最强开源OCR！印刷体古籍文字识别超越著名商业软件ABBYY

---

52CV君曾经向大家推介过开源OCR文字识别软件Calamari，其使用了目前最先进的OCR技术，非常值得参考。

通过查看“我爱计算机视觉”网站（www.52cv.net）后台数据，52CV君发现，在来自搜索引擎的自然流量中，该文开源OCR文字识别软件Calamari是网站上所有单项技术博文里被阅读次数最多的（虽然当时写的文章并不详细），可见该软件的确很受欢迎。

近日，该软件的作者即来自德国维尔茨堡大学的几位学者在投稿于DHd 2019的论文《State of the Art Optical Character Recognition of 19th Century Fraktur Scripts using Open Source Engines》中再次展现了其强大能力，在19世纪印刷体古籍文字识别任务中，基于此软件Calamari和新发明的一种训练方法训练出的新模型，不仅打败了目前主流的开源软件，甚至大大好于著名的OCR商业软件ABBYY。

作者信息：

该文没有讲任何算法，作者最重要的阐述是如何利用各种语料训练模型。

下面的表格很好的反映了其使用的数据和训练的顺序。

该文要解决的问题是识别19世纪的印刷体文字，其首先使用了跨越15-20世纪的最全的各种语料训练模型，得到作者认为鲁棒性较好的预训练模型（可以理解为能用的数据都用上了），然后使用合成数据继续训练（合成数据因为可以人为生成，所以往往各种情况都有，数据分布较平衡），再然后使用19世纪的所有真实语料数据训练（这是识别的目的数据库），由于目的数据库样本分布可能不平衡，作者最后在19世纪语料数据集中每本书最多抽样50行，进行最后的训练提精，避免过拟合。

该文要识别的文本图像示例：

作者将训练得到的模型和主流的开源软件Tesseracts、OCRopus和商业软件ABBYY进行了比较，作者使用的评估数据集不再赘述，直接看看这漂亮的结果：

在大多数情况下Calamari都取得了压倒性优势！即使Calamari表现不是最好的情况，也仅仅是比商业软件ABBYY稍逊一点点。

如果你想做OCR方便的开发，不妨学习下Calamari！

值得注意的是，作者并不是说Calamari全面超越了ABBYY，只是在特定领域使用Calamari可以达到超越ABBYY的效果。在ABBYY擅长的办公自动化OCR领域，作者并没有公布有没有实验、结果如何，如果各位读者感兴趣可以试试。

思考一下作者使用的训练方法，不难总结出一些原则：

1.先追求数据大而全，再使用特定任务数据；

2.先合成数据，再真实数据；

3.真实数据抽样，模型提精训练，避免过拟合。

重点来了！

Calamari开源地址：

https://github.com/Calamari-OCR/calamari

论文下载：