关键词：OCR、Paddle.js、PaddleOCR

01 前言

OCR（Optical Character Recognition，光学字符辨认）是文字辨认的统称，不只支撑文档或书本文字辨认，还包括辨认天然场景下的文字，又可以称为 STR（Scene Text Recognition）。

OCR 文字辨认一般包括两个部分，文本检测和文本辨认；文本检测首先运用检测算法检测出图画中的文本行；然后检测到的文本行用辨认算法去辨认出具体文字。

OCR SDK（@paddlejs-models/ocr） 所依靠的技术首要包括两大部分：百度开源的超轻量级文字辨认模型套件 PaddleOCR 和依据 JavaScript 的前端深度学习推理引擎 Paddle.js。接下来将对 PaddleOCR 和 @paddlejs-models/ocr 进行详细介绍。

02 PaddleOCR

PaddleOCR 是百度开源的超轻量级文字辨认模型套件，供给了数十种文本检测、辨认模型，旨在打造一套丰厚、领先、有用的文字检测、辨认模型/东西库，助力运用者练习出更好的模型，并应用落地。目前，不只开源了超轻量 8.6M 中英文模型，而且用户可以自定义练习，运用自己的数据集 Fine-tune 一下就能到达非常好的作用。而且供给了多种硬件推理（服务器端、移动端、嵌入式端等全支撑）的一整套部署东西，是 OCR 文字辨认范畴工业级应用的绝佳挑选。

在 Paddle.js 结构内运用的模型是：ch_PP-OCRv2_det_infer 文本检测推理模型和 ch_PP-OCRv2_rec_infer 文本辨认推理模型。

关于之前 PP-OCR 版别模型，首要有三个方面提升：

1. 在模型作用上，相关于 PP-OCR mobile 版别提升超 7%；

2. 在速度上，相关于 PP-OCR server 版别提升超越 220%；

3. 在模型巨细上，11.6M 的总巨细，服务器端和移动端都可以轻松部署。

GitHub 项目: github.com/PaddlePaddl…

03 @paddlejs-models/ocr

@paddlejs-models/ocr 是运行在浏览器端的模型 SDK，供给文本辨认 AI 才能。SDK 封装两个API：init（模型初始化）和 recognize（文本辨认），中心代码如下：

import * as ocr from '@paddlejs-models/ocr';
// 模型初始化
await ocr.init();
// 获取文本辨认成果API，img为用户上传图片，option为可选参数 
// option.canvas as HTMLElementCanvas：若用户需求制作文本框选区域，传入canvas元素
// option.style as object：若用户需求配置canvas 样式，传入style 目标
// option.style.strokeStyle as string：文本框选色彩
// option.style.lineWidth as number：文本框选线段宽度
// option.style.fillStyle as string：文本框选填充色彩
const res = await ocr.recognize(img, option?);
// 辨认文字成果
console.log(res.text);
// 文本区域坐标
console.log(res.points);import * as ocr from '@paddlejs-models/ocr';
// 模型初始化
await ocr.init();
// 获取文本辨认成果API，img为用户上传图片，option为可选参数 
// option.canvas as HTMLElementCanvas：若用户需求制作文本框选区域，传入canvas元素
// option.style as object：若用户需求配置canvas 样式，传入style 目标
// option.style.strokeStyle as string：文本框选色彩
// option.style.lineWidth as number：文本框选线段宽度
// option.style.fillStyle as string：文本框选填充色彩
const res = await ocr.recognize(img, option?);
// 辨认文字成果
console.log(res.text);
// 文本区域坐标
console.log(res.points);

GitHub 项目:

github.com/PaddlePaddl…

丨全体流程图

丨模型转化

paddlejsconverter 是适用于 Paddle.js 的模型转化东西，其作用是将 PaddlePaddle 模型转化为浏览器友爱的格式，以供 Paddle.js 在浏览器等环境中加载猜测运用。

东西装置指令：

pip3 install paddlejsconverter

东西运用指令：

# paddle_model_file_path 为ocr_det/ocr_rec PaddlePaddle模型本地途径
# paddle_param_file_path 为ocr_det/ocr_rec PaddlePaddle模型参数本地途径
# paddlejs_model_directory 为转化完结的paddlejs模型本地途径（开发者自定义）
paddlejsconverter  \
--modelPath=<paddle_model_file_path> \
--paramPath=<paddle_param_file_path> \
--outputDir=<paddlejs_model_directory>

丨模型初始化

模型初始化模块首先会加载 ocr_det 文本检测模型和 ocr_rec 文本辨认模型，并行履行模型预热逻辑，削减模型预热时刻。模型初始化首要完结如下：

detectRunner = new Runner({
    modelPath: 'https://paddlejs.bj.bcebos.com/models/ocr_det_new',
    mean: [0.485, 0.456, 0.406],
    std: [0.229, 0.224, 0.225],
    bgr: true
});
const detectInit = detectRunner.init();
recRunner = new Runner({
    modelPath: 'https://paddlejs.bj.bcebos.com/models/ocr_rec_new',
    mean: [0.5, 0.5, 0.5],
    std: [0.5, 0.5, 0.5],
    bgr: true
});
const recInit = recRunner.init();
return await Promise.all([detectInit, recInit]);

Runner.init API 首要完结模型加载、神经网络生成以及模型预热进程，因为我们运用 WebGL backend 核算，所以在预热进程中需求完结着色器（shader）编译以及权重数据上传至纹路（texture）。

丨模型推理运行时

1. 文本检测

ocr_det 文本检测模型用于检测图片内文本所在区域，回来每个文本框选区域的坐标点。

预处理

预处理是将原图巨细按照模型输入 shape [1, 3, 960, 960] 缩放至 960 * 960。

• 对长图处理：

• 对宽图处理：

推理

模型推理进程同 Paddle.js 部分，详见GitHub：github.com/PaddlePaddl…

模型后处理选用 DB（可微二值化）算法，具体核算进程如下：

• 依据二值化图画获取一切文本框概括

• 依据概括信息获取最小外接矩形，回来矩形的极点坐标和宽高最小值

• 依据二值化图画和矩形框坐标核算矩形框的置信度

• 扩张文本框巨细，回来扩张后的概括信息

• 依据扩张后的概括信息核算最小外接矩形

• 将终究的矩形框映射回原图，获取矩形框的极点坐标

2. 文本辨认

ocr_rec 模型选用 CRNN 算法，该算法的首要思想是以为文本辨认是针对序列进行猜测，所以选用了猜测序列常用的 RNN 网络。算法经过 CNN（卷积层）提取图片特征，然后选用 RNN（循环层）对序列进行猜测，终究运用 CTC（转录层）得到文本序列。

预处理

ocr_rec 模型输入 shape 为 [1, 3, 32, 100]，模型推理前会对图片文本框选区域进行处理：图片文本框选区域宽高比 <= 100 / 32，对缺省部分进行 #000 填充；框选区域宽高比 > 100 / 32，对框选区域按宽度进行裁剪。终究传入辨认模型的图片宽高比为 100 : 32。以下图文本框为例：

推理

将预处理过后的图片传入 Paddle.js 结构引擎中，进行模型推理核算，得到文本序列置信度列表，在字典中查找置信度最大值索引对应的字符，完结文字辨认。

在模型推理进程中，中心算法为 RNN。RNN 是循环神经网络，由输入层、隐藏层和输出层组成，擅长对序列数据进行处理。

t时刻，输入层为xt，隐藏层为st，输出层为ot。从上图可知，st的值不只仅取决于输入层xt，还取决于t−1时刻的隐藏层st−1。核算公式如下：

因为 RNN 有梯度消失问题，不能获取更多上下文信息，所以 CRNN 中运用的是 LSTM（Long Short Term Memory），LSTM 是一种特殊的 RNN，可以保存长时间的依靠联系。

依据图画的序列，两个方向的上下文是相互有用且互补的。因为 LSTM 是单向的，所以将两个 LSTM，一个向前和一个向后组合到一个双向 LSTM 中。此外，可以堆叠多层双向 LSTM。ch_PP-OCRv2_rec_infer 辨认模型就是运用的双层双向 LSTM 结构。核算进程如下图所示：

丨作用展现

05 Benchmark

评价环境：

• MacBook Pro A2141（16英寸/i7/16G/512GSSD）

• 评价耗时阶段为图画猜测耗时，不包括图画的预处理和后处理

• 针对OCR实际应用场景，随机搜集的50张图画

• 浏览器环境

模型称号	ch_ppocr_mobile	ch_PP-OCRv2
检测耗时(WebGL)	139ms	258ms
辨认耗时(WebGL)	254ms	60ms
全体辨认F-score	0.503	0.5224
检测模型巨细	2.6M	3M
辨认模型巨细	4.6M	8.6M