基于機器學(xué)習(xí)的光學(xué)符號識別模型

杜菲霏，郝歐亞，王思桐

（1.華北理工大學(xué)數(shù)學(xué)建模創(chuàng)新實驗室，唐山 063210；2.華北理工大學(xué)電氣工程學(xué)院，唐山 063210）

光學(xué)字符識別（Optical Character Recognition，OCR）是指通過電子設(shè)備通過字符識別方法將圖片文字抽取為可編輯文本的過程。由于圖像數(shù)據(jù)往往都包含噪聲，像素模式之間的關(guān)系極其復(fù)雜，使用計算機完成OCR 的過程很困難。基于此，需要設(shè)計一種圖像文字識別算法，以完成光學(xué)字符識別任務(wù)。

1 機器學(xué)習(xí)模型概述

用于分類的機器學(xué)習(xí)模型建立與求解過程，首先訓(xùn)練集進行預(yù)處理，選取合適的方法進行訓(xùn)練后得到模型，然后使用測試數(shù)據(jù)對模型進行評測，如果結(jié)果較好則證明該模型適合解決該類問題。有多元線性回歸模型、LightGbm 模型和 KNN 模型。

2 模型的建立求解

2.1 數(shù)據(jù)處理

首先使用Weka 軟件對數(shù)據(jù)初步進行統(tǒng)計分析，從統(tǒng)計分析數(shù)據(jù)可以看出，數(shù)據(jù)集中并未含有異常值與缺失值，大部分在數(shù)據(jù)在0-15之間，分布較均勻。

統(tǒng)計分析之后，對數(shù)據(jù)集中的英文字符進行字典編碼處理，首先建立字符字典，例如字典{A：1，B：2，C：3，D：4，E：5}，然后進行字符映射，分別將數(shù)據(jù)集中的字符A，B，C，D，E 使用數(shù)字1，2，3，4，5代替，其它字符以次類推。

2.2 特征工程

由于字符在圖像中主要由像素構(gòu)成，得出字符所在矩形區(qū)域的水平、豎直位置、矩形區(qū)域的寬度、高度對字符識別作用較小，故將其剔除，后期實驗表明剔除這四組特征后的效果優(yōu)于原始特征。

2.3 模型求解

（1）多元線性回歸模型。將預(yù)處理后的樣本數(shù)據(jù)代入模型，使用Python 中的sklearn.linear_model.LinearRegression 庫求出權(quán)重矩陣，用于光學(xué)字符檢測。

（2）LightGbm 模型。將預(yù)處理后的樣本數(shù)據(jù)代入模型，設(shè)置boost 類型為gbdt'，葉子數(shù)為 100，學(xué)習(xí)率為 0.01，迭代5000次，使用Python 中的lightgbm 庫得出模型，用于光學(xué)字符檢測。

（3）KNN 模型。將預(yù)處理后的樣本數(shù)據(jù)代入模型，使Python 中的 sklearn.neighbors 庫得出模型，用于光學(xué)字符檢測。

3 模型檢驗

準確率（Accuracy）、查準率（Precision）、召回率（Recall）、F1值都是評價模型好壞的指標，只是評測的側(cè)重點不同，且各指標間有一定的關(guān)聯(lián)。

3.1 Accuracy 值

Accuracy 為預(yù)測值中所有正確值的數(shù)量/真實值的數(shù)量，定義如式（1）。

3.2 F1 值

Precision 是指模型的查準率，定義如式（2）。

Recall 是指模型的召回率，定義如式（3）。

由于Precision 與Recall 是相對的，不能通過單一的Precision或Recall 來評測模型的優(yōu)劣，F(xiàn)1 值可以用來量化的權(quán)衡關(guān)系，定義如式（4）。

3.3 評測結(jié)果

取70%數(shù)據(jù)集作為訓(xùn)練集，其余30%數(shù)據(jù)集作為測試集，不同模型的在測試結(jié)的測試結(jié)果如圖1所示。

圖1 模型評測結(jié)果對比圖

由于單個模型數(shù)據(jù)清洗前后的差距較小，對比不明顯，給出模型評測結(jié)果對比表。

4 結(jié)果分析

由圖1可以看出，KNN 模型的準確率遠遠高于其它兩個模型，在測試集的準確率達到95.3%，所以對于英文字符的識別，具有很好的效果；由于特征數(shù)目對于多元線性回歸模型來說過多，所以效果很差；由于改數(shù)據(jù)集對于LightGbm 模型來說過小，所以效果較差。綜上所述，KNN 模型最適合光學(xué)字符識別。

5 結(jié)束語

綜上所述，KNN 是一種簡單有效的機器學(xué)習(xí)分類算法，優(yōu)點是訓(xùn)練代價較低、使用訓(xùn)練集的規(guī)模較小、更適合于多分類任務(wù)、準確率高、時間復(fù)雜度低，缺點是計算量較大、依賴于距離函數(shù)與K 值。KNN 模型不僅可以應(yīng)用于光學(xué)字符識別，也可以應(yīng)用于文本分類、用戶產(chǎn)品推薦、疾病預(yù)測等方面。