一、OCR文字识别的概念
利用计算机自动识别字符的技术，是模式识别应用的一个重要领域。人们在生产和生活中，要处理大量的文字、报表和文本。为了减轻人们的劳动，提高处理效率，从上世纪50年代起就开始探讨文字识别方法，并研制出光学字符识别器。
OCR（Optical Character Recognition）图像文字识别是人工智能的重要分支，赋予计算机人眼的功能，可以看图识字。如图6-1所示，图像文字识别系统流程一般分为图像采集、文字检测、文字识别及结果输出四个部分。
二、文字识别算法
卷积神经网络是图像识别的主要方法，也同样适用于字符的识别，但文本识别不同于其他的图像识别，文本行的字符间是一个序列，彼此之间也有一定关系，同一文本行上的不同字符可以互相利用上下文信息，因此可以采用处理序列的方法例如循环神经网络来表示，CNN和RNN两种网络相结合可以提高识别精度，CNN用来提取图像的深度特征，RNN用来对序列的特征进行识别，以符合文本序列的性质，从而形成统一的端到端可训练模型
下面将介绍DenseNet+LSTM+CTC的结合方式 将特征提取 序列预测和解码集成到一个统一的网络模型中
1：基于DenseNet网络模型的序列特征提取
DenseNet是一种有效的图像识别算法，该网络的优点在于减轻了深层网络梯度消失问题，增强了特征图的传播利用率，减少了模型参数量，在ResNet的基础上进一步加强了特征图之间的连接，构造了一种具有密集连接方式的卷积神经网络
DenseNet网络模型的核心组成部分是密集连接模块，这个模块中任意两层之间均直接的连接，即网络中的第一层、第二层 第L-1层的输出都会作为第L层的输入，同时第L层的特征图也会直接传递给后面所有层作为输入
2：基于LSTM结构的上下文序列特征提取
文本行是一个序列，含有丰富的上下文信息，同一文本行中的不同字符可以互相利用上下文信息，这对于字符的识别具有重要的影响，一些模糊的字符在观察其上下文时更容易区分，在卷积网络之后，构建了一个循环网络，用于提取文本序列的上下文序列特征
双向LSTM能在访问之前信息的同时，访问字符之后的信息，故能从正反两个方向提取文本行中的语义信息，有助于文本行识别任务，因此 双向LSTM可以同时处理上文和下文信息来提取上下文序列特征
字符序列的解码方式
在文本识别网络模型中，LSTM输出的序列中的字符要与标签中字符的位置一一对应，若使用softmax函数作为损失函数进行训练，训练网络参数时需要在图像上标注出每个的位置信息，使用手工标注对其样本工作量非常大，所以需要解码使字符位置一一对应 下面介绍两种常用的机制
1：基于CTC解码机制
CTC机制常用于文字识别系统，解决序列标注问题中输入标签与输出标签的对齐问题，通过映射韩叔叔将其转换为预测序列，无序数据对齐处理，减少了工作量，被广泛用于图像文本识别的损失函数计算，多用于网络参数的优化
解码是模型在做预测的过程中将LSTM输出的预测序列通过分类器转换为标签序列的过程，解码过程中的分类方式为最优路径编码，输出计算概率最大的一条路径作为最终的预测序列，即在每个时间点输出概率最大的字符
2：Attention模型注意力机制解码方式
注意力机制被广泛用于序列处理Seq2Seq任务中，注意力模型借鉴了人类视觉的选择性注意力机制，其核心目标是从众多信息中选出对当前任务目标来说重要的信息，忽略其他不重要的信息
对含有文本的图片而言，文本识别输出的结果的顺序取决于文本行中字符的前后位置信息，引入注意力机制可以起到定位的作用，从而突出字符的位置信息，解决序列对齐问题，因此不需要标注文本的位置
Attention模型的原理是计算当前输入序列与输出序列的匹配程度，在产生每一个输出时，会充分利用输入序列上下文信息，对同一序列中的不同字符赋予不同的权重。
