移动端OCR文字识别框架设计
1. 简介
文字识别是研发人员研究的热点问题，应用广泛。近年来越来越完善的算法被提出，基于深度学习的方案，已经能够帮助大家较好的识别自然场景。但是在一些场合，我们需要识别特定文字，通过算法的优化与技巧，能够帮助我们降低算法的复杂度，将算法应用于移动端。
目前基于深度学习的方法，存在模型大，速度慢，内存占用高。移动端文字识别，大多采用将图片传输到服务器进行识别，获取返回的结果。自然场景的文字识别，泛华能力强，但是很多时候，对于特定的场景的文字识别，例如身份证识别，驾照，护照，发票等，有些大材小用的感觉。这里我们主要考虑将识别算法放进移动平台。近期智云视图也会开源一套移动端文字识别框架。
2. 相关工作
首先我们回顾一些文字识别的主要步骤与主流方法。传统的文字识别，通常对输入图片，进行预处理，包括亮度，对比度等。然后进行文字检测，接下来进行文字分割，对分割出来的文字逐一分类识别。传统方式的算法，对文字的分割方法要求较高，如果文字分布不规范，增加分割难度，很多时候导致识别不准确。
目前主流的算法大多基于深度学习，通过神经网络对图片中的文字进行定位，然后利用ctc loss端到端的进行识别。这种方式首先提高了定位的精度，另外由于不需要对文字进行分割，直接识别定位的文字，能够提高算法的适应性。
近几年提出的较好的定位算法包括：CTPN，TextBoxes, pixel-anchor, PSENET 等等。CTPN算法的提出，对后续研究帮助很大，但是算法计算量较大；TextBoxes采用SSD思想，速度快，文字定位不够精确，anchor的尺寸选择是一个难点。 PSENET算法效果不错，同样存在模型大的问题，可以考虑将主干网络修改为小型网络进行训练，降低计算量。
识别算法包括CRNN，CNN-LSTM，DenseNet-CTC等等，在开源的识别框架中，受限于数据的种类，通常算法在识别白底黑字文字效果不错，但是在识别反色图像，如黑底白字，蓝底白字等，效果不理想。我们一方片可以通过丰富数据进行提升，另外可以利用彩色图片进行训练，而不是采用灰度图像。
3. 我们的框架
我们最近设计了一款移动端基于特定模板的文字识别框架。对于移动端的文字识别应用，通常场景固定，不是对自然场景识别，另外识别文字较为固定，这些条件为我们进行准确率的优化与算法的加速提供了提升的途径。
这里我们以身份证、发票为例，简要概述一下我们的框架。
对于这种身份证样例，我们首先对输入图片进行定位，找到合适的四边形，进行定位校准。
因为身份证中，姓名、性别、住址等文字信息是固定的，使用者可以在使用之前，对模板进行标定，将固定文字部分框出来，这部分信息作为我们定位的辅助信息，然后我们利用改进的SSD算法进行文字定位，与辅助信息进行匹配，确定真实文字位置，最后将定位出来的文字送到识别网络，识别网络采用小型的分类网络，保证速度。同时，我们的文字识别，训练常用的一级字库中3700多个中文，确保算法在绝大多数的情况下可用。增加可识别文字数目也是可以的，但是有时会导致模型计算量的提升。
4. 后记
近期我们将该框架完善后，会开放出来与大家共享，同时欢迎大家能够帮助我们一起完善这个框架。