Python-基于tensorflowkeraspytorch实现对自然场景的文字检测及端到端的OCR中文文字识别

# 本文基于tensorflow、keras/pytorch实现对自然场景的文字检测及端到端的OCR中文文字识别 # update20190706 - 为解决本项目中对数学公式预测的准确性，做了其他的改进和尝试，效果还不错，https://github.com/xiaofengShi/Image2Katex 希望能有所帮助，另外，这几月换了工作，并且转了方向，还是cv方向，不过不做ocr相关了，目前主要做显著目标检测以及搜索意图相关，对repo的提问回答较慢，请见谅。 # 实现功能 - 文字方向检测 0、90、180、270度检测 - 文字检测 后期将切换到keras版本文本检测 实现keras端到端的文本检测及识别 - 不定长OCR识别 ## 环境部署 ``` Bash ##GPU环境 sh setup.sh ## CPU环境 sh setup-cpu.sh ##CPU python3环境 sh setup-python3.sh 使用环境：python3.6+tensorflow1.7+cpu/gpu ``` # 模型训练 * 一共分为3个网络 **1. 文本方向检测网络-Classify(vgg16)** * **2. 文本区域检测网络-CTPN(CNN+RNN)** * **3. EndToEnd文本识别网络-CRNN(CNN+GRU/LSTM+CTC)** # 文字方向检测-vgg分类 ```bash 基于图像分类，在VGG16模型的基础上，训练0、90、180、270度检测的分类模型. 详细代码参考angle/predict.py文件，训练图片8000张，准确率88.23% ``` 模型地址[BaiduCloud](https://pan.baidu.com/s/1zquQNdO0MUsLMsuwxbgPYg) # 文字区域检测CTPN 关于ctpn网络，网上有很多对其进行介绍讲解的，算法是2016年提出的，在印书体识别用的很多，本人也写过一篇相应的博文[深度学习-TextDetection](http://xiaofengshi.com/2019/01/23/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0-TextDetection/)，在文章中结合本repo的代码对ctpn的原理进行了详细的讲解。CTPN网路结构如下  ctpn是一种基于目标检测方法的文本检测模型，在本repo的ctpn中anchor的设置为固定宽度，高度不同，相关代码如下： ```python def generate_anchors(base_size=16, ratios=[0.5, 1, 2], scales=2 ** np.arange(3, 6)): heights = [11, 16, 23, 33, 48, 68, 97, 139, 198, 283] widths = [16] sizes = [] for h in heights: for w in widths: sizes.append((h, w)) return generate_basic_anchors(sizes) ``` 基于这种设置，ctpn只能检测水平方向的文本，如果想要ctpn可以支持垂直文本检测，可以在anchor生成函数上进行修改。更详细的内容可以参考博客讲解。 # OCR 端到端识别:CRNN ## ocr识别采用GRU+CTC端到到识别技术，实现不分隔识别不定长文字 提供keras 与pytorch版本的训练代码，在理解keras的基础上，可以切换到pytorch版本，此版本更稳定 - 此外参考了了tensorflow版本的资源仓库：[TF:LSTM-CTC_loss](https://github.com/xiaofengShi/CTC_TF) ## 为什么使用ctc ctc是一种解码机制，在使用ctpn提取到待检测文本行之后，我们要识别提取到的区域内的文本内容，目前广泛存在两种解码机制。 一种是seq2seq机制，输入的是图像，经过卷积编码之后再使用RNN解码，为了提高识别的准确率，一般会加入attention机制。 另一种就是ctc解码机制，但是对于ctc解码要满足一个前提，那就是输入序列的长度不小于输出序列的长度。ctc主要用于序列解码，我们不需要对序列中的每个元素进行标记，只需要知道输入序列对应的整个label是什么即可，针对ocr项目，也就是输入一张图像上面写着“欢迎来到中国”这几个字，我们只需要是这几个字，而没必要知道这几个字在输入图像中所在的具体位置，实际上如果知道每个字所在的位置，就是单字符识别了，的确会降低任务的复杂多，但是现实中我们没有这么多标记号位置的数据，这个时候CTC就显得很重要了。关于ctc解码机制，本人同样谢了一个对应的博客[CTC算法原理](http://xiaofengshi.com/2019/02/14/CTC%E7%AE%97%E6%B3%95%E5%8E%9F%E7%90%86/)，在文章中进行了详细的讲解，，如有疑问，请提交提问。 本repo中使用的是CNN+RNN+CTC的机制，实际上可以使用CNN+CTC的机制，CNN推荐选择densenet或者resnet # 使用说明 ## 使用预训练测试 ``` 运行demo.py 写入测试图片的路径即可，如果想要显示ctpn的结果，修改文件./ctpn/ctpn/other.py 的draw_boxes函数的最后部分，cv2.inwrite('dest_path',img)，如此，可以得到ctpn检测的文字区域框以及图像的ocr识别结果 ``` ## 使用自己的数据训练 ### 1 对ctpn进行训练 * 定位到路径--./ctpn/ctpn/train_net.py * 预训练的vgg网络路径[VGG_imagenet.npy](https://pan.baidu.com/s/1JO_ZojA5bkmJZsnxsShgkg) 将预训练权重下载下来，pretrained_model指向该路径即可, 此外整个模型的预训练权重[checkpoint](https://pan.baidu.com/s/1aT-vHgq7nvLy4M_T6SwR1Q) * ctpn数据集[还是百度云](https://pan.baidu.com/s/1NXFmdP_OgRF42xfHXUhBHQ) 数据集下载完成并解压后，将.ctpn/lib/datasets/pascal_voc.py 文件中的pascal_voc 类中的参数self.devkit_path指向数据集的路径即可 ### 2 对crnn进行训练 * keras版本 ./train/keras_train/train_batch.py model_path--指向预训练权重位置 MODEL_PATH---指向模型训练保存的位置 [keras模型预训练权重](https://pan.baidu.com/s/1vTG6-i_bFMWxQ_7xF06usg) * pythorch版本./train/pytorch-train/crnn_main.py ``` parser.add_argument( '--crnn', help="path to crnn (to continue training)", default=预训练权重的路径，看你下载的预训练权重在哪啦) parser.add_argument( '--experiment', help='Where to store samples and models', default=模型训练的权重保存位置,这个自己指定) ``` [pytorch预训练权重](https://pan.baidu.com/s/1LEDNHEr3luloB7eZK6GOeA) # 识别结果展示 ## 文字检测及OCR识别结果  `===========================================================`  `===========================================================`  主要是因为训练的时候，只包含中文和英文字母，因此很多公式结构是识别不出来的 ### 看看纯文字的  `===========================================================`  `===========================================================`  # 未完待续 ### tensorflow版本crnn，计划尝试当前的各种trick(dropuout,bn,learning_decay等) ``` 可以看到，对于纯文字的识别结果还是阔以的呢，感觉可以在crnn网络在加以改进，现在的crnn中的cnn有点浅， 并且rnn层为单层双向+attention，目前正在针对这个地方进行改动，使用迁移学习，以restnet为特征提取层， 使用多层双向动态rnn+attention+ctc的机制，将模型加深，目前正在进行模型搭建，结果好的话就发上来，不好的话只能凉凉了~~~~ ``` ## 训练数据集补充 列举可用于文本检测和识别领域模型训练的一些大型公开数据集， 不涉及仅用于模型fine-tune任务的小型数据集。 ### **Chinese Text in the Wild(CTW)** 该数据集包含32285张图像，1018402个中文字符(来自于腾讯街景), 包含平面文本，凸起文本，城市文本，农村文本，低亮度文本，远处文本，部分遮挡文本。图像大小2048*2048，数据集大小为31GB。以(8:1:1)的比例将数据集分为训练集(25887张图像，812872个汉字)，测试集(3269张图像，103519个汉字)，验证集(3129张图像，103519个汉字)。 ``` 文献链接：https://arxiv.org/pdf/1803.00085.pdf 数据集下载地址：https://ctwdataset.github.io/ ``` ### **Reading Chinese Text in the Wild(RCTW-17)** 该数据集包含12263张图像，训练集8034张，�