基于Paddle的截圖&OCR文字識別的實現(xiàn)

hncdman 2022-05-25 發(fā)布于湖南

展開全文

一款截圖識別文字的OCR工具主要涉及2個環(huán)境：

截圖
OCR識別

前要

OCR的應(yīng)用場景

根據(jù)OCR的應(yīng)用場景而言，我們可以大致分成識別特定場景下的專用OCR以及識別多種場景下的通用OCR。就前者而言，證件識別以及車牌識別就是專用OCR的典型案例。針對特定場景進(jìn)行設(shè)計、優(yōu)化以達(dá)到最好的特定場景下的效果展示。那通用的OCR就是使用在更多、更復(fù)雜的場景下，擁有比較好的泛性。在這個過程中由于場景的不確定性，比如：圖片背景極其豐富、亮度不均衡、光照不均衡、殘缺遮擋、文字扭曲、字體多樣等等問題，會帶來極大的挑戰(zhàn)。

OCR的技術(shù)路線

典型的OCR技術(shù)路線如下圖所示：

其中OCR識別的關(guān)鍵路徑在于文字檢測和文本識別部分，這也是深度學(xué)習(xí)技術(shù)可以充分發(fā)揮功效的地方。PaddleHub為大家開源的預(yù)訓(xùn)練模型的網(wǎng)絡(luò)結(jié)構(gòu)是Differentiable Binarization+ CRNN，基于icdar2015數(shù)據(jù)集下進(jìn)行的訓(xùn)練。

首先，DB是一種基于分割的文本檢測算法。在各種文本檢測算法中，基于分割的檢測算法可以更好地處理彎曲等不規(guī)則形狀文本，因此往往能取得更好的檢測效果。但分割法后處理步驟中將分割結(jié)果轉(zhuǎn)化為檢測框的流程復(fù)雜，耗時嚴(yán)重。因此作者提出一個可微的二值化模塊（Differentiable Binarization，簡稱DB），將二值化閾值加入訓(xùn)練中學(xué)習(xí)，可以獲得更準(zhǔn)確的檢測邊界，從而簡化后處理流程。DB算法最終在5個數(shù)據(jù)集上達(dá)到了state-of-art的效果和性能。參考論文：Real-time Scene Text Detection with Differentiable Binarization

下圖是DB算法的結(jié)構(gòu)圖：

接著，我們使用 CRNN（Convolutional Recurrent Neural Network）即卷積遞歸神經(jīng)網(wǎng)絡(luò)，是DCNN和RNN的組合，專門用于識別圖像中的序列式對象。與CTC loss配合使用，進(jìn)行文字識別，可以直接從文本詞級或行級的標(biāo)注中學(xué)習(xí)，不需要詳細(xì)的字符級的標(biāo)注。參考論文:An end-to-end trainable neural network for image-based sequence recognition and its application to scene text recognition

下圖是CRNN的網(wǎng)絡(luò)結(jié)構(gòu)圖：

截圖工具

很多人會把它想的非常復(fù)雜，其實，Python中有很多可以實現(xiàn)截圖的庫或者函數(shù)，最常見的有三種方法。

一、Python調(diào)用windows API實現(xiàn)屏幕截圖

二、使用PIL的ImageGrab模塊

三、使用Selenium截圖

而我們需要做到的事鼠標(biāo)框選范圍截圖，因此我們采用PyQt5和PIL實現(xiàn)截圖功能。

我們只需要把鼠標(biāo)框選的起點和終點坐標(biāo)傳給grab方法就可以實現(xiàn)截圖功能。

那么，現(xiàn)在問題就轉(zhuǎn)化為如何獲取鼠標(biāo)框選的起點和終點？

Textshot通過調(diào)用PyQt5并繼承QWidget來實現(xiàn)鼠標(biāo)框選過程中的一些方法來獲取框選的起點和終點。

Textshot繼承和重寫QWidget方法主要包括如下幾個，

keyPressEvent(self, event)：鍵盤響應(yīng)函數(shù)
paintEvent(self, event)：UI繪制函數(shù)
mousePressEvent(self, event)：鼠標(biāo)點擊事件
mouseMoveEvent(self, event)：鼠標(biāo)移動事件
mouseReleaseEvent(self, event)：鼠標(biāo)釋放事件

可以看出，上面重寫的方法以及囊括了截圖過程中涉及的各個動作，

點擊鼠標(biāo)
拖動、繪制截圖框
釋放鼠標(biāo)

當(dāng)然了，這一部分有現(xiàn)成的

可以直接使用：

class Snipper(QtWidgets.QWidget):
    def __init__(self, parent=None, flags=Qt.WindowFlags()):
        super().__init__(parent=parent, flags=flags)

        self.setWindowTitle("TextShot")
        self.setWindowFlags(
            Qt.FramelessWindowHint | Qt.WindowStaysOnTopHint | Qt.Dialog        )

        self.setWindowState(self.windowState() | Qt.WindowFullScreen)
        self.screen = QtGui.QScreen.grabWindow(
            QtWidgets.QApplication.primaryScreen(),
            QtWidgets.QApplication.desktop().winId(),
        )
        palette = QtGui.QPalette()
        palette.setBrush(self.backgroundRole(), QtGui.QBrush(self.screen))
        self.setPalette(palette)

        QtWidgets.QApplication.setOverrideCursor(QtGui.QCursor(QtCore.Qt.CrossCursor))

        self.start, self.end = QtCore.QPoint(), QtCore.QPoint()

    def keyPressEvent(self, event):
        if event.key() == Qt.Key_Escape:
            QtWidgets.QApplication.quit()

        return super().keyPressEvent(event)

    def paintEvent(self, event):
        painter = QtGui.QPainter(self)
        painter.setPen(Qt.NoPen)
        painter.setBrush(QtGui.QColor(0, 0, 0, 100))
        painter.drawRect(0, 0, self.width(), self.height())

        if self.start == self.end:
            return super().paintEvent(event)

        painter.setPen(QtGui.QPen(QtGui.QColor(255, 255, 255), 3))
        painter.setBrush(painter.background())
        painter.drawRect(QtCore.QRect(self.start, self.end))
        return super().paintEvent(event)

    def mousePressEvent(self, event):
        self.start = self.end = QtGui.QCursor.pos()
        self.update()
        return super().mousePressEvent(event)

    def mouseMoveEvent(self, event):
        self.end = QtGui.QCursor.pos()
        self.update()
        return super().mousePressEvent(event)

    def mouseReleaseEvent(self, event):
        if self.start == self.end:
            return super().mouseReleaseEvent(event)

        self.hide()
        QtWidgets.QApplication.processEvents()
        shot = self.screen.copy(QtCore.QRect(self.start, self.end))
        processImage(shot)
        QtWidgets.QApplication.quit()def processImage(img):

    buffer = QtCore.QBuffer()
    buffer.open(QtCore.QBuffer.ReadWrite)
    img.save(buffer, "PNG")
    pil_img = Image.open(io.BytesIO(buffer.data()))
    buffer.close()if __name__ == '__main__':

    QtCore.QCoreApplication.setAttribute(Qt.AA_DisableHighDpiScaling)
    app = QtWidgets.QApplication(sys.argv)
    window = QtWidgets.QMainWindow()
    snipper = Snipper(window)
    snipper.show()
    sys.exit(app.exec_())

OCR文字識別

那么我們的文字識別模型選擇了Paddle最新推出的OCR識別模型。改模型同時支持中英文識別；支持傾斜、豎排等多種方向文字識別。

識別文字算法采用CRNN (Convolutional Recurrent Neural Network)即卷積遞歸神經(jīng)網(wǎng)絡(luò)。其是DCNN和RNN的組合，專門用于識別圖像中的序列式對象。與CTC loss配合使用，進(jìn)行文字識別，可以直接從文本詞級或行級的標(biāo)注中學(xué)習(xí)，不需要詳細(xì)的字符級的標(biāo)注。該Module是一個通用的OCR模型，支持直接預(yù)測。

這一步我們就要做的是將截取的圖片傳入文字識別模型即可。

import os
os.environ['HUB_HOME'] = "./modules"from PyQt5 import QtCore, QtGui, QtWidgetsfrom PyQt5.QtCore import Qtfrom PIL import Imageimport ioimport sysimport numpy as npimport paddlehub as hubclass Snipper(QtWidgets.QWidget):
    def __init__(self, parent=None, flags=Qt.WindowFlags()):
        super().__init__(parent=parent, flags=flags)

        self.setWindowTitle("TextShot")
        self.setWindowFlags(
            Qt.FramelessWindowHint | Qt.WindowStaysOnTopHint | Qt.Dialog        )

        self.setWindowState(self.windowState() | Qt.WindowFullScreen)
        self.screen = QtGui.QScreen.grabWindow(
            QtWidgets.QApplication.primaryScreen(),
            QtWidgets.QApplication.desktop().winId(),
        )
        palette = QtGui.QPalette()
        palette.setBrush(self.backgroundRole(), QtGui.QBrush(self.screen))
        self.setPalette(palette)

        QtWidgets.QApplication.setOverrideCursor(QtGui.QCursor(QtCore.Qt.CrossCursor))

        self.start, self.end = QtCore.QPoint(), QtCore.QPoint()

    def keyPressEvent(self, event):
        if event.key() == Qt.Key_Escape:
            QtWidgets.QApplication.quit()

        return super().keyPressEvent(event)

    def paintEvent(self, event):
        painter = QtGui.QPainter(self)
        painter.setPen(Qt.NoPen)
        painter.setBrush(QtGui.QColor(0, 0, 0, 100))
        painter.drawRect(0, 0, self.width(), self.height())

        if self.start == self.end:
            return super().paintEvent(event)

        painter.setPen(QtGui.QPen(QtGui.QColor(255, 255, 255), 3))
        painter.setBrush(painter.background())
        painter.drawRect(QtCore.QRect(self.start, self.end))
        return super().paintEvent(event)

    def mousePressEvent(self, event):
        self.start = self.end = QtGui.QCursor.pos()
        self.update()
        return super().mousePressEvent(event)

    def mouseMoveEvent(self, event):
        self.end = QtGui.QCursor.pos()
        self.update()
        return super().mousePressEvent(event)

    def mouseReleaseEvent(self, event):
        if self.start == self.end:
            return super().mouseReleaseEvent(event)

        self.hide()
        QtWidgets.QApplication.processEvents()
        shot = self.screen.copy(QtCore.QRect(self.start, self.end))
        processImage(shot)
        QtWidgets.QApplication.quit()def processImage(img):

    buffer = QtCore.QBuffer()
    buffer.open(QtCore.QBuffer.ReadWrite)
    img.save(buffer, "PNG")
    pil_img = Image.open(io.BytesIO(buffer.data()))
    buffer.close()

    np_images = [np.array(pil_img)]

    results = ocr.recognize_text(
        images=np_images,  # 圖片數(shù)據(jù)，ndarray.shape 為 [H, W, C]，BGR格式；
        use_gpu=False,  # 是否使用 GPU；若使用GPU，請先設(shè)置CUDA_VISIBLE_DEVICES環(huán)境變量
        output_dir='ocr_result',  # 圖片的保存路徑，默認(rèn)設(shè)為 ocr_result；
        visualization=True,  # 是否將識別結(jié)果保存為圖片文件；
        box_thresh=0.5,  # 檢測文本框置信度的閾值；
        text_thresh=0.5)  # 識別中文文本置信度的閾值；

    text = []

    for result in results:
        data = result['data']
        save_path = result['save_path']
        for infomation in data:
            print('text: ', infomation['text'], '\nconfidence: ', infomation['confidence'], '\ntext_box_position: ',
                  infomation['text_box_position'])
            text.append(str(infomation['text']) + '\n')

    print(text)

    with open('data.txt', 'w') as f:
        for i in text:
            f.write(str(i))

    os.system(r'data.txt')if __name__ == '__main__':
    # 加載移動端預(yù)訓(xùn)練模型
    # ocr = hub.Module(name="chinese_ocr_db_crnn_mobile")
    # 服務(wù)端可以加載大模型，效果更好
    ocr = hub.Module(name="chinese_ocr_db_crnn_server")

    QtCore.QCoreApplication.setAttribute(Qt.AA_DisableHighDpiScaling)
    app = QtWidgets.QApplication(sys.argv)
    window = QtWidgets.QMainWindow()
    snipper = Snipper(window)
    snipper.show()
    sys.exit(app.exec_())

那么我們可以測試一下它的效果：