吴恩达《机器学习》课程总结(18)_照片OCR

18.1问题描述和流程图

（1）图像文字识别是从给定的一张图片中识别文字。

（2）流程包括：

1.文字侦测

2.字符切分（现在不需要切分了）

3.字符分类

18.2滑动窗口

在行人检测中，滑动窗口是首先训练一个固定尺寸输入的判断是否有行人的网络，然后在一张图片中裁该尺寸的图片，送入到网络中；然后不断移动裁剪区，重复以上过程，知道裁剪到最后，这时按比例放大裁剪区，然后将裁剪到的图片缩放到网络的输入，如此循环。

首先滑动窗口同样用于文字识别，做字符与非字符区分，然后把字符区域适当扩展，然后合并重叠区域，按照高宽比进行过滤（认为长度大于高度），如下图所示：

然后进行文字的分割，通用训练一个模型，数据集如下：

分割出单个字符之后，利用神经网络、支持向量机或者逻辑回归训练一个分类器即可。

18.3获取大量数据和人工数据

（1）从网上下载字体，然后随机添加跟着背景创造实例；

（2）利用已有数据进行旋转、扭曲、模糊处理等产生新数据；

有关获取更多数据的方法：

（1）人工数据合成；

（2）手动收集、标记数据；

（3）众包；

18.4上限分析：哪部分管道该接下去做

如下下面的流程中，本来正确率为72%，如果提供完全正确的文字检测作为文字分割的输入，发现系统正确率提升到了89%，说明要下功夫在文字检测上了。

下表是每一步如果完全正确，会带来多大的提升，如果提升越大，说明越要花功夫在这一步上。下表首先要花功夫在文字检测上，然后是文字识别，而文字分割已经做得很好了。