作為計算機(jī)視覺領(lǐng)域的一個分支，OCR對于人機(jī)交互相當(dāng)具有重要性。

在人機(jī)交互方面，大多人想到的都是語音交互，畢竟這是人類之間運用率最高的交流方式，且語音識別、自然語言理解等技術(shù)目前也發(fā)展的相當(dāng)不錯。

但是，我們也不得不忽視這樣一個事實：我們每天都被文字所包圍，像每天辦公的文件、上課的板書、商品的介紹等等都是由文字組成的，并且這些文字在某一程度上也是語音交互的基礎(chǔ)，而這其中關(guān)乎一個關(guān)鍵的技術(shù)——OCR (Optical Character Recognition)，光學(xué)字符識別。

什么是OCR？

OCR是指光學(xué)設(shè)備（掃描儀、數(shù)碼相機(jī)等）檢查紙上打印的字符，通過檢測暗、亮的模式確定其形狀，然后用字符識別方法將形狀翻譯成計算機(jī)文字的過程，其本質(zhì)就是利用光學(xué)設(shè)備去捕獲圖像并識別文字，將人眼的能力延伸到機(jī)器上。此概念是在1929年由德國科學(xué)家Tausheck最先提出來的，后來美國科學(xué)家Handel也提出了利用技術(shù)對文字進(jìn)行識別的想法。

在20世紀(jì)50年代，IBM就開始利用OCR技術(shù)實現(xiàn)各類文檔的數(shù)字化，到了80年代，平板掃描儀的誕生更是讓OCR進(jìn)入了商用階段，但不管是哪個階段，那時的OCR設(shè)備對于文字背景的要求非常之高，也需要很好的成像質(zhì)量。

OCR的工作原理

一般來講，OCR的工作原理包括四個部分：

影像輸入：通過光學(xué)設(shè)備將圖片轉(zhuǎn)入計算機(jī)后，系統(tǒng)會對圖片進(jìn)行一些處理，包括字符格式的分離、二值化處理、圖像降噪、傾斜校正、文字特征抽取等等，以提升圖片的精確度；

對比識別：根據(jù)字符的不同特征，將之與數(shù)據(jù)庫進(jìn)行對比，并利用對比后的識別文字與其可能的相似候選字群眾，根據(jù)前后的識別文字找出最合乎邏輯的詞，再作出更正，以加強比對的正確性；

人工校正：目前為止還沒有一款軟件的文字識別時百分之百的，所以還需要用戶親自校正，確保輸出的準(zhǔn)確性；

影像輸出：結(jié)果輸出到txt、doc、exl等格式。

現(xiàn)實中，OCR的發(fā)展其實已經(jīng)相當(dāng)完善了，不過，隨著人們需求的變更，此種OCR已經(jīng)不能滿足人們的要求。而在當(dāng)前，自然環(huán)境OCR是人們最為關(guān)注的點。

自然環(huán)境OCR進(jìn)展

相比于傳統(tǒng)的OCR，自然環(huán)境OCR最難的部分在于文本檢測（將文字從圖片中提取出來），因為它具有極大的多樣性和明顯的不確定性。如文字中包含多種語言，每種語言含有多種字母，每個字母又可以有不同的大小、字體、顏色、亮度、對比度、排列和對齊方式等；因拍攝圖像的隨意性，文字區(qū)域還可能會產(chǎn)生變形、模糊斷裂等現(xiàn)象。另外，背景也是一大干擾因素，如文字區(qū)域附近有非常復(fù)雜的紋理；非文字區(qū)域有著跟文字區(qū)域非常相似的紋理，比如窗戶、樹葉、柵欄、磚墻等。

文本檢測首先要從圖像中切割出可能存在的文字，即候選連通區(qū)域，目前被采取最多的方法是MSER（最大平穩(wěn)極值區(qū)域）。當(dāng)然，也有團(tuán)隊在此基礎(chǔ)上開發(fā)出了自己的一套算法，比如微軟研究院在傳統(tǒng)檢測方法ER（極值區(qū)域）和MSER基礎(chǔ)之上采用了對比極值區(qū)域CER（Contrasting Extremal Region），CER是跟周圍的背景有一定對比度的極值區(qū)域，在低對比度的圖像上比MSER效果更好，而且獲得的候選連通區(qū)域數(shù)量遠(yuǎn)小于ER，提高了算法的效率，并且，為了提高所獲得連通區(qū)域的質(zhì)量，微軟又增加一個算法環(huán)節(jié)去增強CER。最后，微軟采取了一套基于淺層神經(jīng)網(wǎng)絡(luò)的文字/非文字分類算法，進(jìn)一步提高了對于連通區(qū)域字符的辨認(rèn)率。

在此基礎(chǔ)之上，微軟研究院的成果也得到了世界的驗證。2014年8月，在瑞典首都斯德哥爾摩舉辦的國際模式識別大會（ICPR）上，微軟亞洲研究院團(tuán)隊公布的研究成果在自然場景文字檢測的標(biāo)準(zhǔn)數(shù)據(jù)集（ICDAR-2013測試集）上取得了92.1%的檢測精度和92.3%的召回率。據(jù)了解，此前業(yè)界最好技術(shù)的檢測精度是88.5%，而召回率只有66.5%。

OCR的應(yīng)用前景

不管是傳統(tǒng)OCR，還是自然環(huán)境OCR，其參與者還是不少的。在國內(nèi)，涉足OCR的企業(yè)主要有漢王、文通、百度等，國外的像ABBYY、IRIS、Google、微軟等等。此外，市面上也有不少OCR產(chǎn)品，傳統(tǒng)的OCR產(chǎn)品有尚書、漢王等，自然環(huán)境OCR的有百度翻譯、Google翻譯，實用性相當(dāng)?shù)牟诲e。

論起OCR的應(yīng)用前景的話，僅看其隸屬于計算機(jī)視覺領(lǐng)域的一個分支，再聯(lián)系到當(dāng)前人工智能的發(fā)展，其前景可想而知。再往細(xì)講，除了翻譯、智能購物意外，OCR未來最大的發(fā)展?jié)摿υ谟谌藱C(jī)交互。

眾所周知，人機(jī)交互一直是研究者追求的東西，但是目前也僅僅做到了語音交互和肢體交互。文字代表了人類的所有智慧與思想，如果機(jī)器人能夠進(jìn)行文字識別，那它將能夠進(jìn)一步獲取知識、學(xué)習(xí)人類，進(jìn)而與人類進(jìn)行更為自然的交互，或是協(xié)助人類工作，提高效率。

最后，記得關(guān)注微信公眾號：鎂客網(wǎng)（im2maker），更多干貨在等你！