造成比较大的歪斜或弯曲，在ＯＣＲ的具体使用时，能够满足水准文本的场景出现的频率偏少。

比较常见的水准应用电子计算机对文本开展检测方法有ＣＴＰＮ（２０１６）和Text boxes。前面一种是通过Fast RCNN改善获得，后面一种应该是SSD算法改善。

ＣＴＰＮ根据Ｆａｓｔ－ＲＣＮＮ算法，拓展ＲＰＮ控制模块而且制定了根据ＣＲＮＮ的控制模块使整个互联网从卷积和特点中检测到文本编码序列，二阶段的办法根据ＲＯＩＰｏｏｌｉｎｇ赢得了更精准的特点精准定位。

随意视角应用电子计算机对文本开展检测的办法乃是对于图象在拍摄过程中有可能出现的歪斜难题，学界在相关水准文本算法上进行改善，常规改善念头要在总体目标识别的锚框添加视角主要参数，通过这种方式导出不规则四点锚框来标识总体目标文本。

在其中Ｔｅｘｔｂｏｘｅｓ＋＋在Ｔｅｘｔｂｏｘｅｓ前提下再改善，与Ｔｅｘｔｂｏｘｅｓ的改善类似，Ｔｅｘｔｂｏｘｅｓ＋＋调整了全连接层由Ｔｅｘｔｂｏｘｅｓ的１＊５为３＊５，与此同时更改了选号牌框的宽高比，使之可以高效的学习歪斜文本的特点，适用对多方位文本开展检测。

文本识别算法

提及应用电子计算机对文本开展检测的办法前期对于目标检测算法有大量参照，二者在构思上有许多相似之处。但文本识别算法与目标检测后分类任务算法亦有很多差别。分类任务里的总体目标做为一个总体而归属于某一类型，而文本识别的目的是一段文本，它具有前后文词义，不能一味对一个总体目标进行筛选辨别。

标准文本识别算法中最常见和最经典算法是２０１６年所提出的ＣＲＮＮ算法，该算法在svm算法一部分采用了热门的卷积和构造，并联合了双重ＬＳＴＭ用于提高前后文模型。ＣＲＮＮ算法与此同时是现阶段ＯＣＲ业内更为常见的文本识别算法。

开源框架的挑选

Ｔｅｓｓｅｒａｃｔ是Ｇｉｔｈｕｂ上ＯＣＲ方位得到星最多（４５．５ｋ）的一款出色开源软件，此项目于１９８５年项目立项，１９８５－１９９４年里由Ｈｅｗｌｅｔ－ＰａｃｋａｒｄＬａｂｏｒａｔｏｒｉｅｓＢｒｉｓｔｏｌ等进行设计。

接着该项目经历了很多的版本升级，推动了Ｗｉｎｄｏｗｓ、Ｌｉｎｕｘ等电脑操作系统，并且在２００５年被hp惠普回收并成为一个开源软件。从２００６年到２０１８年间，Ｇｏｏｇｌｅ负责了Ｔｅｓｓｅｒａｃｔ的研发，提升了工程项目的完成率。

但对其ＴｅｓｓｅｒａｃｔＯＣＲ展开调查的过程当中，我们不难发现Ｔｅｓｓｅｒａｃｔ对图像清晰度有很高的要求，当图象发生模糊不清、曝出、歪曲等问题的时候，Ｔｅｓｓｅｒａｃｔ的识别率会出现较大的下降。与此同时Ｔｅｓｓｅｒｃａｔ尽管还支持汉语，但使用其所提供的数据进行识别的具体检测中，发觉在相同拍照条件下中文识别率远低于数字和英语字母，是不符合我们自己的对汉语有效证件识别的需要。

ＥａｓｙＯＣＲ是一个既用型ＯＣＲ新项目，官方网宣传策划此项目容积比较小，对技术性能比较低且适用８０多语种，在其中包括汉语。ａｓｙＯＣＲ使用上比较简单，根据Ｐｙｔｈｏｎｐｉｐ组装相对应的包，免费下载需识别语言表达相对应的实体模型，在Ｐｙｔｈｏｎ系统中调用函数就可以使用了。

那样的使用方法非常适合部署到服务器上进行，即便云服务器后端语言并不是Ｐｙｔｈｏｎ，还可以通过一些跨语言的表达方式传递参数启用该Ｐｙｔｈｏｎ程序流程。而能通过Ｐｙｔｈｏｎｐｉｐ管理方法也使搭建框架自然环境更加轻松。

但ＥａｓｙＯＣＲ的逻辑推理特性较弱，且在一些比较复杂场景图片里表现一般，这是不符合智能化招领系统软件的应用场景。

ＰａｄｄｌｅＯＣＲ提供多种文本检测和文本识另ＩＪ算法，使用电脑对文本开展检测的办法适用ＤＢ、ＥＡＳＴ、ＳＡＳＴ、ＰＳＥＮｅｔ等算法。对于总体目标检测每日任务，常见的评价指标体系包含精确率（ｐｒｅｃｉｓｉｏｎ），均方误差（ｒｅｃａｌｌ），ｆ－ｓｃｏｒｅ等。

精确率指的是在预测分析为目的的样本中，检测正确的样本量占全部预测分析目标样本量比例，该标值用于评定预测分析是否正确。均方误差就是指预测分析恰当且预测分析为目的的样本量占全部预测分析正确样本量比例，就是用来评估目标检测搜索是不是全方位。而ｆ－ｓｃｏｒｅ为均方误差和精确率的调和平均数。

我们将要实体模型产出率过程和结果标识数据进行排列与组合，形成了四个基础指标：７Ｐ、７Ｗ、尸Ｐ。在其中７Ｐ表明正标识中模型预测大于零的样本量，ＴＮ表明正标识中模型预测为负的样本量中合相近。

汇总：

近些年，机器视觉行业蓬勃发展，一些技术运用获得了产业链普遍落地机遇，而ＯＣＲ技术性就是其中一个一项具有标志性的技术性。ＯＣＲ技术以及有关算法在工业领域和学科都具有较高的关注度，产业链实践意义比较高。