![]()
在前一篇文章中（详见本博客文章：大话文本检测经典模型 CTPN），介绍了文字识别在现实生活中的广泛应用，以及文字识别的简单流程：
![]()
其中“文本检测”、“文本识别”是其中两个关键环节，“文本检测”已经在前一篇文章中介绍了详细的介绍，本文主要介绍“文本识别”的经典模型CRNN及其原理。
在介绍CRNN之前，先来梳理一下要实现“文本识别”的模型，需要具备哪些要素：
（1）首先是要读取输入的图像，提取图像特征，因此，需要有个卷积层用于读取图像和提取特征。具体原理可详见本公众号的文章：白话卷积神经网络（CNN）；
（2）由于文本序列是不定长的，因此在模型中需要引入RNN（循环神经网络），一般是使用双向LSTM来处理不定长序列预测的问题。具体原理可详见本公众号的文章：白话循环神经网络（RNN）；
（3）为了提升模型的适用性，最好不要要求对输入字符进行分割，直接可进行端到端的训练，这样可减少大量的分割标注工作，这时就要引入CTC模型（Connectionist temporal classification， 联接时间分类），来解决样本的分割对齐的问题。
（4）最后根据一定的规则，对模型输出结果进行纠正处理，输出正确结果。
以上就是“文本识别”模型的几个必须具备的要素。
接下来要介绍的CRNN模型，也是基本由这几部分组成的。
1、什么是CRNN
CRNN（Convolutional Recurrent Neural Network，卷积循环神经网络），是华中科技大学在发表的论文《An End-to-End Trainable Neural Network for Image-based Sequence Recognition and ItsApplication to Scene Text Recognition》提出的一个识别文本的方法，该模型主要用于解决基于图像的序列识别问题，特别是场景文字识别问题。
CRNN的主要特点是：
（1）可以进行端到端的训练；
（2）不需要对样本数据进行字符分割，可识别任意长度的文本序列
（3）模型速度快、性能好，并且模型很小（参数少）
2、CRNN模型结构
CRNN模型的结构如下：
![]()
正如前面梳理的“文本识别”模型必须具备的要素，CRNN模型主要由以下三部分组成：
（1）卷积层：从输入图像中提取出特征序列；
（2）循环层：预测从卷积层获取的特征序列的标签分布；
（3）转录层：把从循环层获取的标签分布通过去重、整合等操作转换成最终的识别结果。
下面将展开对这三个层进行介绍：
（1）卷积层
① 预处理
CRNN对输入图像先做了缩放处理，把所有输入图像缩放到相同高度，默认是32，宽度可任意长。
② 卷积运算
由标准的CNN模型中的卷积层和最大池化层组成，结构类似于VGG，如下图：
![]()
从上图可以看出，卷积层是由一系列的卷积、最大池化、批量归一化等操作组成。
③ 提取序列特征
提取的特征序列中的向量是在特征图上从左到右按照顺序生成的，用于作为循环层的输入，每个特征向量表示了图像上一定宽度上的特征，默认的宽度是1，也就是单个像素。由于CRNN已将输入图像缩放到同样高度了，因此只需按照一定的宽度提取特征即可。如下图所示：
![]()
（2）循环层
循环层由一个双向LSTM循环神经网络构成，预测特征序列中的每一个特征向量的标签分布。
由于LSTM需要有个时间维度，在本模型中把序列的 width 当作LSTM 的时间 time steps。
其中，“Map-to-Sequence”自定义网络层主要是做循环层误差反馈，与特征序列的转换，作为卷积层和循环层之间连接的桥梁，从而将误差从循环层反馈到卷积层。
（3）转录层
转录层是将LSTM网络预测的特征序列的结果进行整合，转换为最终输出的结果。
在CRNN模型中双向LSTM网络层的最后连接上一个CTC模型，从而做到了端对端的识别。所谓CTC模型（Connectionist Temporal Classification，联接时间分类），主要用于解决输入数据与给定标签的对齐问题，可用于执行端到端的训练，输出不定长的序列结果。
由于输入的自然场景的文字图像，由于字符间隔、图像变形等问题，导致同个文字有不同的表现形式，但实际上都是同一个词，如下图：
![]()
而引入CTC就是主要解决这个问题，通过CTC模型训练后，对结果中去掉间隔字符、去掉重复字符（如果同个字符连续出现，则表示只有1个字符，如果中间有间隔字符，则表示该字符出现多次），如下图所示：
![]()
以上就是文本识别模型CRNN的介绍，该模型既可用于识别英文、数字，也可用于识别中文。一般是跟CTPN结合一起使用，使用CTPN进行文字的检测，使用CRNN进行文字的识别。
本人使用CTPN+CRNN对中文识别出来的效果如下（隐去私密信息）：
![]()
墙裂建议
2015年，Baoguang Shi 等人发表了关于CRNN的经典论文《 An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition 》，在论文中详细介绍了CRNN的思想和技术原理，建议阅读该论文以进一步了解该模型。
关注本人公众号“大数据与人工智能Lab”（BigdataAILab），然后回复“论文”关键字可在线阅读经典论文的内容。
![]()
推荐相关阅读
