关于图文识别功能相关技术的实现

转载请注明源地址：http://www.cnblogs.com/funnyzpc/p/8908906.html

　　上一章，写的是SSL证书配置，中间折腾了好一会，在此感谢SSL证书发行商的协助；这次我就讲讲ocr识别的问题，先说说需求来源吧。。。

　　之前因为风控每次需要手动P协议文件和身份证(脱敏)，还要识别证件及图片文件的内容，觉得狠狠狠麻烦，遂就找到了技术总监，技术总监一拍脑袋，额，小邹啊。。。

　　呃，一开始并没抱太大希望，不过还是花了些心思做了些需求实现的调研，怎么办 google、duckduckgo、github一路找下来就有了几个工程了，嘿嘿~，可惜还没高兴到，没想到的是这些工程一个比一个坑，不是依赖windows系统组件就是代码bug不断，作者们，能用点儿心么

　　日夜操劳，加班啊，总算是将几个工程全都修得能跑起来了，大费周折。。。难得啊

　　欸，可惜效果均不佳；现开始，我总结下一些主流的图文识别技术，只是浅聊哦。。。

首先，这些工程大致分两类：

　　一类是纯算法，不附带机器学习功能的，且需要依赖于window系统组件的工程，比如tesseract和tess4j，识别效果可以说是巨差(可能我的技术很菜的原因)，但有一点儿值得赞许，就是识别结果的格式还算不错，这类图文识别的特点大致有如下几点：

　　A>工程代码量较大

　　B>依赖window组件，需要在window系统下才能运行

　　C>识别效果无法通过学习逐渐优化

　　D>识别出来的文字时常乱码，中文识别乱码错别字较多

　　E>识别结果通常使用格式化模子来格式化结果，遂，识别结果的格式还算过得去

　　一类是基于机器学习(比如Tensorflow)的工程，这些工程参差不齐，存在插件版本问题，尤其是python插件，实在在太太太难装了，在一就是工程大多较为简陋，由于机器学习具有不断改善的趋势，这是基于机器学习的图文识别的最大优势，总结起来，基于机器学习的图文识别的特点儿大致有如下几点：

　　A>工程比较简单，代码量不是很多

　　B>依赖的语言插件，如python实在难以安装

　　C>有很多优化的方向，比如使用显卡，优化算法(卷积神经网络)来提高识别速度及模型准确度

　　D>十分耗费计算机字段，一般识别一页A4大小的图片中的内容，(我使用Macbook Pro) 最快也用了二十多秒

　　E>识别的结果比较乱，但对于中文，尤其是图片较好的中文的文字识别准确率能达到百分之七十网上，但是识别格式和文字准确度不如上者

　　F>由于是基于机器学习，遂需要大量的数据喂养以提高识别的准确率，喂养的数据十分可观

　　额，总的来说，后者的优势较大，也是趋势，比如腾讯QQ的图片识别还有百度大脑AI这些基本都是基于机器学习，个人觉得，如果投入一个团队去专门研究开发一个图文识别的产品，也是比较容易实现的，何况这个方向向前走就是人工智能，尽管现在看起来有些智障...。

　　哦，大致总结完了，我就展示下基于tess4j和chinese-ocr这两项目的实现效果，我的输入是身份证：

(注意:源图片是从github上拉下来的，个人做了些简陋的脱敏处理!)

　　下面是基于tess4j实现的结果:

tess4j的实现只能基于windows组件实现，故项目只能在windows下运行，另外tesseract也是windows组件的实现。

　　一下是基于chinese-ocr的项目的实现的结果：

chinese-orc是基于python语言+tensorflow的实现，结果一目了然，需要说的是，一下几个也是基于=>

         嗯，此篇原本在前一天发表的，由于公司周年庆耽搁了会儿，最后，我把上面几个工程的打包文件共享下(包含我修改过bug的)，有需要的请自行下载，如有疑问请电邮或留言。