1.3 文字识别

文字识别的目标是对定位好的文字区域进行识别，主要解决的是将一串文字图片转录为对应的字符的问题。深度学习和文字识别有很深的渊源。在深度学习还未成为热门研究对象之前，文字识别技术就一直在使用卷积神经网络和循环神经网络。比如在深度学习体系中占据重要地位的LeNet5网络就应用在OCR上，序列化模型LSTM、BLSTM和CTC Loss[15-16]也很早就被应用在手写英文的识别中。随着2012年深度学习大发展，各种新的深度学习技术也促进了文字识别技术的发展。

常用的文字识别框架主要有两个，即CNN+RNN+CTC[8][13]和CNN+Seq2Seq+Attention，如图1-8所示。

图1-8 CRNN和CNN+Seq2Seq+Attention方法

注意：CRN N[13]（Convolutio nal Recurrent Neural Network）是白翔教授等提出的端到端方法，是目前主流的图文识别模型，可以识别比较长的文本序列，包含CNN特征提取层和BLSTM序列特征提取层，能够进行端到端的联合训练。同时，CRNN利用Bi-LSTM和CTC Loss学习文字的上下文关系，从而提升了文字的识别率，使得模型更加健壮。CNN+Seq2Seq+Attention相较于CRNN的区别是，其主要使用Seq2Seq+Attention，可以用于解决多对多的映射，同时利用最新的Attention技术，提升了文字的识别率。Attention在英文识别上的效果非常好，但是在中文识别上的效果不稳定且算力开销大，所以工业界还是使用CTC居多。

二者的结构差不多，前面的编码器CNN主要用于编码提取特征，后续的解码器RNN+CTC以及Seq2Seq+Attention有所区别。近年来，文字识别研究热点也慢慢朝更难的弯曲文本转移。针对弯曲文本，有的方法从矫正的角度处理，例如STN矫正方法[11]、TP S[12]变换找控制点方法等，还有的方法直接从2D的角度直接解析，例如2D的CTC、Attention等。除此之外，针对类别多的问题也有一些新的方法，比如张建树博士[14]提出的基于偏旁部首的方法。当然还有很多其他算法，在后续章节中笔者会对一些经典方法做更详细的介绍。大致梳理的文字识别方法分布如图1-9所示。

图1-9 文字识别方法