OCR技术浅探：6. 光学识别

经过第一、二步，我们已经能够找出图像中单个文字的区域，接下来可以建立相应的模型对单字进行识别.

模型选择 #

在模型方面，我们选择了深度学习中的卷积神经网络模型，通过多层卷积神经网络，构建了单字的识别模型.

卷积神经网络是人工神经网络的一种，已成为当前图像识别领域的主流模型. 它通过局部感知野和权值共享方法，降低了网络模型的复杂度，减少了权值的数量，在网络结构上更类似于生物神经网络，这也预示着它必然具有更优秀的效果. 事实上，我们选择卷积神经网络的主要原因有：

1. 对原始图像自动提取特征 卷积神经网络模型可以直接将原始图像进行输入，免除了传统模型的人工提取特征这一比较困难的核心部分；

2. 比传统模型更高的精度 比如在MNIST手写数字识别任务中，可以达到99%以上的精度，这远高于传统模型的精度；

3. 比传统模型更好的泛化能力 这意味着图像本身的形变(伸缩、旋转)以及图像上的噪音对识别的结果影响不明显，这正是一个良好的OCR系统所必需的.

训练数据 #

为了训练一个良好的模型，必须有足够多的训练数据. 幸运的是，虽然没有现成的数据可以用，但是由于我们只是做印刷字体的识别，因此，我们可以使用计算机自动生成一批训练数据. 通过以下步骤，我们构建了一批比较充分的训练数据：

1. 更多细节 由于汉字的结构比数字和英文都要复杂，因此，为了体现更多的细节信息，我使用$48\times 48$的灰度图像构建样本，作为模型的输入；

2. 常见汉字 为了保证模型的实用性，我们从网络爬取了数十万篇微信公众平台上的文章，然后合并起来统计各自的频率，最后选出了频率最高的3000个汉字(在本文中我们只考虑简体字)，并且加上26个字母(大小写)和10个数字，共3062字作为模型的输出；

3. 数据充分 我们人工收集了45种不同的字体，从正规的宋体、黑体、楷体到不规范的手写体都有，基本上能够比较全面地覆盖各种印刷字体；

4. 人工噪音 每种字体都构建了5种不同字号(46到50)的图片，每种字号2张，并且为了增强模型的泛化能力，将每个样本都加上5%的随机噪音.

经过上述步骤，我们一共生成了$3062\times 45\times 5\times 2=1377900$个样本作为训练样本，可见数据量是足够充分的.

模型结构 #

在模型结构方面，有一些前人的工作可以参考的. 一个类似的例子是MNIST手写数字的识别——它往往作为一个新的图像识别模型的“试金石”——是要将六万多张大小为$28\times 28$像素的手写数字图像进行识别，这个案例跟我们实现汉字的识别系统具有一定的相似性，因此在模型的结构方面可以借鉴. 一个常见的通过卷积神经网络对MNIST手写数字进行识别的模型结构如图

图17 一个用作MNIST手写数字识别的网络结构

图18 本文用来识别印刷汉字的网络结构

经过充分训练后，如图17的网络结构可以达到99%以上的精确度，说明这种结构确实是可取的. 但是很显然，手写数字不过只有10个，而常用汉字具有数千个，在本文的分类任务中，就共有3062个目标. 也就是说，汉字具有更为复杂和精细的结构，因此模型的各方面都要进行调整. 首先，在模型的输入方面，我们已经将图像的大小从28x28提高为48x48，这能保留更多的细节，其次，在模型结构上要复杂化调整，包括：增加卷积核的数目，增加隐藏节点的数目、调整权重等. 最终我们的网络结构如图18.

在激活函数方面，我们选取了ReLu函数为激活函数
$$ReLu(x)=\left\{\begin{aligned}&x,\quad x>0\\
&0,\quad x\leq 0\end{aligned}\right.\tag{13}$$
实验表明，它相比于传统的sigmoid、tanh等激活函数，能够大大地提升模型效果[3][4]；在防止过拟合方面，我们使用了深度学习网络中最常用的Dropout方式[5]，即随机地让部分神经元休眠，这等价于同时训练多个不同网络，从而防止了部分节点可能出现的过拟合现象.

需要指出的是，在模型结构方面，我们事实上做了大量的筛选工作.比如隐藏层神经元的数目，我们就耗费了若干天时间，尝试了512、1024、2048、4096、8192等数目，最终得到1024这个比较适合的值.数目太多则导致模型太庞大，而且容易过拟合；太少则容易欠拟合，效果不好.我们的测试发现，从512到1024，效果有明显提升；而再增加节点效果没有明显提升，有时还会有明显下降.

模型实现 #

我们的模型在操作系统为CentOS 7的服务器(24核CPU+96G内存+GTX960显卡)下完成，使用Python 2.7编写代码，并且使用Keras作为深度学习库，用Theano作为GPU加速库(Tensorflow一直提示内存溢出，配置不成功. ).

在训练算法方面，使用了Adam优化方法进行训练，batch size为1024，迭代30次，迭代一次大约需要700秒.

如果出现形近字时，应该是高频字更有可能，最典型的例子就是“日”、“曰”了，这两个的特征是很相似的，但是“日”出现的频率远高于“曰”，因此，应当优先考虑“日”. 因此，在训练模型的时候，我们还对模型最终的损失函数进行了调整，使得高频字的权重更大，这样能够提升模型的预测性能.

经过多次调试，最终得到了一个比较可靠的模型. 模型的收敛过程如下图.

训练曲线图：Loss(损失函数)和Acc(精度)

模型检验 #

我们将从以下三个方面对模型进行检验. 实验结果表明，对于单字的识别效果，我们的模型优于Google开源的OCR系统Tesseract.

训练集检验

最终训练出来的模型，在训练集的检验报告如表1.

模型训练结果汇总表

从表1可以看到，即便在加入了随机噪音的样本中，模型的正确率仍然有99.7%，因此，我们有把握地说，单纯从单字识别这部分来看，我们的结果已经达到了state of the art级别，而且在黑体、宋体等正规字体中(正规字体样本是指所有训练样本中，字体为黑体、宋体、楷体、微软雅黑和Arial unicode MS的训练样本，这几种字体常见于印刷体中.)，正确率更加高！

测试集检验

我们另外挑选了5种字体，根据同样的方法生成了一批测试样本(每种字体30620张，共153100张)，用来对模型进行测试，得到模型测试正确率为92.11%. 五种字体的测试结果如表2.

模型在测试集中的结果(5%的随机噪音)

从表中可以看出，即便是对于训练集之外的样本，模型效果也相当不错.接着，我们将随机噪音增大到15%(这对于一张$48\times 48$的文字图片来说已经相当糟糕了)，得到的测试结果如表3.

模型在测试集中的结果(15%的随机噪音)

平均的正确率为87.59%，也就是说，噪音的影响并不明显，模型能够保持90%左右的正确率. 这说明该模型已经完全达到了实用的程度.

转载到请包括本文地址：https://kexue.fm/archives/3831

更详细的转载事宜请参考：《科学空间FAQ》

打赏

微信打赏

支付宝打赏

因为网站后台对打赏并无记录，因此欢迎在打赏时候备注留言。
你还可以点击这里或在下方评论区留言来告知你的建议或需求。