关键词：OCR、Paddle.js、PaddleOCR

01 前言

OCR（Optical Character Recognition，光学字符识别）是文字识别的统称，不仅支持文档或书本文字识别，还包括识别自然场景下的文字，又可以称为 STR（Scene Text Recognition）。

OCR 文字识别一般包括两个部分，文本检测和文本识别；文本检测首先利用检测算法检测出图像中的文本行；然后检测到的文本行用识别算法去识别出具体文字。

OCR SDK（@paddlejs-models/ocr） 所依赖的技术主要包含两大部分：百度开源的超轻量级文字识别模型套件 PaddleOCR 和基于 JavaScript 的前端深度学习推理引擎 Paddle.js。接下来将对 PaddleOCR 和 @paddlejs-models/ocr 进行详细介绍。

02 PaddleOCR

PaddleOCR 是百度开源的超轻量级文字识别模型套件，提供了数十种文本检测、识别模型，旨在打造一套丰富、领先、实用的文字检测、识别模型/工具库，助力使用者训练出更好的模型，并应用落地。目前，不仅开源了超轻量 8.6M 中英文模型，而且用户可以自定义训练，使用自己的数据集 Fine-tune 一下就能达到非常好的效果。并且提供了多种硬件推理（服务器端、移动端、嵌入式端等全支持）的一整套部署工具，是 OCR 文字识别领域工业级应用的绝佳选择。

在 Paddle.js 框架内使用的模型是：ch_PP-OCRv2_det_infer 文本检测推理模型和 ch_PP-OCRv2_rec_infer 文本识别推理模型。对于之前 PP-OCR 版本模型，主要有三个方面提升：

1. 在模型效果上，相对于 PP-OCR mobile 版本提升超 7%；
2. 在速度上，相对于 PP-OCR server 版本提升超过 220%；
3. 在模型大小上，11.6M 的总大小，服务器端和移动端都可以轻松部署。

GitHub 项目: https://github.com/PaddlePaddle/PaddleOCR

03 @paddlejs-models/ocr

@paddlejs-models/ocr 是运行在浏览器端的模型 SDK，提供文本识别 AI 能力。SDK 封装两个API：init（模型初始化）和 recognize（文本识别），核心代码如下：

import * as ocr from '@paddlejs-models/ocr';
// 模型初始化
await ocr.init();
// 获取文本识别结果API，img为用户上传图片，option为可选参数 
// option.canvas as HTMLElementCanvas：若用户需要绘制文本框选区域，传入canvas元素
// option.style as object：若用户需要配置canvas 样式，传入style 对象
// option.style.strokeStyle as string：文本框选颜色
// option.style.lineWidth as number：文本框选线段宽度
// option.style.fillStyle as string：文本框选填充颜色
const res = await ocr.recognize(img, option?);
// 识别文字结果
console.log(res.text);
// 文本区域坐标
console.log(res.points);import * as ocr from '@paddlejs-models/ocr';
// 模型初始化
await ocr.init();
// 获取文本识别结果API，img为用户上传图片，option为可选参数 
// option.canvas as HTMLElementCanvas：若用户需要绘制文本框选区域，传入canvas元素
// option.style as object：若用户需要配置canvas 样式，传入style 对象
// option.style.strokeStyle as string：文本框选颜色
// option.style.lineWidth as number：文本框选线段宽度
// option.style.fillStyle as string：文本框选填充颜色
const res = await ocr.recognize(img, option?);
// 识别文字结果
console.log(res.text);
// 文本区域坐标
console.log(res.points);

GitHub 项目:

https://github.com/PaddlePaddle/Paddle.js/tree/master/packages/paddlejs-models/ocr

丨 整体流程图

丨 模型转换

paddlejsconverter 是适用于 Paddle.js 的模型转换工具，其作用是将 PaddlePaddle 模型转化为浏览器友好的格式，以供 Paddle.js 在浏览器等环境中加载预测使用。工具安装命令：-

pip3 install paddlejsconverter

工具使用命令：

# paddle_model_file_path 为ocr_det/ocr_rec PaddlePaddle模型本地路径
# paddle_param_file_path 为ocr_det/ocr_rec PaddlePaddle模型参数本地路径
# paddlejs_model_directory 为转换完成的paddlejs模型本地路径（开发者自定义）
paddlejsconverter  \
--modelPath=<paddle_model_file_path> \
--paramPath=<paddle_param_file_path> \
--outputDir=<paddlejs_model_directory>

丨 模型初始化

模型初始化模块首先会加载 ocr_det 文本检测模型和 ocr_rec 文本识别模型，并行执行模型预热逻辑，减少模型预热时间。模型初始化主要实现如下：

detectRunner = new Runner({
    modelPath: 'https://paddlejs.bj.bcebos.com/models/ocr_det_new',
    mean: [0.485, 0.456, 0.406],
    std: [0.229, 0.224, 0.225],
    bgr: true
});
const detectInit = detectRunner.init();
recRunner = new Runner({
    modelPath: 'https://paddlejs.bj.bcebos.com/models/ocr_rec_new',
    mean: [0.5, 0.5, 0.5],
    std: [0.5, 0.5, 0.5],
    bgr: true
});
const recInit = recRunner.init();
return await Promise.all([detectInit, recInit]);

Runner.init API 主要完成模型加载、神经网络生成以及模型预热过程，由于我们使用 WebGL backend 计算，所以在预热过程中需要完成着色器（shader）编译以及权重数据上传至纹理（texture）。

丨 模型推理运行时

1. 文本检测

ocr_det 文本检测模型用于检测图片内文本所在区域，返回每个文本框选区域的坐标点。

预处理

预处理是将原图大小按照模型输入 shape [1, 3, 960, 960] 缩放至 960 * 960。

• 对长图处理：

• 对宽图处理：

推理

模型推理过程同 Paddle.js 部分，详见GitHub：https://github.com/PaddlePaddle/Paddle.js

模型后处理采用 DB（可微二值化）算法，具体计算过程如下：

• 根据二值化图像获取所有文本框轮廓
• 根据轮廓信息获取最小外接矩形，返回矩形的顶点坐标和宽高最小值
• 根据二值化图像和矩形框坐标计算矩形框的置信度
• 扩张文本框大小，返回扩张后的轮廓信息
• 根据扩张后的轮廓信息计算最小外接矩形
• 将最终的矩形框映射回原图，获取矩形框的顶点坐标

2. 文本识别

ocr_rec 模型采用 CRNN 算法，该算法的主要思想是认为文本识别是针对序列进行预测，所以采用了预测序列常用的 RNN 网络。算法通过 CNN（卷积层）提取图片特征，然后采用 RNN（循环层）对序列进行预测，最终使用 CTC（转录层）得到文本序列。

预处理

ocr_rec 模型输入 shape 为 [1, 3, 32, 100]，模型推理前会对图片文本框选区域进行处理：图片文本框选区域宽高比 <= 100 / 32，对缺省部分进行 #000 填充；框选区域宽高比

100 / 32，对框选区域按宽度进行裁剪。最终传入识别模型的图片宽高比为 100 : 32。以下图文本框为例：

推理

将预处理过后的图片传入 Paddle.js 框架引擎中，进行模型推理计算，得到文本序列置信度列表，在字典中查找置信度最大值索引对应的字符，完成文字识别。

在模型推理过程中，核心算法为 RNN。RNN 是循环神经网络，由输入层、隐藏层和输出层组成，擅长对序列数据进行处理。 t时刻，输入层为xt，隐藏层为st，输出层为ot。从上图可知，st的值不仅仅取决于输入层xt，还取决于t−1时刻的隐藏层st−1。计算公式如下： 因为 RNN 有梯度消失问题，不能获取更多上下文信息，所以 CRNN 中使用的是 LSTM（Long Short Term Memory），LSTM 是一种特殊的 RNN，能够保存长期的依赖关系。

基于图像的序列，两个方向的上下文是相互有用且互补的。由于 LSTM 是单向的，所以将两个 LSTM，一个向前和一个向后组合到一个双向 LSTM 中。此外，可以堆叠多层双向 LSTM。ch_PP-OCRv2_rec_infer 识别模型就是使用的双层双向 LSTM 结构。计算过程如下图所示：

丨 效果展示

05 Benchmark

评估环境：

• MacBook Pro A2141（16英寸/i7/16G/512GSSD）
• 评估耗时阶段为图像预测耗时，不包括图像的预处理和后处理
• 针对OCR实际应用场景，随机收集的50张图像
• 浏览器环境

模型名称	ch_ppocr_mobile	ch_PP-OCRv2
检测耗时(WebGL)	139ms	258ms
识别耗时(WebGL)	254ms	60ms
整体识别F-score	0.503	0.5224
检测模型大小	2.6M	3M
识别模型大小	4.6M	8.6M