技术浅析
近年来，随着移动设备的快速更新迭代，以及移动互联网的快速生长，从以往的扫描文件的字符识别，到现在应用到自然场景中图片文字的识别，如识别身份证、银行卡、门牌、票据及种种网络图片中的文字。
古板技术框架
首先文本定位，接着进行倾斜文本矫正，之后支解出单字后，并对单字识别，Z后基于统计模型（如隐马尔科夫链，HMM）进行语义纠错？砂创矸椒ɑ治鼋锥危涸ご斫锥巍⑹侗鸾锥魏秃蟠斫锥。其中要害在于预处理阶段，预处理阶段的质量直接决定了Z终的识别效果，因此这里详细介绍下预处理阶段。
定位图片中的文字区域，而文字检测主要基于连通域剖析的要领，主要思想是利用文字颜色、亮度、边沿信息进行聚类的方法来快速疏散文字区域与非文字区域，较为流行的两个算法划分是：Z大极值稳定区域(MSER)算法及笔画宽度变换(SWT)算法，而在自然场景中因受到光照强度、图片拍摄质量和类文字配景的滋扰，使得检测结果中包括很是多的非文字区域，而目前从候选区域区分出真正文字区域主要两种要领，用规则判断或轻量级的神经网络模型进行区分；
行列支解提取出单字，这一步利用文字在行列间保存间隙的特征，通过二值化并在投影后找出行列支解点，当在文字与配景的区分度较好时，效果很好，而拍摄的图片中光照、摄像质量的影响，并且文字配景无法区分时，常造成过失支解的情况。
身份证识别技术流程与上述框架稍微有所差别。对该问题，已知先验信息：a.证件长宽牢固；b.字体及巨细一致；c.文内幕关于证件位置牢固；d.保存牢固文字。因此，处理该问题的思路为：先定位目标物体（证件），矫正后提取文字进行识别，Z后进行语义纠错，如下图：
支解出单字后接着用分类器进行识别，并在这步基于统计上的先验信息界说了一个简单的优化函数，可看做1-gram语言模型。先验信息为：2400（总共660273）汉字的使用频率之和为99%以上。界说的优化函数为：
下图给出了示例：
古板OCR冗长的处理流程以及大宗人工规则的保存，使得每步的过失不绝累积，而使得Z终识别结果无法满足实际需求。接下来讨论基于深度学习的OCR。
文本行检测，其又可分为水平行文字检测算法与倾斜文字行检测算法。这里主要介绍下Tian提出算法CTPN，其算法框架如下图。主要思路是将文本行识别看做一个序列识别问题，差别于一般的目标检测问题，引入RNN来利用上下文的信息。