本文撰写时间是2020年11月，因为技术的发展太快，所以在阅读之前需要留意一下。
一、OCR概述
OCR（optical character recognition）光学字符识别，即对文本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的过程。
这并不是一项新技术，在电脑刚刚普及的2000年初，就有方正OCR、尚书6号等大量光盘盗版软件存在(当时互联网还未普及，盗版软件分发主要靠光盘，一般买一张光盘比如WPS，里面会赠送N多的其他盗版软件)
二、OCR的难点
识别率：不仅要识别印刷的书本、现在更多的需求是识别照片中的文字，这些文字可能是印刷体也可能是手写体，甚至因为拍摄角度原因存在拉伸、模糊等各种变形的情况。
识别速度：在当今的时代，1秒到几秒左右的识别时间已经是用户能够忍受的极限了，若是识别速度慢再加上识别率低，基本上用户要说拜拜了。
三、OCR的发展
在之前，OCR领域主要以传统的识别算法为主，其标准流程包含文本检测、单字符分割、单字符识别、后处理等步骤。其处理的内容主要以印刷体文字为主。
大概是在2012、2013年，深度学习方法开始在图像视频领域大幅超越传统算法，并开始扩展到OCR领域，在此阶段，使用各种算法和大量的图片训练出自己独有的模型，才是技术的核心竞争力。
目前大多数厂商比如百度OCR，提供的都是在线API接口调用的方式来进行识别，这里需要注意的是由于识别速度的要求，上传图片是调用已经训练好的模型库来识别的，不是直接用各种AI算法跑一遍，当然这些图片在识别完以后也会被拿到百度后台进行训练，也就是说用的人越多，训练的图片就越多，模型库识别效果越好。
四、OCR实战
我们这里不谈文字识别的AI训练算法，我也不懂，我们只说实际过程中如何使用。
4.1 利用在线API接口识别
百度腾讯等接口都有免费额度可以使用，一般使用场景足够了，只需要去百度注册账号后获取一组APP ID信息，然后结合官方提供的SDK就可以使用了。
若是对于编程不熟的也可以使用网友封装好的软件
https://github.com/AnyListen/tianruoocr
我们来简单试一下，手写文本如下
识别后的文字如下
每个人的生命中，都该有一次，
为了某个人而忘了自己，不求有结
不求同行，不求留传拥有，基至求
包知流，只求在最轰的年鲜里，选见他。软件必须联网，经抓包分析，走的是搜狗API接口，看源代码中写了搜狗、百度、腾讯，应该是免费额度不足需要轮询使用多家。
类似的还有 https://github.com/AnyListen/tools-ocr
由于这些都是开源的，可以手动修改API接口厂商和里面的APP ID。
4.2 利用开源工具和模型库识别
上面的工具都需要联网，并且还需要免费额度，并且图片传递到互联网上很不安全，所以我们也有不需要联网的离线产品。
百度开源了飞桨PaddleOCR，在发布文档中对比了开源软件的对比情况
PaddleOCR除了本身包含了已经训练好的模型库以外，还支持自行部署服务器端，这个功能可以说是给企业用户大大的便利。
PaddleOCR本身不是一个可以直接打开的软件，有网友封装了exe软件，软件地址
https://gitee.com/lazytech_group/scr2txt
我们看下识别效果
每一个人的生命中，都左该有一次，
为了某个人师忘了自乙，不求有病子。
不求同行，不求曾给拥有，甚至不求
他知道，只求在最美的年华里，温见他大家看到了吧，对于印刷体来说，一般识别率都很高，手写体识别效果就一般了。
参考资料
https://cloud.tencent.com/developer/article/1588018
https://tech.meituan.com/2018/06/29/deep-learning-ocr.html
https://my.oschina.net/u/4067628/blog/4503775
转载请注明：IPCPU-网络之路 » 谈一谈OCR文字识别