Оптическое распознавание символов: технологии и ошибки¶

Оптическое распознавание символов (англ. optical character recognition, OCR) — технология автоматического преобразования изображений текста (сканов, фотографий, кадров видео) в машиночитаемый символьный формат. Относится к области компьютерного зрения и обработки изображений; применяется для оцифровки документов, автоматизации ввода данных, распознавания номеров, банковских карт и рукописных записей.

¶Принцип работы

Типовой конвейер OCR включает несколько этапов:

Предобработка — перевод в оттенки серого, бинаризация, устранение шума, выравнивание наклона и перспективных искажений.
Сегментация — выделение строк, слов и отдельных символов; на этом этапе часто применяется анализ проекций и связных компонент.
Извлечение признаков — описание каждого символа набором характеристик (контуры, моменты, гистограммы направленных градиентов).
Классификация — сопоставление признаков с эталонными классами символов.
Постобработка — коррекция результата с помощью словарей, языковых моделей и правил орфографии.

¶Методы распознавания

Метод	Суть	Особенности
Шаблонный	Сравнение с эталонными изображениями символов	Прост, но чувствителен к шрифту и искажениям
Признаковый	Классификация по выделенным признакам (метод ближайших соседей, SVM)	Устойчивее к вариациям начертания
Нейросетевой	Свёрточные и рекуррентные сети, модели seq2seq	Высокая точность, требует больших обучающих выборок
Гибридный	Сочетание нейросетей и языковых моделей	Применяется в современных промышленных системах

Отдельно выделяют распознавание печатного и рукописного текста: второе существенно сложнее из-за неограниченной вариативности почерка.

¶История

Первые эксперименты относятся к 1920–1930-м годам (читающая машина для слепых Г. Тauschek, 1929). В 1950-х появились коммерческие системы для сортировки банковских чеков и почты. В 1970-х Р. Курицкий и его коллеги разработали алгоритмы, использованные в системах для слепых. Массовое распространение OCR началось в 1990-х с появлением доступных сканеров и программных пакетов, а с 2010-х доминирующим подходом стали глубокие нейронные сети.

¶Источники ошибок

Точность OCR измеряется на уровне символов (CER) и слов (WER). Основные причины ошибок:

Качество изображения — низкое разрешение, размытие, шум, неравномерное освещение.
Схожесть символов — путаница «О/0», «I/l/1», «З/3», «rn/m».
Дефекты носителя — пятна, помятости, обрезанные края, просвечивающий текст с обратной стороны.
Сложная вёрстка — многоколоночный набор, таблицы, сноски, врезки.
Нестандартные шрифты и рукописный ввод — отсутствие символов в обучающей выборке.
Языковые особенности — диакритика, лигатуры, смешение алфавитов в одном документе.

Постобработка с использованием словарей снижает число ошибок, но не устраняет их полностью, особенно для имён собственных, терминов и числовых данных.

¶Применение

OCR используется при оцифровке библиотечных и архивных фондов, в системах электронного документооборота, для распознавания автомобильных номеров и паспортов, в банковском секторе, в переводческих и поисковых сервисах, а также в средствах доступности для незрячих пользователей.

¶Оценка качества

Для сравнения алгоритмов применяются стандартизированные наборы данных и метрики: доля верно распознанных символов, точность на уровне слов, а также устойчивость к шуму и поворотам. Современные системы на печатных текстах хорошего качества достигают точности свыше 99 %, тогда как на исторических рукописях и фотографиях «с улицы» показатель заметно ниже.

IRONLIVE — база данных и аналитика по компаниям России.

На главную IRONLIVE →