图片文字识别OCR调研-中文

news2024/9/21 23:30:49

直接看效果对比

tesseract-ocr

该识别引擎最新版本tesseract4添加了支持神经网络（LSTM）的，该引擎专注于线条识别，同时也保留了Tesseract OCR 引擎，该引擎通过识别字符模式来工作。
我们需求端的后台语言是go，因此我选择了tesseract-ocr/tesseract 的go语言版本------gosseract 来体验识别效果，我是直接下载了web版本来部署：https://github.com/otiai10/ocrserver，部署后的识别效果如下图。
在这里插入图片描述
可以看到中文的识别能力一般，很多地方非常方正的中文也识别错了。
注意

要能识别中文的话需要安装中文训练模型，下载地址
https://github.com/tesseract-ocr/tessdata
中文语言不支持命令行安装

apt-get install apt-get install -y tesseract-ocr-chi-sim

因此需要手动下载，下载后修改Dockerfile文件，将中文预料模型安装到指定位置

FROM debian:bullseye-slim
LABEL maintainer="otiai10 <otiai10@gmail.com>"

#ARG LOAD_LANG=chi_sim

RUN apt update \
    && apt install -y \
      ca-certificates \
      libtesseract-dev=4.1.1-2.1 \
      tesseract-ocr=4.1.1-2.1 \
      golang=2:1.15~1

ENV GO111MODULE=on
ENV GOPATH=${HOME}/go
ENV PATH=${PATH}:${GOPATH}/bin
## 将模型copy到指定的路径下
ENV TESSDATA_PREFIX=/usr/share/tesseract-ocr/4.00/tessdata/
COPY ./tessdata/chi_sim.traineddata ${TESSDATA_PREFIX}chi_sim.traineddata 
ADD . $GOPATH/src/github.com/otiai10/ocrserver
WORKDIR $GOPATH/src/github.com/otiai10/ocrserver
RUN go get -v ./... && go install .

# Load languages
RUN if [ -n "${LOAD_LANG}" ]; then apt-get install -y tesseract-ocr-${LOAD_LANG}; fi

ENV PORT=8080
CMD ["ocrserver"]

TrWebOCR

这是一款国内作者开源的专门用于中文识别，clone下来后安装依赖包后就可以直接跑起来了。
我的是centOS 8.x系统，安装python依赖后运行出现了一下错误：

ImportError: libSM.so.6: cannot open shared object file: No such file or directory

缺少依赖包，安装sudo yum install libXext libSM libXrender 后解决，其他系统可以参考，这个回答：

https://stackoverflow.com/questions/47113029/importerror-libsm-so-6-cannot-open-shared-object-file-no-such-file-or-directo

运行后的效果如下图：

对比之前tesseract-ocr效果有比较明显的进步，特别是中文识别的效果好很多，tesseract-ocr识别错的地方，例如我的名字，还有编字这边都没有问题。

腾讯云OCR识别

体验demo入口：https://cloud.tencent.com/act/event/ocrdemo，腾讯云OCR识别能力和TrWebOCR比感觉更好点，特别是签名的文字除了姓其他2个字都对了，而TrWebOCR就差别有点大，英文的识别腾讯云的OCR效果也更好些，上面👆的Tencent就识别成了Tencenf, 而腾讯云都是正确的。
在这里插入图片描述