照片OCR
如何让计算机读出图片中的信息
OCR流水线
在OCR中，算法首先进行图片中的文本识别，然后进行字体分区，在进行文字识别，这一系列流程称为OCR流水线。这种过程称为机器学习流水线，每一个模块都是机器学习模块，完成一个机器学习系统的构建就要实现每一个模块的构建，每一个模块都影响着最终结果。在实际构建机器学习系统的时候，可以每个人分别完成不同模块的构建，然后整合成一个大的系统。
滑动窗口
文本检测比较困难，因为文字对应的文本框大小互不相同。
检测框
监督学习 行人检测
以行人检测为例，先给定一部分正样例，即包含行人的样本，再给定一部分不是行人的负样例。通常训练集中样本像素大小是相同的，82*36像素。然后采用滑动窗口识别行人。
滑动创空识别行人
行人检测相比文字检测，较容易操作的原因是，行人的划定框长宽比例一般是固定的，尽管距离摄像头远近不同会造成框的大小不同，但是不同人的长宽比例是差不多的。在进行行人检测的时候，从图片左上角开始进行滑动窗口监测，然后以步长4/8像素移动窗口，通过分类算法对比每一个窗口中包含的是不是行人。当检测完整张图片以后，可以扩大窗口的大小再进行第二遍检测。由于训练集中的样本都是82*36像素的，所以在扩大窗口以后，检测出的图片都要压缩到82*36在进行比较。
文本检测
在进行文本检测的时候，也利用滑动窗口进行文字的识别，训练集同样包含正样例和负样例
文本检测
上图所示是识别出的文本，颜色的深浅就代表概率，颜色深表示不太可能是文本，而白色的区域是算法识别出来的文本。在识别出来这些文本以后，会通过扩大算子来扩大文本的范围，即在某一个像素周围5/10的像素范围内有白色的区域，则该像素也被变为白色。同时，我们还会丢弃那些长宽比例不太正常的区域，如太宽或者太高的白色区域。
字符分区
在识别出文本框以后，再使用不同的算法进行字符分区，同样使用滑动窗口算法，给定正样例和负样例，识别窗口内是否存在字符间的间隔，如果存在，说明这是两个字符之间的分区。
获取大量数据和人工数据
想要建立一个高性能的机器学习系统，就要建立一个低偏差的学习算法，并且使庞大的训练集训练。那么数据从哪里获得呢，机器学习中就有人工数据合成，但是其并不符合所有的问题且运用时要根据问题进行改进。其包含两种形式：自己创造数据，有较小的有标签训练集，然后通过某种方式扩充训练集。
人工合成数据集—从零开始
一种方法是从零开始创造样本：从不同的自体库中，用不同的字体生成字符，然后将其粘贴到不同的背景中，用不同的模糊算子或者仿射变换，仿射的意思是进行等分缩放和一些旋转操作，从而得到一个人工数据集。
第二种方法就是扩充样本。从小部分样本出发进行人工扩充。如上图所示，给定一张图片，你可以通过拉伸变形，产生很多有标签的样本。但是在进行拉伸的时候，必须要保证这些变形是合理的。在图像识别的机器学习中，这种拉伸是有效的，但是在其他类型的机器学习中，这种方法可能会造成其他类型的数据的失真。
在语音识别领域，可以通过添加不同的背景噪声，创造不同的样本。
扩充样本的注意事项
在进行样本扩充的时候，要注意分析人工加入的失真是否是合理的，这些样本是不是真的会在测试集中出现。如在语音识别中加入汽车的声音作为背景，这种情况时可能真实发生的，因此这种处理是合理的。另一方面，不要随机加入噪音或加入无意义的噪音，如在图像识别中，改变样本的亮度。
关于数据的思考
通常来说可以通过两种方式来获得更多的样本，一种是从零开始，一种是根据少部分样本进行扩充。还存在其他增加样本的方法，如人工收集数据，人工标记数据，以及众包。在选择不同的方法的时候，要仔细思实现数据扩充所需要的时间，有时仅需要很少的时间就能获得大量的数据，并且获得算法的显著提升。但是，在增加样本之前，首先要保证学习算法是低偏差的，只有低偏差的学习算法才能通过扩充数据来实现算法的提升。因此，在建立一个学习算法之后，要用学习曲线评估算法是否存在低偏差，若存在，在进行数据扩充。
算法是否低偏差——获取大量样本所需的时间
天花板分析—下一步工作的工作流（下一步应该做什么） 上限分析
在建立机器学习系统的时候，最宝贵的资源就是时间。上限分析可以帮助你分析系统中的哪一模块是值得你花时间的。
上限分析
在进行机器学习系统构建的时候，要将模型划分为几个模块，然后进行工作流分析，分析哪一模块才是真正需要花时间的。如上面的OCR图像识别中，上限分析的具体步骤为：采用某一个数值指标作为评价模型效果的指标，如这里的精确度，在计算整体模型的而精确度，这里为72%；从文本检测开始，遍历所有样本，直接给出每个样本的正确标签，然后看在文本检测完全正确的情况下，总体模型的表现如何，如上可知，整个系统的精确度达到了89%，这说明文本检测对于整体模型的提高贡献为17%；然后在进行下一步，遍历样本，人工正确标记每一个字符，然后看在字符完全正确分区的情况下，总体模型的表现如何，这里模型的准确度达到了90%，整体效果提升1%；同理可知，最后一个模块正确识别所有字符，对模型的贡献是10%。通过这种方式的分析，我们可以看出，文本检测效果对总体模型效果的影响最大，因此，在进行系统设计的时候，应该花更多的时间在提升样本检测效果的提升上。下面的图像识别也说明了上限分析的重要性：
图像识别中的上限分析
在进行机器学习系统构建的时候，时间是很重要的资源。上限分析能够帮助设计者更好的规划资源和时间，避免在不必要的模块上浪费过多的时间。
网友评论