關於圖文識別功能相關技術的大致實現

　　　　關於圖文識別功能相關技術的實現

 

轉載請註明源地址：http://www.cnblogs.com/funnyzpc/p/8908906.html

　　上一章，寫的是SSL證照配置，中間折騰了好一會，在此感謝SSL證照發行商的協助；這次我就講講ocr識別的問題，先說說需求來源吧。。。

　　之前因為風控每次需要手動P協議檔案和身份證(脫敏)，還要識別證件及圖片檔案的內容，覺得狠狠狠麻煩，遂就找到了技術總監，技術總監一拍腦袋，額，小鄒啊。。。

　　呃，一開始並沒抱太大希望，不過還是花了些心思做了些需求實現的調研，怎麼辦 google、duckduckgo、github一路找下來就有了幾個工程了，嘿嘿~，可惜還沒高興到，沒想到的是這些工程一個比一個坑，不是依賴windows系統元件就是程式碼bug不斷，作者們，能用點兒心麼

　　日夜操勞，加班啊，總算是將幾個工程全都修得能跑起來了，大費周折。。。難得啊

　　欸，可惜效果均不佳；現開始，我總結下一些主流的圖文識別技術，只是淺聊哦。。。

首先，這些工程大致分兩類：

　　一類是純演算法，不附帶機器學習功能的，且需要依賴於window系統元件的工程，比如tesseract和tess4j，識別效果可以說是巨差(可能我的技術很菜的原因)，但有一點兒值得讚許，就是識別結果的格式還算不錯，這類圖文識別的特點大致有如下幾點：

　　A>工程程式碼量較大

　　B>依賴window元件，需要在window系統下才能執行

　　C>識別效果無法通過學習逐漸優化

　　D>識別出來的文字時常亂碼，中文識別亂碼錯別字較多

　　E>識別結果通常使用格式化模子來格式化結果，遂，識別結果的格式還算過得去

　　一類是基於機器學習(比如Tensorflow)的工程，這些工程參差不齊，存在外掛版本問題，尤其是python外掛，實在在太太太難裝了，在一就是工程大多較為簡陋，由於機器學習具有不斷改善的趨勢，這是基於機器學習的圖文識別的最大優勢，總結起來，基於機器學習的圖文識別的特點兒大致有如下幾點：

　　A>工程比較簡單，程式碼量不是很多

　　B>依賴的語言外掛，如python實在難以安裝

　　C>有很多優化的方向，比如使用顯示卡，優化演算法(卷積神經網路)來提高識別速度及模型準確度

　　D>十分耗費計算機欄位，一般識別一頁A4大小的圖片中的內容，(我使用Macbook Pro) 最快也用了二十多秒

　　E>識別的結果比較亂，但對於中文，尤其是圖片較好的中文的文字識別準確率能達到百分之七十網上，但是識別格式和文字準確度不如上者

　　F>由於是基於機器學習，遂需要大量的資料餵養以提高識別的準確率，餵養的資料十分可觀

 

　　額，總的來說，後者的優勢較大，也是趨勢，比如騰訊QQ的圖片識別還有百度大腦AI這些基本都是基於機器學習，個人覺得，如果投入一個團隊去專門研究開發一個圖文識別的產品，也是比較容易實現的，何況這個方向向前走就是人工智慧，儘管現在看起來有些智障…。

　　哦，大致總結完了，我就展示下基於tess4j和chinese-ocr這兩專案的實現效果，我的輸入是身份證：

(注意:源圖片是從github上拉下來的，個人做了些簡陋的脫敏處理!)

　　下面是基於tess4j實現的結果:

tess4j的實現只能基於windows元件實現，故專案只能在windows下執行，另外tesseract也是windows元件的實現。

　　一下是基於chinese-ocr的專案的實現的結果：

chinese-orc是基於python語言+tensorflow的實現，結果一目瞭然，需要說的是，一下幾個也是基於=>

 

funnyzpc@gmail.com