深度实践OCR：基于深度学习的文字识别

出版者:机械工业出版社

作者:刘树春

页数:324

出版时间:2020-5-20

价格:89.00元

装帧:平装

isbn号码:9787111654049

丛书系列:智能系统与技术丛书

具体描述

读者对象：

1.人工智能领域的技术工程师，尤其是从事图像识别和NLP的技术工程师；

2.专门研究OCR的专业人士或院校师生等。

这是一部融合了企业界先进工程实践经验和学术界前沿技术和思想的OCR著作。

本书由阿里巴巴本地生活研究院算法团队技术专家领衔，从组件、算法、实现、工程应用等维度系统讲解基于深度学习的OCR技术的原理和落地。书中一步步剖析了算法背后的数学原理，提供大量简洁的代码实现，帮助读者从零基础开始构建OCR算法。

全书共10章：

第1章从宏观角度介绍了ORC技术的发展历程、概念和产业应用；

第2章讲解了OCR的图像预处理方法；

第3~4章介绍了传统机器学习方法和深度学习的相关基础知识；

第5章讲解了基于传统方法和深度学习方法的OCR的数据生成；

第6章讲解了与OCR相关的一些高级深度学习方法，方便读者理解后续的检测和识别部分；

第7章讲解了文字的检测技术，从通用的目标检测到文字的检测，一步步加深读者对文字检测问题的认识；

第8章讨论了文字识别的相关技术，定位到文字的位置之后，需要对文字的内容进行进一步的解析；

第9章介绍了一些OCR后处理的方法；

第10章介绍了一些版面分析方法。

作者简介

刘树春

阿里巴巴本地生活研究院算法专家，前复旦七牛云联合实验室OCR算法负责人，在OCR相关技术的落地和实现方面有深入的研究和丰富的实践经验，在菜单识别、车牌检测识别、卡证识别、商业广告文字检测和识别、票据类识别等应用场景中积累了丰富的经验。曾经组队参加COCO竞赛、ICDAR刷榜等活动，并发表多篇顶级论文。

贺盼

佛罗里达大学在读博士，担任 CVPR、ICCV、ECCV等10多家国际顶会审稿人或程序委员，在场景文本领域发表过多篇国际顶尖会议论文 (DTRN、CTPN、SSTD等)。曾经在中科院先进技术研究院、港中文、旷世美国研究院等做过相关研究工作，对场景文本有深刻的认识，并且对场景文本学术前沿有很强的感知力。

马建奇

著名的RRPN算法的作者，发表过多篇国际顶尖会议论文，曾经在旷世研究院做过检测相关的工作，在上海高等研究院做过文字检测相关的工作，曾经组队参加过ICDAR 17 MLT比赛，获得前三名。曾获Facebook研究实习机会。目前即将开始修读博士学位，正在做文字识别相关的工作，对于OCR的问题有独到的见解。

王佳军

阿里巴巴本地生活研究院高级算法专家，负责本地生活研究院图像算法团队的管理、研发等工作，曾经在滴滴研究院做相关算法的研究。业余时间担任深度学习框架MXNet的技术专家，对实际算法的落地优化等有非常深入的耕耘，具有很强的OCR相关项目的落地能力。

谢雨飞

趣头条算法工程师，曾在七牛云做OCR、NLP相关算法的研究工作，发表过多篇国际顶尖论文。

陈明曦

纽约大学硕士研究生，曾在七牛云从事OCR相关工作，发表相关论文数篇。

目录信息

推荐序
前言
第1章　绪论 1
1.1　人工智能大潮中的OCR发展史 1
1.1.1　传统OCR方法一般流程 3
1.1.2　基于深度学习OCR方法一般流程 5
1.2　文字检测 6
1.3　文字识别 8
1.4　产业应用现状 10
1.5　本章小结 11
1.6　参考文献 11
第2章　图像预处理 13
2.1　二值化 13
2.1.1　全局阈值方法 13
2.1.2　局部阈值方法 17
2.1.3　基于深度学习的方法 20
2.1.4　其他方法 22
2.2　平滑去噪 26
2.2.1　空间滤波 26
2.2.2　小波阈值去噪 28
2.2.3　非局部方法 29
2.2.4　基于神经网络的方法 33
2.3　倾斜角检测和校正 35
2.3.1　霍夫变换 36
2.3.2　Radon 变换 38
2.3.3　基于 PCA 的方法 38
2.4　实战 39
2.5　参考文献 43
第3章　传统机器学习方法绪论 45
3.1　特征提取方法 45
3.1.1　基于结构形态的特征提取 45
3.1.2　基于几何分布的特征提取 61
3.2　分类方法模型 63
3.2.1　支持向量机 63
3.2.2　K近邻算法 65
3.2.3　多层感知器 70
3.3　实战：身份证号码的识别 71
3.3.1　核心代码 71
3.3.2　测试结果 78
3.4　本章小结 79
3.5　参考文献 79
第4章　深度学习基础知识 80
4.1　单层神经网络 80
4.1.1　神经元 80
4.1.2　感知机 81
4.2　双层神经网络 82
4.2.1　双层神经网络简介 82
4.2.2　常用的激活函数 83
4.2.3　反向传播算法 86
4.3　深度学习 87
4.3.1　卷积神经网络 88
4.3.2　常用优化算法 90
4.4　训练网络技巧 92
4.4.1　权值初始化 92
4.4.2　L1/L2正则化 93
4.4.3　Dropout 94
4.5　实战 95
4.6　参考文献 97
第5章　数据生成 99
5.1　背景介绍 99
5.2　传统单字OCR数据生成 100
5.3　基于深度学习的OCR数据生成 101
5.3.1　文字检测数据的生成 101
5.3.2　检测图片生成 103
5.3.3　其他方法 112
5.3.4　识别数据生成 113
5.4　通过GAN的技术生成数据 114
5.4.1　GAN背景介绍 114
5.4.2　GAN的原理 116
5.4.3　GAN的变种 117
5.5　图像增广 123
5.5.1　常用的图像增强方法 123
5.5.2　深度学习方法 126
5.6　常用的开源数据集 128
5.7　ICDAR的任务和数据集 131
5.8　本章小结 138
5.9　参考文献 138
第6章　深度学习高级方法 140
6.1　图像分类模型 140
6.1.1　LeNet5 140
6.1.2　AlexNet 142
6.1.3　VGGNet 143
6.1.4　GoogLeNet 144
6.1.5　ResNet 147
6.1.6　DenseNet 151
6.1.7　SENet 153
6.1.8　轻量化网络 154
6.2　循环神经网络 154
6.2.1　RNN网络 154
6.2.2　GRU 156
6.2.3　GRU的实现 158
6.2.4　LSTM网络 160
6.3　Seq2Seq 163
6.4　CTC Loss 164
6.4.1　算法详解 166
6.4.2　前向传播 168
6.4.3　后向传播 173
6.4.4　前向/后向算法 173
6.4.5　CTC算法特性 174
6.4.6　代码解析 175
6.5　Attention 178
6.6　本章小结 181
6.7　参考文献 182
第7章　文字检测 183
7.1　研究意义 183
7.2　目标检测方法 185
7.2.1　目标检测相关术语 186
7.2.2　传统检测方法 189
7.2.3　Two-stage 方法 195
7.2.4　One-stage 方法 210
7.3　文本检测方法 217
7.3.1　传统文本检测方法 217
7.3.2　基于深度学习的文本检测方法 222
7.4　本章小结 228
7.5　参考文献 228
第8章　字符识别 232
8.1　任务概览 232
8.2　数据集说明 233
8.2.1　数据集意义 233
8.2.2　常见识别数据集介绍 234
8.3　评测指标 238
8.3.1　编辑距离 239
8.3.2　归一化编辑距离 239
8.3.3　字符准确度 239
8.3.4　词准确率 239
8.3.5　语境相关的评测方式 239
8.4　主流算法介绍 240
8.4.1　传统光学方法 240
8.4.2　完全基于深度学习的方法 244
8.5　CRNN模型实战 274
8.5.1　简介 274
8.5.2　运行环境 274
8.5.3　测试部分讲解 274
8.5.4　测试运行结果 279
8.5.5　训练部分 279
8.5.6　用ICDAR2013数据集训练CRNN模型 282
8.6　本章小结 284
8.7　参考文献 285
第9章　OCR后处理方法 288
9.1　文本纠错 288
9.1.1　BK-tree 289
9.1.2　基于语言模型的中文纠错 293
9.2　文本结构化 297
9.2.1　模板匹配 298
9.2.2　文本分类 300
9.3　本章小结 304
9.4　参考文献 304
第10章　版面分析 306
10.1　版面分析详解 306
10.2　复杂版面识别 309
10.3　文档恢复 310
10.4　本章小结 311
10.5　参考文献 311
· · · · · · (收起)

用户评价

我一直觉得，学习技术最怕的就是“知其然不知其所以然”。很多时候，我们只需要调用一个现成的库，就能实现OCR功能，但如果我们不知道背后的原理，一旦遇到问题，就束手无策了。这本书恰恰解决了我的这个痛点。它不仅仅是告诉你怎么用，更重要的是告诉你“为什么这么用”。比如，在讲解模型架构时，它会深入剖析卷积神经网络（CNN）在文字识别中的作用，解释为什么特定的层和激活函数能够有效地捕捉文字的视觉特征。它还会探讨循环神经网络（RNN）和Transformer等序列模型如何处理文字的上下文信息，这让我对文字识别的“智能”有了更深层次的理解。

坦白说，在阅读这本书之前，我对OCR的理解还停留在比较基础的层面，认为它只是一个将图片转换为文本的工具。但通过这本书的学习，我才意识到OCR的背后是多么复杂的工程和精妙的算法。它不仅仅是简单的模式匹配，更是融合了计算机视觉、自然语言处理以及深度学习等多个领域的先进技术。这本书让我从一个“使用者”的角色，逐渐转变为一个能够“理解”和“创造”OCR解决方案的技术人员。

这本书的另一个亮点在于，它没有回避深度学习在OCR应用中的一些挑战和前沿问题。比如，书中花了不少篇幅来讨论模型的可解释性，以及如何利用注意力机制来提高模型的准确性和鲁棒性。这对于我理解模型的“黑箱”本质，以及如何进一步改进模型设计，提供了宝贵的思路。我特别喜欢它在讲解注意力机制时，通过可视化的方式展示模型是如何聚焦于图像中的关键区域，这让我对模型的工作方式有了更直观的感受。

《深度实践OCR：基于深度学习的文字识别》这本书，我拿到手的时候，就觉得它的分量不轻，不仅是书本本身的厚度，更重要的是它所承载的知识深度。我一直对OCR技术很感兴趣，但市面上很多书籍要么过于理论化，要么过于浅显，很难找到一本既能深入讲解原理，又能指导实际操作的。这本书的出现，简直就是我的福音。从它朴实无华的书名，我便能感受到一种脚踏实地的风格，没有华而不实的宣传，只有对技术本身的专注。在翻阅的过程中，我惊喜地发现，作者并没有直接抛出复杂的模型，而是循序渐进地带领读者理解OCR的整个流程，从图像预处理的细致考量，到特征提取的精妙设计，再到模型训练的实战技巧，每一步都讲解得格外清晰透彻。

总而言之，《深度实践OCR：基于深度学习的文字识别》这本书，是一本真正意义上的“实践”指南。它不仅仅是一本技术书籍，更是一本能够激发读者学习热情，并且帮助读者解决实际问题的“宝典”。我强烈推荐这本书给所有对OCR技术感兴趣的开发者、研究人员，以及任何希望深入了解深度学习在文字识别领域应用的读者。这本书绝对会超乎你的期待。

从这本书的整体结构来看，它提供了一个非常完整的OCR技术栈。从最基础的概念，到具体的模型实现，再到实际的应用部署，几乎涵盖了OCR领域的方方面面。这对于我这样一个希望全面掌握OCR技术的读者来说，无疑是一笔宝贵的财富。我可以根据自己的需求，在书中找到相关的章节进行深入学习，并且能够将学到的知识快速地应用到实际项目中。

这本书在案例的选取和讲解上，也让我印象深刻。它并没有局限于一些非常通用的公开数据集，而是深入到了各种复杂场景下的文字识别需求。我记得其中一个章节，详细讲解了如何在低质量、模糊、甚至有遮挡的图像中进行文字识别。这对于我目前正在进行的一个项目非常有启发性。我之前一直觉得，对于这种“残缺”的图像，OCR是很难有好的表现的，但通过书中的方法，比如数据增强的技巧，以及针对性地优化模型对噪声的鲁棒性，我看到了显著的提升。这种理论与实践相结合的讲解方式，让我在学习过程中充满了成就感。

我印象非常深刻的是，书中关于数据预处理和后处理的讲解。我以前总是觉得，图像的质量直接决定了OCR的效果，如果图像质量不好，那么OCR就很难有好的结果。但是，这本书让我看到了通过巧妙的数据增强和后处理技巧，可以极大地提升OCR的准确率，即使在原始图像质量不高的情况下。这就像是给OCR算法注入了“灵魂”，让它能够更好地理解和适应现实世界中的各种不确定性。

作为一名深度学习的实践者，我尤其关注书中关于模型训练和调优的部分。这本书在这方面的内容非常扎实，它不仅仅罗列了各种超参数，还深入分析了不同超参数对模型性能的影响，以及如何根据具体任务和数据集来选择最优的参数组合。我特别赞赏作者在讲解损失函数和优化器时，没有仅仅停留在概念层面，而是通过实例展示了它们在实际训练中的作用，比如如何通过调整学习率来加速收敛，或者如何选择合适的优化器来避免陷入局部最优。这些都是我以往在自学过程中常常会遇到的难题。

阅读这本书的过程，就像是在与一位经验丰富的导师对话。作者在行文中，总是能够用清晰易懂的语言，将复杂的概念解释清楚，同时又不失严谨性。即使我遇到了一些我不熟悉的技术名词，通过书中详尽的解释和相关的参考文献，我也能够快速地理解其含义。这种润物细无声的学习体验，是我在其他技术书籍中很少遇到的。

还是非常不错的一本书，内容还是相对全面的。

还是非常不错的一本书，内容还是相对全面的。

还是非常不错的一本书，内容还是相对全面的。

还是非常不错的一本书，内容还是相对全面的。

还是非常不错的一本书，内容还是相对全面的。