吳博世 田英愛 王浩翔

(北京信息科技大學(xué)計(jì)算機(jī)學(xué)院 北京 100000)

近期，越來越多的人了解并喜歡上了國學(xué)文化，人們紛紛投入對國學(xué)文化學(xué)習(xí)的行列，掀起了一陣國學(xué)文化的學(xué)習(xí)熱潮。隨著人們對國學(xué)文化的逐步學(xué)習(xí)，我們發(fā)現(xiàn)人們?nèi)鄙賹W(xué)習(xí)國學(xué)文化的工具。調(diào)查了解到，人們學(xué)習(xí)國學(xué)文化的一大阻礙就是有很多生僻字不認(rèn)識、不會(huì)讀、不了解是什么意思。為了有效推動(dòng)國學(xué)文化的學(xué)習(xí)，我們經(jīng)過組內(nèi)討論決定利用OCR技術(shù)，以及相關(guān)的Android頁面設(shè)計(jì)，還有相關(guān)的難檢字識別算法，如attention，設(shè)計(jì)一款有助于學(xué)習(xí)國學(xué)文化的app，解決漢語言難檢字讀音的困難。

一、實(shí)現(xiàn)app的過程

在項(xiàng)目開始時(shí)，我們先規(guī)劃了本app大概要實(shí)現(xiàn)的功能，理清了設(shè)計(jì)思路。我們要實(shí)現(xiàn)通過圖像識別技術(shù)、手寫輸入技術(shù)，將要識別的字轉(zhuǎn)化為文本信息，再基于《山海經(jīng)》中的生僻字創(chuàng)建一個(gè)數(shù)據(jù)庫，最后通過連接數(shù)據(jù)庫將文本信息和數(shù)據(jù)庫中的字進(jìn)行匹配，然后調(diào)用數(shù)據(jù)庫中的信息，從而實(shí)現(xiàn)本app所既定的功能。我們的設(shè)計(jì)思路是通過Andorid Studio來構(gòu)建這個(gè)手機(jī)app的框架，然后再通過接口連接到一些其他技術(shù)，最后連接Andorid Studio內(nèi)部的數(shù)據(jù)庫[1]將收集到的字的信息導(dǎo)入其中，最終完成一個(gè)功能豐富的app。

（一）應(yīng)用OCR技術(shù)

我們首要學(xué)習(xí)的技術(shù)就是OCR技術(shù)，OCR技術(shù)是光學(xué)字符識別（Optical Character Recognition， OCR）[2]，是指對文本資料的圖像文件進(jìn)行分析識別處理，獲取文字及版面信息的過程。亦即將圖像中的文字進(jìn)行識別，并以文本的形式返回。

我們將OCR技術(shù)應(yīng)用到我們的項(xiàng)目過程中遇到了較大的困難，在文字檢測部分的困難是要定位字的位置。在給定的一張圖像中，我們需要找出這張圖里文字出現(xiàn)的位置，這就需要用到attention技術(shù)。為了區(qū)分出是不是字，除了從整體對圖片進(jìn)行把握，更關(guān)注的是局部信息，也就是字的特點(diǎn)，包括筆畫，字形，結(jié)構(gòu)等內(nèi)容。至于圖像中其他無關(guān)緊要的信息，對于字的識別并不能起作用，所以，注意力機(jī)制就是一個(gè)關(guān)鍵的技術(shù)，讓深度學(xué)習(xí)模型更關(guān)注某個(gè)局部的信息。

（二）應(yīng)用RA-CNN技術(shù)

在文本識別部分的困難是首先是用戶將想要識別的字拍照上傳，由于用戶拍照的過程比較隨意，圖像的場景不固定，文字布局多樣，導(dǎo)致上傳了各式各樣的圖像，圖像歪斜、模糊，文本布局扭曲、褶皺、換向都是不可避免的，也會(huì)遇到低亮度、低對比度、光照不均、透視變形和殘缺遮擋等問題，這就需要進(jìn)行校正，通過幾何變換、畸變校正、去除模糊、圖像增強(qiáng)和光線校正等文字檢測對用戶上傳圖像中的文字進(jìn)行處理[3]。其次是對文本內(nèi)容進(jìn)行識別，將圖像中的文本信息轉(zhuǎn)化為文本信息，要識別得出每個(gè)文字是什么，然后根據(jù)識別出來的文字匹配我們數(shù)據(jù)庫中的文字，將數(shù)據(jù)庫中與之匹配的文字信息調(diào)用出來。將圖像中的文本信息轉(zhuǎn)化為文本信息是重中之重，它也需要attention技術(shù)的支持才能實(shí)現(xiàn)，我們借鑒了一個(gè)基于CNN的注意力機(jī)制，叫做Recurrent attention convolutional neural network (RA-CNN)[4]，該模型遞歸地分析局部信息，從局部信息中提取必要的特征，讓整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)不僅關(guān)注整體信息，還關(guān)注局部信息，拿“木”字舉例，之前通過文字檢測的attention技術(shù)來定位到“木”這個(gè)字的位置，然后根據(jù)RA-CNN技術(shù)遞歸地將“木”字放大成一個(gè)個(gè)局部的筆畫，比如一撇，一捺，一橫，一豎，然后再通過Attention Proposal Sub-Network (APN)技術(shù)，迭代地生成子區(qū)域，并對這些子區(qū)域進(jìn)行必要的預(yù)測，將這些子區(qū)域所得到的預(yù)測結(jié)果進(jìn)行必要的整合，從而得到整個(gè)字的預(yù)測概率。

總體來說，Attention機(jī)制就是從整個(gè)圖像出發(fā)，判斷出字分布的位置，然后輸出一個(gè)坐標(biāo)值和尺寸大小，在這個(gè)基礎(chǔ)上，下一個(gè)子圖就是從上一個(gè)判斷出的圖像中出發(fā)，再輸出一個(gè)坐標(biāo)值和尺寸大?。蝗缓笤俚掷m(xù)放大圖片，從而不停地聚集在圖片中的某些關(guān)鍵位置，不同尺寸的圖片都能輸出不同的信息，再將其進(jìn)行必要的融合，最終得出整個(gè)圖像中識別出來的字。

（OCR的技術(shù)路線）

（三）Android Studio中的接口調(diào)用

要想使用OCR技術(shù)，就必須使用接口調(diào)用。我們通過Android Studio來實(shí)現(xiàn)接口調(diào)用，要實(shí)現(xiàn)的功能是用手機(jī)拍照，然后將照片信息傳遞給服務(wù)器，參數(shù)以POST的形式發(fā)送，按照百度OCRapi的要求[5]，需要加上@FormUrlEncode注釋，我們使用@Field的方式將參數(shù)加入請求體，Observable中的是RecognitionResultBean類型，我們可以從里面拿到服務(wù)器返回的文字識別信息。調(diào)用此方法，便可以把圖片類型轉(zhuǎn)化成字符串類型，之后的操作便是對網(wǎng)絡(luò)接口調(diào)用之后的回調(diào)方法進(jìn)行定義，我們在調(diào)用成功后的onNext操作中，拿到了RecognitionResultBean類型參數(shù)，這個(gè)參數(shù)里含有圖片所包含文字的信息，我們將所有的文字一一取出，用StringBuilder連接成一個(gè)字符串，返回給View層，調(diào)用View層的updateUI進(jìn)行UI界面的更新，對于這個(gè)字符串我們在之后還可以進(jìn)行進(jìn)一步的分析操作。

要使用相機(jī)功能調(diào)用，就需要請求權(quán)限。分別是網(wǎng)絡(luò)請求權(quán)限，數(shù)據(jù)的讀存取權(quán)限，以及相機(jī)權(quán)限。在Android 6.0 之前應(yīng)用的權(quán)限在安裝時(shí)全部授予，也就是說只要在AndroidManifest中申請過的權(quán)限，都會(huì)給予。而在Android 6.0 或更高版本之后，對權(quán)限的管理作出了改變，對某些涉及用戶隱私的權(quán)限可在運(yùn)行時(shí)根據(jù)用戶的需要?jiǎng)討B(tài)授予，也就是說，在AndroidManifest中申請的權(quán)限，在用戶使用的過程中還得詢問用戶是否給予，用戶給予權(quán)限了，應(yīng)用才能進(jìn)行相關(guān)的權(quán)限操作。如果拍照成功，我們就把照片作為參數(shù)傳遞給之前定義好的接口方法，調(diào)用進(jìn)行圖片文字識別?？梢钥吹?，我還把照片放入imageview中方便與識別結(jié)果進(jìn)行對比。等服務(wù)器成功返回識別結(jié)構(gòu)之后，就會(huì)調(diào)用VIew層的updateUI，更新textview顯示識別結(jié)果。

在測試階段，我們先就《山海經(jīng)》一書來選取難檢字進(jìn)行數(shù)據(jù)處理，錄入安卓的數(shù)據(jù)庫，進(jìn)行測試，其中印刷體字的識別準(zhǔn)確率還是比較高的，幾乎達(dá)到了100%，手寫體識別，因?yàn)槿藶橐蛩剌^大，識別率不盡人意，但是還是可以識別出來大部分。目前在山海經(jīng)中收錄難檢字300余字，以后會(huì)添加入《詩經(jīng)》等生澀難懂的書目的難檢字，或找到相關(guān)難檢字庫。

二、結(jié)束語

此項(xiàng)目在歷經(jīng)一年之后，我們終于完成了對本app的研究，并完成了真機(jī)的試驗(yàn)，還得到了很不錯(cuò)的識別率，真的很不錯(cuò)，我們覺得這是一款對于國學(xué)愛好者很友好的軟件，后續(xù)我們還會(huì)增加字庫，研發(fā)更加方便的識別模式，美化成更精致簡潔的頁面，使用戶的體驗(yàn)達(dá)到最佳。