吴恩达《机器学习》第十八章：图片文字识别OCR

 

十八、应用实例：图片文字识别OCR

18.1 问题描述和流程图

18.2 滑动窗口

本节问题：

• 如何在图片中检测到文字？

人像识别：
矩形框；

正负样本，分类，监督学习；

1、选中图片左上角矩形框；
2、传入分类器，检测y0 or y1，返回；
3、矩形框右移（事先设定的步长），重复判断；
4、移到最右边后下移，重复；
5、移到末尾后，第二遍，增大窗口，重复；

OCR识别：

正负样本训练；

一小块一小块的检测；
放大算子：把白色区域扩大；
忽略奇怪的矩形（比如瘦高的，交叉的）；

字符切割；训练分类器；

OCR流水线文字识别：

18.3 获取大量数据和人工数据

本节问题：

• 如何获得大量数据？

人工合成数据的两种方式：

• 从零生成；
• 已有小部分训练集，通过某种方式扩展；

灰度图像；
利用字体库；
将字母换个字体形式然后贴到别的背景中；
这基本从零开始生产；

第二种方法：一个样本扩展成多个样本


失真合成数据，保证失真是合理的；


首先要确保分类器偏差较低，才大量合成人工数据；
最好画个学习曲线，便于观察分析；

18.4 上限分析：下一步工作

在设计完一个机器学习系统后，我们需要对整体以及各个模块进行分析；

比如这里的OCR文本识别：

       ~~~~~~       刚刚设计出系统，72%的准确率，我们开始采用控制变量法对各个模块逐个分析；
       ~~~~~~       首先文本检测模块，对每个文本区域都设立正确的文本检测结果（仿真出100%正确检测图片中的文本信息），此时第一个模块正确率将达到100%，这时候我们再测试整体的正确率，为89%；

以同样的方式处理第二个模块：

准确率提高到90%；
继续处理第三个模块：

这样我们就能知道各个模块的提升空间有多大，针对性地改善；
这里明显第一个模块：文本检测模块最有潜力改善，所以我们应花费更多的精力在第1、3两个模块；

例如这个人脸识别：


不要花费大量时间去做一些没有意义的事情；
把时间都用在最有价值的事情上；
上限分析的必要性；