◆推薦序 ◆
文字識別(OCR)是視覺感知中一個重要的技術,目的是從照片中提取文字信息。這項技術有著廣泛的應用前景。比如,自動駕駛汽車路標識別,或把掃描文檔轉化成結構化的文字信息以方便檢索。近幾年來,隨著深度學習等技術的發展,文字識別相關技術取得了突破性進展,特別是場景文字的檢測、識別和結構化技術。這些技術的發展使得文字識別在工業界受到了廣泛關注。阿裡巴巴、騰訊、百度、谷歌、微軟等互聯網公司都有大規模的文字識別應用,提供了各式各樣的文字識別相關的服務。
本書繫統地介紹了文字識別的各類方法,內容翔實,包括圖像預處理、數據生成與增強、文字檢測、文字識別以及後處理和結構化等,這些方法是文字識別的基礎。同時,本書還介紹了學習這些方法所必需的一些基礎,比如,殘差神經網絡以及通用目標檢測技術。另外,本書詳細地介紹了這些方法具體的代碼實現,供讀者學習和使用。目前,關於文字識別的專業書籍還比較缺乏,本書將給廣大文字識別研究人員和應用人員帶來便利。
本書的作者在文字識別學術研究和產業應用方面有豐富的經驗,書中很好地融合了學術理論和產業化實踐。相信本書的出版對於文字識別技術的普及和發展會產生積極的作用。
——FCOS,CTPN模型作者,田值
前言
文字作為人類傳播文明、傳遞信息、記錄思想的重要載體,在我們的生活中占據著舉足輕重的地位,所以文字識別是目前受關注的AI技術之一。OCR技術應用非常廣泛,相較於圖像,文字作為抽像的符號,承載著大量的信息,所以識別文字有非常大的價值。從歷史角度看,文字識別是一門古老的技術,但是從實驗室走出來,走進人們的生活,也隻是近些年纔發生的事情。特別是在深度學習應用於文字識別領域後,文字識別精度逼近人工水平,發展出非常多的應用。
筆者作為機器視覺方面的從業者,在剛開始將的深度學習技術應用到文字識別時遇到很多困難,常常苦惱於市面上鮮有全面介紹文字識別實現原理和方法的資料,特別是中文書籍,即使有,所介紹的技術也非常落後,遠遠脫離產業以及學術前沿。隨著自己不斷地學習和嘗試,在反復試錯以及與同行交流後,慢慢掌握了其中的方法。為了幫助更多與我有相似經歷的人,我們幾位同事把基於深度學習的OCR方法整理出來,希望能幫助更多相關從業人員。
本書從OCR的出現講到中間經歷的傳統技術,再到的基於深度學習的技術,同時根據OCR常用技術流程——從數據、模型對文字的定位、識別到後處理等,對OCR技術做了一個深度梳理,帶領讀者進入一個引人入勝的文字識別智能世界,領略各種神經網絡的魅力及挑戰。
全書總共有10章,邏輯上分為四個部分。
部分(第1~3章),主要介紹傳統OCR技術。
第二部分(第4~6章),主要介紹OCR中一些基礎的組件和方法。
第三部分(第7~8章),主要跟蹤前沿的文字檢測和文字識別技術。
第四部分(第9~10章),主要介紹一些常用的後處理方法和版面分析方法。
本書在內容上盡可能涵蓋了OCR領域的基礎知識,在合著伙伴的組成上,有學術界梯隊的青年學者,同時也有產業界一線從業者,希望盡可能實現理論與實踐並重。
寫作分工
劉樹春編寫第1章、第5章、第6章、第10章。
賀盼編寫第7章。
馬建奇編寫第8章。
王佳軍編寫第9章。
謝雨飛編寫第3章。
陳明曦編寫第2章、第4章。
本書特點
本書具有如下特點:
1.作者有學術界的OCR研究者,也有工作在一線的OCR從業者,試圖做到理論與實踐結合。
2.涵蓋的知識面比較全,包括傳統的OCR方法以及的基於深度學習的OCR方法。
3.強化了對代碼的梳理,方便讀者實戰運行。
本書讀者
本書可作為OCR從業人士或者研究生的參考資料或者入門教程,用來了解OCR相關前沿技術。
感謝
本書在後期修訂中得到、張飛雲、劉樹芳、龍力等同仁的幫助。他們抽出寶貴的時間幫忙審閱,並提出了中肯的意見和建議。
感謝阿裡巴巴本地生活研究院提供的支持與幫助,特別是李佩博士與何田院士對我們工作的鼎力支持。
感謝機械工業出版社的編輯楊福川、張錫鵬和董惠芝,沒有他們的努力就沒有本書的順利出版。
後,感謝各位讀者朋友。
讀者服務
由於OCR領域的發展日新月異,本書無法做到在所有細分領域面面俱到。而且筆者筆力有限,書中會有很多不足的地方,還望讀者能夠幫忙指正,不勝感激,日後定將勤加修訂升級。
本書通過GitHub(https://github.com/ocrbook/ocrinaction)進行各種資源的交互,以及信息的反饋。
謝謝大家!
劉樹春