OCR ── Optical Character Recognition 电子设备传感器光学字符识别

OCR 是英文 Optical Character Recognition 的简写，中文译为 “光学字符识别”。OCR 是指电子设备（譬如：扫描仪）或传感器 (譬如：视觉传感器) 先通过检测印刷字符明、暗确定字符形状，然后再用字符识别方法将字符形状翻译成计算机文字的过程。即：针对印刷字符，采用光学方式将纸质文档文字转换成黑白点阵图像文件，再通过自动识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑、处理的技术。

OCR 识别文本时，图片质量一般建议 150dpi 以上。OCR 对彩色图片识别较差，黑白图片识别较好；因此，建议采用黑白图片。OCR 对印刷字体识别较好，手写识别较差。

如何除错或利用辅助信息提高识别正确率，是 OCR 最重要的课题，ICR（Intelligent Character Recognition）名词也因此而产生。衡量一个 OCR 系统性能好坏的主要指标，包括：拒识率、误识率、识别速度、用户界面友好性、产品稳定性、易用性及可行性等。

OCR 概念由德国科学家 Tausheck 于 1929 年最先提出，之后，美国科学家 Handel 也提出了利用技术对文字进行识别的想法。而最早对印刷汉字识别进行研究的是 IBM 公司的 Casey 和 Nagy，1966 年他们发表了第一篇关于汉字识别的文章，采用模板匹配法识别了 1000 个印刷体汉字。

60、70 年代世界各国开始对 OCR 进行研究；初期，多以研究文字识别方法为主，且识别文字仅为 0 至 9 的数字。以同样拥有方块文字的日本为例，1960 年左右开始研究 OCR 基本识别理论，初期以数字为研究对象，直至 1965 至 1970 年才开始有一些简单产品。譬如：印刷文字邮政编码识别系统，能识别邮件上的邮政编码，帮助邮局进行区域分信作业。因此，邮政编码至今一直是各国所倡导的地址书写方式。

20 世纪 70 年代初，日本学者开始研究汉字识别，并做了大量工作。中国在 OCR 技术方面的研究工作起步较晚，70 年代开始对数字、英文字母及符号的识别进行研究，70 年代末才开始进行汉字识别的研究，到 1986 年我国提出 “863” 高新科技研究计划，汉字识别研究进入一个实质性阶段。此时，清华大学的丁晓青教授和中科院分别开发研究，相继推出了中文 OCR 产品，现为中国最领先汉字 OCR 技术。早期的 OCR 软件，由于识别率及产品化等多方面的因素，未能达到实际要求。同时，由于硬件设备成本高，运行速度慢，也没有达到实用程度。只有个别部门，譬如：信息部门、新闻出版单位等使用 OCR 软件。进入 20 世纪 90 年代后，随着平台式扫描仪的广泛应用，及我国信息自动化和办公自动化的普及，大大推动了 OCR 技术的进一步发展，OCR 识别正确率、识别速度满足了广大用户的要求。

由于扫描仪的普及与广泛应用，OCR 软件只需提供与扫描仪的连通接口，利用扫描仪驱动软件即可。因此，OCR 软件主要由以下几个部分构成：

01、图像输入、预处理

图像输入时，不同图像格式有着不同的存储、压缩方式；目前有 OpenCV、CxImage 等自由、开源项目。预处理功能主要包括：二值化、消除噪波、倾斜校正等。

二值化：摄像头拍摄的图片，大多数是彩色图像。彩色图像所含信息量巨大，图片内容可简单的分为前景与背景。为让计算机更快、更好识别文字，我们需对彩色图进行处理，使图片只有前景与背景信息，可简单的定义前景信息为黑色，背景信息为白色，这就是二值化图。

消除噪波：由于待识别图像的品质受限于输入设备、环境、及文档印刷质量，在对图像印刷字符进行识别处理前，需根据噪波的特征对识别图像进行去噪处理，提升识别处理精确度。不同文档噪波的定义是不同，可根据噪波的不同特征进行去噪。

倾斜校正：由于在文档拍照时，都比较随意，因此拍出来的图片不可避免的会产生倾斜，这就需要文字识别软件对图片进行校正。

02、版面分析

把文档图片分行、分段落。由于实际文档的多样性、复杂性，因此，目前还没有一个固定、最优的切割模式。

03、字符切割

由于拍照条件的限制，经常会造成字符粘连、断笔；因此，极大限制了识别系统的性能，这就需要文字识别软件有字符切割功能。

04、字符识别

最先有采用模板匹配，后来以特征提取为主。由于文字会偏移、笔画有粗细、断笔、粘连、旋转等因素的影响，极大增加了特征提取的难度。

05、版面恢复

人们希望识别后的文字，仍然能像原文档图片那样排列，包括：段落不变、位置不变、顺序不变的输出到 word 或 pdf 文档等。

06、后期处理、校对

根据特定语言上下文关系，对识别结果进行校正。

OCR 识别系统目的很简单，就是先把影像作一个转换，使影像内的图形继续保存、有表格则表格内资料及影像内的文字，一律变成计算机文字，以达到影像资料的储存量减少、识别出的文字可再用及可分析、可编辑，当然也可节省因键盘输入的人力与时间。

从影像到结果输出，工作须经过：影像输入、影像预处理、文字特征抽取、比对识别、最后经人工校正将认错的文字更正、输出结果。

01、影像输入

要经过 OCR 处理的标的物须先透过光学仪器 (譬如：影像扫描仪、传真机、视觉传感器) 将影像输入计算机。

02、影像预处理

影像预处理是 OCR 系统中，须解决问题最多的一块。须先分离图片、表格、文字区域，甚至要将文章的编排方向、文章提纲及内容主体区分开；文字大小及文字字体可如原文件一样被判断出来。具体工作包括：二值化、消除噪波、倾斜校正等。

03、文字特征抽取

单以识别率而言，特征抽取是 OCR 核心，用什么特征、怎么抽取，直接影响识别的好坏；所以，在 OCR 研究初期，特征抽取研究报告特别多。而特征可说是识别的筹码，简易区分为 2 类：

1）统计特征，譬如：文字区域内的 黑/白 点数比。当把文字区分成好几个区域时，这一个个区域的黑/白点数比的联合，就成了空间中的一个数值向量。在比对时，基本数学理论就足以应付。

2）结构特征，譬如：文字影像细线化后，取得文字的笔划端点、交叉点之数量及位置，或以笔划段为特征，配合特殊比对方法，进行比对。市面上的线上手写输入软件的识别方法，多以此种结构的方法为主。

04、比对识别

1）提取数据库：当输入文字算完特征后，不管是用统计或结构特征抽取法，都须有一比对数据库或特征数据库来进行比对。数据库的内容应包含所有要识别的字符集文字，根据与输入文字一样的特征抽取法所得的特征群组。

2）方法函数：根据不同的特征特性，可选用不同的数学距离函数，较有名的比对方法有：欧式空间比对法、松弛比对法（Relaxation）、动态程序比对法（Dynamic Programming，DP）、类神经网络数据库建立及比对、HMM（Hidden Markov Mode）、l等著名方法。为使识别结果更稳定，也有所谓的专家系统（Experts System），利用各种特征比对法的相异互补性，提高识别结果信心度。

3）字词后处理：由于 OCR 识别无法达到百分之百。若想加强比对的正确性及信心值，一些除错或辅帮更正功能是 OCR 系统中必要的。字词后处理就是一例，利用比对后的识别文字与其可能的相似候选字群，根据前后识别文字找出最合乎逻辑的词，做相应更正。

4）字词数据库：为字词后处理功能建立的词库。

05、人工校正

OCR 识别的最后关卡，在此之前，使用者可能只是拿着鼠标，跟着软件工作流程操作或仅是观看；而在此，有可能须特别花使用者的精神与时间，去更正甚至寻找可能是 OCR 识别出错的地方。

一个好的 OCR 软件，除有一个稳定的影像处理、识别核心，以降低错误率外，人工校正操作流程及功能，亦影响 OCR 的处理效率。因此，文字影像与识别文字的对照，及其屏幕信息摆放的位置、还有每一识别文字的候选字功能、拒认字的功能、及字词后处理后特意标示出可能有问题的字词，都是为使用者尽量少使用键盘的一种功能设计。当然，不是说系统没显示出的文字就一定正确，就像完全由键盘输入的工作人员也会有出错的时候，这时需重新校正一次或允许出现少许错误，但要看使用单位的具体要求。

06、输出结果

有时，只要文本文件能部分重用即可；但是，一般的文本文件有人要漂漂亮亮的和输入文件一模一样，所以需原文重现。有人注重表格文字，所以要和 Excel 等软件结合。无论怎么变化，都只是输出档案格式的变化而已。如需还原成原文一样的格式，则在识别后，需人工排版，耗时耗力。