【转载】使用OpenCV-EAST和Tesseract进行OCR

目录

• 使用 Tesseract 进行 OpenCV OCR 和文本识别
  • How to install Tesseract 4
  • Install OpenCV
  • Install Tesseract 4 on Ubuntu
  • Install Tesseract 4 on macOS
  • Verify your Tesseract version
  • Install your Tesseract + Python bindings
• Understanding OpenCV OCR and Tesseract text recognition
• Project structure
• Implementing our OpenCV OCR algorithm
• OpenCV text recognition results
• Limitations and Drawbacks
• Summary

> 本文由 [简悦 SimpRead](http://ksria.com/simpread/) 转码， 原文地址 [zhuanlan.zhihu.com](https://zhuanlan.zhihu.com/p/64857243)

原文链接：

OpenCV OCR and text recognition with Tesseract - PyImageSearch​

本教程将介绍如何使用 OpenCV OCR。我们将使用 OpenCV、Python 和 Tesseract 实现文本检测和文本识别。

上一篇文章讲了如何使用 OpenCV 的 EAST 深度学习模型执行文本检测。使用该模型能够检测和定位图像中文本的边界框坐标。

下一步就是使用 OpenCV 和 Tesseract 处理每一个包含文本的图像区域，识别这些文本并进行 OCR 处理。

使用 Tesseract 进行 OpenCV OCR 和文本识别

为了执行 OpenCV OCR 文本识别，首先需要安装 Tesseract v4，它包括一个用于文本识别的高准确率的深度学习模型。

然后，我将展示如何写一个 Python 程序，其中包括：

1. 使用 OpenCV EAST 文本检测器执行文本检测，该模型是一个高准确率的深度学习文本检测器，被用于检测自然场景图像中的文本。
2. 一旦我们使用 OpenCV 检测出图像中的文本区域后，提取出每个文本 ROI 并将其传入 Tesseract，从而构建完整的 OpenCV OCR 流程！

最后，我将展示一些使用 OpenCV 应用文本识别的示例结果，并讨论该方法的局限性和缺点。

How to install Tesseract 4

Tesseract 是一个很流行的开源 OCR 引擎，其在受限制的场景下能很好地运行，但是如果图像存在大量噪声或者图像在应用 Tesseract 之前没有经过合适的预处理，则性能较差。

深度学习影响了计算机视觉的几乎所有方面，字符识别和手写字体识别也不例外。基于深度学习的模型获得了前所未有的文字识别精度，远远超出了传统的特征提取和机器学习方法。

Tesseract 引入了深度学习模型来进一步提升 OCR 准确率，Tesseract (v4) 最新版本支持基于深度学习的 OCR，准确率显著提高。底层的 OCR 引擎使用的是一种 循环神经网络（RNN）——LSTM 网络。

在这篇博文的后面，您将学习如何将 OpenCV 的 EAST 文本检测算法与 Tesseract v4 结合起来，以自动执行 OpenCV OCR。

Install OpenCV

要运行本教程的脚本，您需要先安装 3.4.2 或更高版本的 OpenCV。安装教程可参考 这里，该教程可确保您下载合适的 OpenCV 和 OpenCV-contrib 版本。

Install Tesseract 4 on Ubuntu

根据您使用的是 Ubuntu 18.04 还是 Ubuntu 17.04 或更早版本，用于在 Ubuntu 上安装 Tesseract 4 的具体命令会有所不同。

使用 lsb_release 命令检查 Ubuntu 版本：

$ lsb\_release -a
No LSB modules are available.
Distributor ID:    Ubuntu
Description:    Ubuntu 18.04.1 LTS
Release:    18.04
Codename:    bionic

对于 Ubuntu 18.04 的用户，Tesseract 4 是主 apt-get 库的一部分，通过下列命令就可以安装 Tesseract：

$ sudo apt install tesseract-ocr

如果您使用的是 Ubuntu 14、16 或 17 版本，那么由于依赖需求，您需要一些额外的命令。

好消息是 Alexander Pozdnyakov 创建了用于 Tesseract 的 Ubuntu PPA(Personal Package Archive)，这使得在旧版本的 Ubuntu 上安装 Tesseract 4 变得非常容易。

只需要向系统添加 alex-p/tesseract-ocr PPA 库，更新您的包定义，然后安装 Tesseract：

$ sudo add-apt-repository ppa:alex-p/tesseract-ocr
$ sudo apt-get update
$ sudo apt install tesseract-ocr

如果没有错误，那么您应该已经成功安装了 Tesseract 4。

Install Tesseract 4 on macOS

如果您的系统中安装有 Homebrew（macOS「非官方」包管理器），那么在 macOS 上安装 Tesseract 4 只需要运行以下命令，确保指定 --HEAD，即可在 Mac 电脑上安装 Tesseract v4：

$ brew install tesseract --HEAD

如果您安装的 Tesseract 版本不是 v4，那么您需要先执行如下命令：

$ brew unlink tesseract

然后再执行带 --HEAD 的安装命令。

Verify your Tesseract version

安装了 Tesseract 以后，您应该执行以下命令验证 Tesseract 的版本：

$ tesseract -v
tesseract 4.0.0-beta.3
 leptonica-1.76.0
  libjpeg 9c : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.11
 Found AVX512BW
 Found AVX512F
 Found AVX2
 Found AVX
 Found SSE

只要在输出中看到 tesseract 4，那么您就安装了 Tesseract 的最新版本。

Install your Tesseract + Python bindings

安装好 Tesseract 库之后，我们需要安装 Tesseract + Python 的捆绑，这样我们的 Python 脚本就可以通过 Tesseract，对 OpenCV 处理过的图像执行 OCR。

我们将使用 pip 来安装 Pillow（PIL 的 Python 版本），然后安装 pytesseract 和 imutils：

$ pip install pillow
$ pip install pytesseract
$ pip install imutils

现在打开 Python shell，确认导入 OpenCV 和 pytesseract 时没有出错： Now open up a Python shell and confirm that you can import both OpenCV and pytesseract :

$ python
Python 3.6.5 (default, Apr  1 2018, 05:46:30)
[GCC 7.3.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import cv2
>>> import pytesseract
>>> import imutils
>>>

Understanding OpenCV OCR and Tesseract text recognition

现在我们已经在系统上成功安装了 OpenCV 和 Tesseract ，我们需要简要回顾一下我们的流程和相关命令。

首先，我们使用 OpenCV 的 EAST text detector 来检测图像中的文本的存在。EAST 文本检测器将提供文本 ROI 的边界框坐标_(x, y)_。

我们将提取每个文本 ROI，并入到 Tesseract v4 的 LSTM 深度学习文本识别算法。LSTM 的输出将给出实际的 OCR 结果。最后，在输出图像上绘制 OpenCV OCR 结果。

其中使用到的 Tesseract 命令必须在 pytesseract 库下调用。在调用 tessarct 库时，我们需要提供几个 flag。最重要的三个 flag 是 -l、--oem 和 --ism。这三个参数的详细介绍可以查看该文章的最后部分。

Project structure

使用 tree 命令在终端中查看项目的目录结构：

$ tree --dirsfirst
.
├── images
│   ├── example\_01.jpg
│   ├── example\_02.jpg
│   ├── example\_03.jpg
│   ├── example\_04.jpg
│   └── example\_05.jpg
├── frozen\_east\_text\_detection.pb
└── text\_recognition.py

1 directory, 7 files

我们的项目包含一个目录和两个重要的文件：

• images/ : 一个包含六个含有场景文本的测试图像的目录。我们将使用这些图像进行 OpenCV OCR 操作。
• frozen_east_text_detection.pb : EAST 文本检测器。该 CNN 经过预训练，可用于文本检测。它是由 OpenCV 提供的。
• text_recognition.py : 我们的 OCR 程序。我们将逐行讲解该程序。它使用 EAST 文本检测器找到图像中的文本区域，然后利用 Tesseract v4 进行文本识别。

Implementing our OpenCV OCR algorithm

打开text_recognition.py文件并插入以下代码：

from imutils.object\_detection import non\_max\_suppression
import numpy as np
import pytesseract
import argparse
import cv2

最主要的是 pytesseract 和 OpenCV。imutils 包将用于非极大值抑制，因为 OpenCV 自带的 NMSBoxes 函数无法兼容 Python API。

接下来实现 decode_predictions 函数：

def decode\_predictions(scores, geometry):
    # grab the number of rows and columns from the scores volume, then
    # initialize our set of bounding box rectangles and corresponding
    # confidence scores
    (numRows, numCols) = scores.shape[2:4]
    rects = []
    confidences = []

    # loop over the number of rows
    for y in range(0, numRows):
        # extract the scores (probabilities), followed by the
        # geometrical data used to derive potential bounding box
        # coordinates that surround text
        scoresData = scores[0, 0, y]
        xData0 = geometry[0, 0, y]
        xData1 = geometry[0, 1, y]
        xData2 = geometry[0, 2, y]
        xData3 = geometry[0, 3, y]
        anglesData = geometry[0, 4, y]

        # loop over the number of columns
        for x in range(0, numCols):
            # if our score does not have sufficient probability,
            # ignore it
            if scoresData[x] < args["min\_confidence"]:
                continue

            # compute the offset factor as our resulting feature
            # maps will be 4x smaller than the input image
            (offsetX, offsetY) = (x * 4.0, y * 4.0)

            # extract the rotation angle for the prediction and
            # then compute the sin and cosine
            angle = anglesData[x]
            cos = np.cos(angle)
            sin = np.sin(angle)

            # use the geometry volume to derive the width and height
            # of the bounding box
            h = xData0[x] + xData2[x]
            w = xData1[x] + xData3[x]

            # compute both the starting and ending (x, y)-coordinates
            # for the text prediction bounding box
            endX = int(offsetX + (cos * xData1[x]) + (sin * xData2[x]))
            endY = int(offsetY - (sin * xData1[x]) + (cos * xData2[x]))
            startX = int(endX - w)
            startY = int(endY - h)

            # add the bounding box coordinates and probability score
            # to our respective lists
            rects.append((startX, startY, endX, endY))
            confidences.append(scoresData[x])

    # return a tuple of the bounding boxes and associated confidences
    return (rects, confidences)

decode_predictions 在 这篇文章 中有详细介绍。该函数：

1. 使用基于深度学习的文本检测器来检测（不是识别）图像中的文本区域。
2. 该文本检测器生成两个数组，一个是给定区域包含文本的概率，另一个数组将这些概率映射到输入图像中的边界框坐标位置。

EAST 文本检测器生成两个变量：

• scores：文本区域的概率。
• geometry：文本区域的边界框位置。

两个变量都是 decode_predictions 函数的参数。该函数处理输入数据，得出一个元组，其中包含文本边界框位置和该边界框包含文本的概率：

• rects：该值基于 geometry，其格式更加紧凑，方便我们稍后应用于 NMS。
• confidences：该列表中的置信度值对应 rects 中的每个矩形。

这两个值都由 decode_predictions 函数得出。

注意：理想情况下，旋转的边界框也在 rects 内，但是提取旋转边界框不利于解释本教程的一些概念。因此，我计算了水平的边界框矩形（把 angle 考虑在内）。如果您想提取文本的旋转边界框并输入到 Tesseract，您可以使用 angle = anglesData[x] 这里获取的角度。

下面我们来解析命令行参数：

# construct the argument parser and parse the arguments
ap = argparse.ArgumentParser()
ap.add\_argument("-i", "--image", type=str,
    help="path to input image")
ap.add\_argument("-east", "--east", type=str,
    help="path to input EAST text detector")
ap.add\_argument("-c", "--min-confidence", type=float, default=0.5,
    help="minimum probability required to inspect a region")
ap.add\_argument("-w", "--width", type=int, default=320,
    help="nearest multiple of 32 for resized width")
ap.add\_argument("-e", "--height", type=int, default=320,
    help="nearest multiple of 32 for resized height")
ap.add\_argument("-p", "--padding", type=float, default=0.0,
    help="amount of padding to add to each border of ROI")
args = vars(ap.parse\_args())

我们的 python 脚本需要两个命令行参数：

--image：输入图像的路径。 --east：预训练 EAST 文本检测器的路径。

下列命令行参数是可选的：

--min-confidence：检测到的文本区域的最小概率。 --width：图像输入 EAST 文本检测器之前需要重新调整的宽度，EAST 模型要求宽度是 32 的倍数。 --height：与宽度类似。EAST 模型要求调整后的高度是 32 的倍数。 --padding：填充到每个 ROI 边框的（可选）像素数量。如果您发现 OCR 结果不正确，那么您可以尝试 0.05、0.10 等值。

下面，我们将加载和预处理图像，并初始化关键变量：

# load the input image and grab the image dimensions
image = cv2.imread(args["image"])
orig = image.copy()
(origH, origW) = image.shape[:2]

# set the new width and height and then determine the ratio in change
# for both the width and height
(newW, newH) = (args["width"], args["height"])
rW = origW / float(newW)
rH = origH / float(newH)

# resize the image and grab the new image dimensions
image = cv2.resize(image, (newW, newH))
(H, W) = image.shape[:2]

先将图像加载到内存中，并拷贝一份（稍后我们可以在上面绘制输出结果）。

再获取原始宽度和高度（第 84 行），然后从命令行参数中提取新的宽度和高度。使用原始宽高和新的宽高计算比率，用于稍后在脚本中缩放边界框坐标。

然后调整图像大小，此处忽略长宽比。

接下来，我们将使用 EAST 文本检测器：

# define the two output layer names for the EAST detector model that
# we are interested in -- the first is the output probabilities and the
# second can be used to derive the bounding box coordinates of text
layerNames = [
    "feature\_fusion/Conv\_7/Sigmoid",
    "feature\_fusion/concat\_3"]

# load the pre-trained EAST text detector
print("[INFO] loading EAST text detector...")
net = cv2.dnn.readNet(args["east"])

先将两个输出层名称转换成列表格式。这两个输出层的介绍可以查看 这里。

然后将预训练 EAST 神经网络加载到内存中。至少需要 OpenCV 3.4.2 版本，它由 cv2.dnn.readNet 实现。

# construct a blob from the image and then perform a forward pass of
# the model to obtain the two output layer sets
blob = cv2.dnn.blobFromImage(image, 1.0, (W, H),
    (123.68, 116.78, 103.94), swapRB=True, crop=False)
net.setInput(blob)
(scores, geometry) = net.forward(layerNames)

# decode the predictions, then  apply non-maxima suppression to
# suppress weak, overlapping bounding boxes
(rects, confidences) = decode\_predictions(scores, geometry)
boxes = non\_max\_suppression(np.array(rects), probs=confidences)

为确定文本的位置，我们需要：

• 使用 cv2.dnn.blobFromImage 构建四维输入数据 blob。详情参见 这里。
• 将 blob 传入 EAST 神经网络中，获取 scores 和 geometry。
• 使用之前定义的 decode_predictions 函数对预测结果进行解码。
• 通过 imutils 进行 非极大值抑制。NMS 实际上保留了最有可能的文本区域，剔除了其他重叠区域。

现在我们知道了文本区域的位置，接下来需要文本识别。我们开始在遍历所有边界框，并处理结果，为实际的文本识别做准备：

# initialize the list of results
results = []

# loop over the bounding boxes
for (startX, startY, endX, endY) in boxes:
    # scale the bounding box coordinates based on the respective
    # ratios
    startX = int(startX * rW)
    startY = int(startY * rH)
    endX = int(endX * rW)
    endY = int(endY * rH)

    # in order to obtain a better OCR of the text we can potentially
    # apply a bit of padding surrounding the bounding box -- here we
    # are computing the deltas in both the x and y directions
    dX = int((endX - startX) * args["padding"])
    dY = int((endY - startY) * args["padding"])

    # apply padding to each side of the bounding box, respectively
    startX = max(0, startX - dX)
    startY = max(0, startY - dY)
    endX = min(origW, endX + (dX * 2))
    endY = min(origH, endY + (dY * 2))

    # extract the actual padded ROI
    roi = orig[startY:endY, startX:endX]

我们定义一个 results 列表，用来包含我们的 OCR 边界框和文本。然后在 boxes 上进行遍历，我们：

• 基于之前计算的比率缩放边界框。
• 填充边界框。
• 最后，提取被填充的 ROI。

本文的文本识别部分可以通过使用 Tesseract v4 来完成：

# in order to apply Tesseract v4 to OCR text we must supply
    # (1) a language, (2) an OEM flag of 4, indicating that the we
    # wish to use the LSTM neural net model for OCR, and finally
    # (3) an OEM value, in this case, 7 which implies that we are
    # treating the ROI as a single line of text
    config = ("-l eng --oem 1 --psm 7")
    text = pytesseract.image\_to\_string(roi, config=config)

    # add the bounding box coordinates and OCR'd text to the list
    # of results
    results.append(((startX, startY, endX, endY), text))

注意代码块中的注释，我们设置 Tesseract 的 config 参数（英语、LSTM 神经网络和单行文本）。

注：如果您获取了错误的 OCR 结果，那么您可能需要更改 --psm 的值。

pytesseract 库进行剩下的操作，调用 pytesseract.image_to_string，传递参数 roi 和 config。

只用这两行代码，您就使用 Tesseract v4 识别图像中的一个文本 ROI。记住，很多过程在底层进行。

我们的结果（边界框值和实际的 text 字符串）保存在 results 列表中。

然后我们继续该循环流程，对其他 ROI 进行处理。

接下来打印出最终结果，查看它是否真的有用：

# sort the results bounding box coordinates from top to bottom
results = sorted(results, key=lambda r:r[0][1])
for ((startX, startY, endX, endY), text) in results:
    # display the text OCR'd by Tesseract
    print("OCR TEXT")
    print("========")
    print("{}\n".format(text))

    # strip out non-ASCII text so we can draw the text on the image
    # using OpenCV, then draw the text and a bounding box surrounding
    # the text region of the input image
    text = "".join([c if ord(c) < 128 else "" for c in text]).strip()
    output = orig.copy()
    cv2.rectangle(output, (startX, startY), (endX, endY),
        (0, 0, 255), 2)
    cv2.putText(output, text, (startX, startY - 20),
        cv2.FONT\_HERSHEY\_SIMPLEX, 1.2, (0, 0, 255), 3)

    # show the output image
    cv2.imshow("Text Detection", output)
    cv2.waitKey(0)

先基于边界框的 y 坐标按自上而下的顺序对结果进行排序。

对 results 进行循环，我们：

• 将 OCR 得到的文本打印到终端。
• 从文本中去掉非 ASCII 字符，因为 OpenCV 的 cv2.putText 函数不支持非 ASCII 字符。
• 绘制 ROI 的边界框和识别的文本。

显示输出，并等待即将按下的任意键。

OpenCV text recognition results

现在我们已经实现了 OpenCV OCR 流程。执行以下命令：

$ python text\_recognition.py --east frozen\_east\_text\_detection.pb \
    --image images/example\_01.jpg
[INFO] loading EAST text detector...
OCR TEXT
========
OH OK

我们从一个简单的示例图片开始。

注意我们的 OpenCV OCR 系统正确地检测出了图像中的文本，然后识别出文本。

下一个示例图片更能代表我们在真实世界中看到的图像文本:

$ python text\_recognition.py --east frozen\_east\_text\_detection.pb \
    --image images/example\_02.jpg
[INFO] loading EAST text detector...
OCR TEXT
========
® MIDDLEBOROUGH

OpenCV OCR 系统正确地定位文本位置和识别文本。但是，在终端输出中，有一个多余的符号，这里 Tesseract 可能被误导，因为 OpenCV EAST 文本检测器得到的边界框与标志牌后面的植物发生重叠。

下面我们来看另一个 OpenCV OCR 和文本识别的例子：

$ python text\_recognition.py --east frozen\_east\_text\_detection.pb \
    --image images/example\_03.jpg
[INFO] loading EAST text detector...
OCR TEXT
========
ESTATE

OCR TEXT
========
AGENTS

OCR TEXT
========
SAXONS

该示例中有三个单独的文本区域。OpenCV 的文本检测器能够定位每一个文本区域，然后使用 OCR 准确识别出每个区域的文本内容。

下一个例子展示了在某些情况下添加 padding 的重要性:

$ python text\_recognition.py --east frozen\_east\_text\_detection.pb \
    --image images/example\_04.jpg
[INFO] loading EAST text detector...
OCR TEXT
========
CAPTITO

OCR TEXT
========
SHOP

OCR TEXT
========
|.

在对这个烘焙店店面进行 OCR 的第一次尝试中，我们发现 “SHOP” 是被正确地识别，但是：

• “CAPUTO” 中的 “U” 被错误地识别为 “TI”。
• “CAPUTO’S” 中缺少 “'S”。
• “BAKE” 被错误识别为 “|.”。

现在通过添加一点填充，从而扩展 ROI 的边界框坐标，并准确识别文本：

$ python text\_recognition.py --east frozen\_east\_text\_detection.pb \
    --image images/example\_04.jpg --padding 0.05
[INFO] loading EAST text detector...
OCR TEXT
========
CAPUTO'S

OCR TEXT
========
SHOP

OCR TEXT
========
BAKE

只需在边框的每个角落添加 5% 的填充，我们不仅能够正确识别 “BAKE”，还能够识别“CAPUTO” 中的 “U” 和“S”。

当然，OpenCV 也有的完全失败的案例：

$ python text\_recognition.py --east frozen\_east\_text\_detection.pb \
    --image images/example\_05.jpg --padding 0.25
[INFO] loading EAST text detector...
OCR TEXT
========
Designer

OCR TEXT
========
a

我把填充增加到 25%，以适应这个标志牌中单词的角度 / 视角。这使得 “Designer” 可以正确地被 EAST 和 Tesseract v4 进行文本识别。但是较小的单词失败的原因，可能是字母的颜色与背景很相似。

在这种情况下，我们无能为力，但我建议参考下面的 Limitations and Drawbacks 部分，了解在遇到不正确的 OCR 结果时如何改进 OpenCV 文字识别流程。

Limitations and Drawbacks

记住，完美的 OCR 系统是不存在的，尤其是在现实世界条件下。期望 100% 的 OCR 准确率是不切实际的。

我们的 OpenCV OCR 系统可以很好地处理一些图像，但在处理其他图像时会失败。该文本识别流程失败的两个主要原因：

1. 文本倾斜 / 旋转。
2. The font of the text itself is not similar to what the Tesseract model was trained on. 文本字体与 Tesseract 模型训练的字体相差太远。

即使 Tesseract v4 与 v3 相比更加强大、准确率更高，但该深度学习模型仍然受限于它的训练数据。如果文本字体与训练数据字体相差太大，那么 Tesseract 不可能对该文本进行很好地处理。

其次，Tesseract 假设输入图像或 ROI 已经经过合适地预处理。但是当我们在自然场景图像上执行文本识别时，该假设不总是成立。

对于预处理干净过的图像，Tesseract 可以得到很好的图像。总的来说，我们的 OpenCV OCR 最适合于：(1)以图像的 90 度角 (即自上而下、鸟瞰) 捕获的文本，(2)相对容易从背景中分割的文本。

如果实际情况并非如此，您可以应用透视变换来校正视图，请记住，今天的 Python + EAST 文本检测器不支持旋转边界框。

如果您需要更高的精确度，我建议您尝试 “三大” 计算机视觉 API 服务之一：

• Google Vision API OCR Engine
• Amazon Rekognition
• Microsoft Cognitive Services

每种方法都使用运行在云服务器上的更先进的 OCR 方法。

Summary

本教程介绍了如何使用 OpenCV OCR 系统执行文本检测和文本识别。

为了实现该任务，我们：

• 利用 OpenCV 的 EAST 文本检测器定位图像中的文本区域。
• 提取每个文本 ROI，然后使用 OpenCV 和 Tesseract v4 进行文本识别。

该 OpenCV OCR 流程在一些情况下效果很好，在另一些情况下并不那么准确。要想获得最好的 OpenCV 文本识别结果，我建议您确保：

1. 输入的 ROI 应尽量经过清洗和预处理。在理想情况中，您的文本应该能够与图像的其他部分完美分割，但是在现实情况下，这并不总是可能的。
2. 文本是从相机 90 度角的情况下拍摄的，类似于自上而下、鸟瞰的角度。如果不是，可以使用透视变换来获得更好的结果。

源码链接：

github