机器学习11：应用之图片字符识别

问题简介及解决流程

1. 问题如上图，如何从图片中识别出若干文字信息。

2. 解决流程：

   1. 文本检测(将有文字的部分整块截图)

   
   2. 字符分割(将截图分割成单个字符的图)
   
   3. 识别分割出来的图中的字符
   

以上三个流程可分别安排团队成员(1-5个)进行处理

滑动窗口

行人检测

1. 先指定一定的长宽比(如8236或8240等)
2. 筛选该长宽比下的正样本(y=1)和负样本(y=0) :
   
3. 在要检测的图片上，按该长宽比下的窗口以一定的步长进行滑动，每滑动一步选取一部分图案进行检测：
   

PS：如果横着滑，滑完第一行后，要滑到下一行时，需要注意的是，也是按步长滑动下降到1+b行(如果b为步长)

文本检测

1. 同理，准备正样本和负样本：
   
2. 选取一定长宽比的窗口在图片上滑动检测
   

如左图，以上白色区域便是检测到文本的区域；可以通过区域扩展(expansion)，使文本变成如右下图的整块

字符分割

1. 按照截图到的文字区域中单个字符的长宽，选择一定长宽比来选择正样本和负样本：
   
2. 用与上一步的长宽比同等尺寸的窗口在截图到的文字区域中滑动，检测分割线

识别单个字符

• 按正常使用逻辑回归识别即可
  

• 但是存在如何获取大量训练样本的问题，可以人工合成关于字符的训练集(不同字体、艺术字、旋转、缩放、扭曲、模糊化、随机背景等)

  1. 左边是真实数据，右边是理想数据
     
  2. 可以给左边的样本加上随机背景变成右边
     
  3. 扭曲
     

• 同理，以上训练集扩展方法也可以应用于声音检测：

如上图，第一个声音是原始声音，第二个是模拟了通信差的情景，第三个是加上了人群声，第四个是加上了机器声

• 注意的是：
  1. 不要仅仅加上随机/无意义的噪声就作为新样本，这样的样本帮助不大：
     
  2. 在扩展训练集之前确定拥有低偏差高方差(通过学习曲线判断)的假设函数(分类器)，比如一直增加隐藏层或特征数量直到拥有低偏差分类器
  3. 思考如果要获得10倍的数据需要花多长时间。(途径包括人工合成、自己收集和标记、自己掏钱从众包中获取（如亚马逊劳务众包平台“Amazon MechanicalTurk”）)

上限分析

分析机器学习系统整个流程中，哪个步骤对准确度最有帮助，以免在不重要的步骤中花费过多精力。

可见，上图中，文本检测能够提高17%的准确度，对系统最有帮助。

• 如果得到以上准确度的呢？ 依次将每个步骤，用人工的方式去处理(也就是效果达到极致)，观察模型准确率的变化，找到变化最大的步骤。

• 其他上限分析的应用例子(人脸识别)：
  

由上图可见，面部检测的步骤是最重要的，应把精力重点放在改进面部检测。