轉載自：http://www.cnblogs.com/funnyzpc/p/8908906.html
這次講講ocr識別的問題，先說說需求來源吧。。。
之前因爲風控每次需要手動P協議文件和身份證(脫敏)，還要識別證件及圖片文件的內容，覺得狠狠狠麻煩，遂就找到了技術總監，技術總監一拍腦袋，額，小鄒啊。。。
呃，一開始並沒抱太大希望，不過還是花了些心思做了些需求實現的調研，怎麼辦 google、duckduckgo、github一路找下來就有了幾個工程了，嘿嘿~，可惜還沒高興到，沒想到的是這些工程一個比一個坑，不是依賴windows系統組件就是代碼bug不斷，作者們，能用點兒心麼
日夜操勞，加班啊，總算是將幾個工程全都修得能跑起來了，大費周折。。。難得啊
欸，可惜效果均不佳；現開始，我總結下一些主流的圖文識別技術，只是淺聊哦。。。
首先，這些工程大致分兩類：
一類是純算法，不附帶機器學習功能的，且需要依賴於window系統組件的工程，比如tesseract和tess4j，識別效果可以說是巨差(可能我的技術很菜的原因
)，但有一點兒值得讚許，就是識別結果的格式還算不錯，這類圖文識別的特點大致有如下幾點：
A>工程代碼量較大
B>依賴window組件，需要在window系統下才能運行
C>識別效果無法通過學習逐漸優化
D>識別出來的文字時常亂碼，中文識別亂碼錯別字較多
E>識別結果通常使用格式化模子來格式化結果，遂，識別結果的格式還算過得去
一類是基於機器學習(比如Tensorflow)的工程，這些工程參差不齊，存在插件版本問題，尤其是python插件，實在在太太太難裝了，在一就是工程大多較爲簡陋，由於機器學習具有不斷改善的趨勢，這是基於機器學習的圖文識別的最大優勢，總結起來，基於機器學習的圖文識別的特點兒大致有如下幾點：
A>工程比較簡單，代碼量不是很多
B>依賴的語言插件，如python實在難以安裝
C>有很多優化的方向，比如使用顯卡，優化算法(卷積神經網絡)來提高識別速度及模型準確度
D>十分耗費計算機字段，一般識別一頁A4大小的圖片中的內容，(我使用Macbook Pro) 最快也用了二十多秒
E>識別的結果比較亂，但對於中文，尤其是圖片較好的中文的文字識別準確率能達到百分之七十網上，但是識別格式和文字準確度不如上者
F>由於是基於機器學習，遂需要大量的數據餵養以提高識別的準確率，餵養的數據十分可觀
額，總的來說，後者的優勢較大，也是趨勢，比如騰訊QQ的圖片識別還有百度大腦AI這些基本都是基於機器學習，個人覺得，如果投入一個團隊去專門研究開發一個圖文識別的產品，也是比較容易實現的，何況這個方向向前走就是人工智能，儘管現在看起來有些智障...。
哦，大致總結完了，我就展示下基於tess4j和chinese-ocr這兩項目的實現效果，我的輸入是身份證：
(注意:源圖片是從github上拉下來的，個人做了些簡陋的脫敏處理!)
下面是基於tess4j實現的結果:
tess4j的實現只能基於windows組件實現，故項目只能在windows下運行，另外tesseract也是windows組件的實現。
一下是基於chinese-ocr的項目的實現的結果：
chinese-orc是基於python語言+tensorflow的實現，結果一目瞭然，需要說的是，一下幾個也是基於=>
text-detection-ctpn ：基於Tensorflow實現的圖片識別，未調試通過
tensorflow-ocr ：基於tensorflow實現的圖片識別，未調試通過
B>對於部分(例如 test.py)文件跑不起來的，請嘗試着將這個文件放置在工程主目錄下，但同時請注意 import引用的文件(可能需要手動修改)
。
