2024年4月4日发(作者：)

OCR识别技术

OCR技术是光学字符识别技术的缩写(Optical Character Recognition)，是通过扫描

等光学输入方式将各种票据、报刊、书籍、文稿及其它印刷品的文字转化为图像信息，再

利用文字识别技术将图像信息转化为可以使用的计算机输入技术。可应用于银行票据、大

量文字资料、档案卷宗、文案的录入和处理领域。适合于银行、税务等行业大量票据表格

的自动扫描识别及长期存储。相对一般文本，通常以最终识别率、识别速度、版面理解正

确率及版面还原满意度4个方面作为OCR技术的评测依据；而相对于表格及票据， 通常

以识别率或整张通过率及识别速度为测定OCR技术的实用标准。

采用OCR识别技术,可以将其应用于银行票据光盘缩微系统，可以自动提取票据要素，

可减轻操作员的工作量，减少重复劳动，尤其是在与银行事后且监督系统相结合后，可以

替代原先的操作人员完成事后监督工作。由计算机自动识别票据上的日期、帐号、金额等

要素，通过银行事后监督系统与业务系统中的数据进行比较，完成传统的事后监督操作；

配有印章验证系统后，自动将凭证图像中的印章与系统中预留的印鉴进行比较，完成印章

的真伪识别。

OCR识别技术不仅具有可以自动判断、拆分、 识别和还原各种通用型印刷体表格，

在表格理解上做出了令人满意的实用结果，能够自动分析文稿的版面布局，自动分栏、并

判断出标题、横栏、图像、表格等相应属性，并判定识别顺序，能将识别结果还原成与扫

描文稿的版面布局一致的新文本。表格自动录入技术，可自动识别特定表格的印刷或打印

汉字、字母、数字，可识别手写体汉字、手写体字母、数字及多种手写符号，并按表格格

式输出。提高了表格录入效率，可节省大量人力。同时支持将表格识别直接还原成PTF、

PDF、HTML等格式文档；并可以对图像嵌入横排文本和竖排文本、表格文本进行自动排

版面分析。

利用目前的高新技术-OCR，直接从凭证影像中提取金额、帐号等重要数据，代替人的

手工录入，与条码识别/流水识别紧密结合，实现建立事后副本帐、完成事后监督的工作。

OCR处理一般使用性能较好的PC机，OCR处理程序一经启动会自动扫描数据库中的凭证

影像，发现有需OCR处理而未处理的，提取到本地进行处理。

OCR手写体、印刷体识别技术，能识别不同人写的千差万别的手写体汉字和数字，应

用于本系统，识别凭证影像中储户填写的信息，如大写金额、小写金额、帐号、存期、日

期、证件号等，可以代替手工录入。同时被识别得出的金额还要与流水识别所得的金额进

行核对，核对成功，则OCR识别成功。这样处理是为了避免误判。

经过对银行产生的实际凭证进行的大量测试，在实际开发过程中，根据银行的实际需

求，OCR技术在票据和表格识别能力和手写体自动识别能力上不断提升，目前处理速度可

达到每分钟60～80张票据，存折识别率已经达到了85%以上，存单、凭条识别率达到90%

以上，而85%以上的识别率就能减少80%以上的数据录入员。

在档案领域OCR技术使档案扫描成果达到了全文可识别，将档案数字化发展提升了到

了一个新的阶段，是原本扫描出来的图片变得更容易进行检索，为数字档案馆的数据查询

提供了技术支持，是档案数字化发展中必不可少的一环。

技术历史

光学文字识别的概念是在1929年由奥地利科学家Gustav Tauschek最先提出来的 ，

后来美国科学家Handel也提出了利用技术对文字进行识别的想法。而最早对印刷体汉字

识别进行研究的是IBM公司的Casey和Nagy，1966年他们发表了第一篇关于汉字识别

的文章，采用了模板匹配法识别了1000个印刷体汉字。

早在60、70年代，世界各国就开始有OCR的研究，而研究的初期，多以文字的识别

方法研究为主，且识别的文字仅为0至9的数字。以同样拥有方块文字的日本为例，1960

年左右开始研究OCR的基本识别理论，初期以数字为对象，直至1965至1970年之间开

始有一些简单的产品，如印刷文字的邮政编码识别系统，识别邮件上的邮政编码，帮助邮

局作区域分信的作业；也因此至今邮政编码一直是各国所倡导的地址书写方式。

20世纪70年代初，日本的学者开始研究汉字识别，并做了大量的工作。中国在OCR

技术方面的研究工作起步较晚，在70年代才开始对数字、英文字母及符号的识别进行研

究，70年代末开始进行汉字识别的研究，到1986年汉字识别的研究进入一个实质性的阶

段，不少研究单位相继推出了中文OCR产品.早期的OCR软件，由于识别率及产品化等多

方面的因素，未能达到实际要求。同时，由于硬件设备成本高，运行速度慢，也没有达到

实用的程度。只有个别部门，如信息部门、新闻出版单位等使用OCR软件。1986年以后

我国的OCR研究有了很大进展，在汉字建模和识别方法上都有所创新，在系统研制和开发

应用中都取得了丰硕的成果，不少单位相继推出了中文OCR产品。进入20世纪90年代

以后，随着平台式扫描仪的广泛应用，以及我国信息自动化和办公自动化的普及，大大推

动了OCR技术的进一步发展，使OCR的识别正确率、识别速度满足了广大用户的要求。

软件结构

由于扫描仪的普及与广泛应用，OCR软件只需提供与扫描仪的接口，利用扫描仪驱动

软件即可。因此，OCR软件主要是由下面几个部分组成。

1. 图像输入、预处理：

2. 图像输入：对于不同的图像格式，有着不同的存储格式，不同的压缩方式。预处理：

主要包括二值化，噪声去除，倾斜较正等

3. 二值化：

对摄像头拍摄的图片，大多数是彩色图像，彩色图像所含信息量巨大，对于图片的内

容，我们可以简单的分为前景与背景，为了让计算机更快的，更好的识别文字，我们需要

先对彩色图进行处理，使图片只前景信息与背景信息，可以简单的定义前景信息为黑色，

背景信息为白色，这就是二值化图了。

4. 噪声去除：

对于不同的文档，我们对燥声的定义可以不同，根据燥声的特征进行去燥，就叫做噪

声去除

5. 倾斜较正：

由于一般用户，在拍照文档时，都比较随意，因此拍照出来的图片不可避免的产生倾

斜，这就需要文字识别软件进行较正。

6. 版面分析：

将文档图片分段落，分行的过程就叫做版面分析，由于实际文档的多样性，复杂性，

因此，目前还没有一个固定的，最优的切割模型。

7. 字符切割：

由于拍照条件的限制，经常造成字符粘连，断笔，因此极大限制了识别系统的性能，

这就需要文字识别软件有字符切割功能。

8. 字符识别：

这一研究，已经是很早的事情了，比较早有模板匹配，后来以特征提取为主，由于文

字的位移，笔画的粗细，断笔，粘连，旋转等因素的影响，极大影响特征的提取的难度。

9. 版面恢复：

人们希望识别后的文字，仍然像原文档图片那样排列着，段落不变，位置不变，顺序

不变，的输出到word文档,pdf文档等，这一过程就叫做版面恢复。

10. 后处理、校对:

根据特定的语言上下文的关系，对识别结果进行较正，就是后处理。

工作流程

一个OCR识别系统，其目的很简单，只是要把影像作一个转换，使影像内的图形继续

保存、有表格则表格内资料及影像内的文字，一律变成计算机文字，使能达到影像资料的

储存量减少、识别出的文字可再使用及分析，当然也可节省因键盘输入的人力与时间。

从影像到结果输出，须经过影像输入、影像前处理、文字特征抽取、比对识别、最后

经人工校正将认错的文字更正，将结果输出。目前国内最有实力的OCR字符识别公司有：

云脉OCR, 汉王OCR等。