大话文本识别经典模型：CRNN

时间 2019-11-07

标签大话文本识别经典模型 crnn 繁體版

原文原文链接

在前一篇文章中（详见本博客文章：大话文本检测经典模型 CTPN），介绍了文字识别在现实生活中的普遍应用，以及文字识别的简单流程：算法

其中“文本检测”、“文本识别”是其中两个关键环节，“文本检测”已经在前一篇文章中介绍了详细的介绍，本文主要介绍“文本识别”的经典模型CRNN及其原理。网络

在介绍CRNN以前，先来梳理一下要实现“文本识别”的模型，须要具有哪些要素：分布式

（1）首先是要读取输入的图像，提取图像特征，所以，须要有个卷积层用于读取图像和提取特征。具体原理可详见本公众号的文章：白话卷积神经网络（CNN）；函数

（2）因为文本序列是不定长的，所以在模型中须要引入RNN（循环神经网络），通常是使用双向LSTM来处理不定长序列预测的问题。具体原理可详见本公众号的文章：白话循环神经网络（RNN）；oop

（3）为了提高模型的适用性，最好不要要求对输入字符进行分割，直接可进行端到端的训练，这样可减小大量的分割标注工做，这时就要引入CTC模型（Connectionist temporal classification，联接时间分类），来解决样本的分割对齐的问题。性能

（4）最后根据必定的规则，对模型输出结果进行纠正处理，输出正确结果。学习

以上就是“文本识别”模型的几个必须具有的要素。大数据

接下来要介绍的CRNN模型，也是基本由这几部分组成的。人工智能

一、什么是CRNNspa

CRNN（Convolutional Recurrent Neural Network，卷积循环神经网络），是华中科技大学在发表的论文《An End-to-End Trainable Neural Network for Image-based Sequence Recognition and ItsApplication to Scene Text Recognition》提出的一个识别文本的方法，该模型主要用于解决基于图像的序列识别问题，特别是场景文字识别问题。

CRNN的主要特色是：

（1）能够进行端到端的训练；

（2）不须要对样本数据进行字符分割，可识别任意长度的文本序列

（3）模型速度快、性能好，而且模型很小（参数少）

二、CRNN模型结构

CRNN模型的结构以下：

正如前面梳理的“文本识别”模型必须具有的要素，CRNN模型主要由如下三部分组成：

（1）卷积层：从输入图像中提取出特征序列；

（2）循环层：预测从卷积层获取的特征序列的标签分布；

（3）转录层：把从循环层获取的标签分布经过去重、整合等操做转换成最终的识别结果。

下面将展开对这三个层进行介绍：

（1）卷积层

① 预处理

CRNN对输入图像先作了缩放处理，把全部输入图像缩放到相同高度，默认是32，宽度可任意长。

② 卷积运算

由标准的CNN模型中的卷积层和最大池化层组成，结构相似于VGG，以下图：

从上图能够看出，卷积层是由一系列的卷积、最大池化、批量归一化等操做组成。

③ 提取序列特征

提取的特征序列中的向量是在特征图上从左到右按照顺序生成的，用于做为循环层的输入，每一个特征向量表示了图像上必定宽度上的特征，默认的宽度是1，也就是单个像素。因为CRNN已将输入图像缩放到一样高度了，所以只需按照必定的宽度提取特征便可。以下图所示：

（2）循环层

循环层由一个双向LSTM循环神经网络构成，预测特征序列中的每个特征向量的标签分布。

因为LSTM须要有个时间维度，在本模型中把序列的 width 看成LSTM 的时间 time steps。

其中，“Map-to-Sequence”自定义网络层主要是作循环层偏差反馈，与特征序列的转换，做为卷积层和循环层之间链接的桥梁，从而将偏差从循环层反馈到卷积层。

（3）转录层

转录层是将LSTM网络预测的特征序列的结果进行整合，转换为最终输出的结果。

在CRNN模型中双向LSTM网络层的最后链接上一个CTC模型，从而作到了端对端的识别。所谓CTC模型（Connectionist Temporal Classification，联接时间分类），主要用于解决输入数据与给定标签的对齐问题，可用于执行端到端的训练，输出不定长的序列结果。

因为输入的天然场景的文字图像，因为字符间隔、图像变形等问题，致使同个文字有不一样的表现形式，但实际上都是同一个词，以下图：

而引入CTC就是主要解决这个问题，经过CTC模型训练后，对结果中去掉间隔字符、去掉重复字符（若是同个字符连续出现，则表示只有1个字符，若是中间有间隔字符，则表示该字符出现屡次），以下图所示：

以上就是文本识别模型CRNN的介绍，该模型既可用于识别英文、数字，也可用于识别中文。通常是跟CTPN结合一块儿使用，使用CTPN进行文字的检测，使用CRNN进行文字的识别。

本人使用CTPN+CRNN对中文识别出来的效果以下（隐去私密信息）：

墙裂建议

2015年，Baoguang Shi 等人发表了关于CRNN的经典论文《 An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition 》，在论文中详细介绍了CRNN的思想和技术原理，建议阅读该论文以进一步了解该模型。

关注本人公众号“大数据与人工智能Lab”（BigdataAILab），而后回复“论文”关键字可在线阅读经典论文的内容。

推荐相关阅读