【Keras计算机视觉OCR】文字识别算法中DenseNet、LSTM、CTC、Attention的讲解（图文解释 超详细）

觉得有帮助麻烦点赞关注收藏~~~

一、OCR文字识别的概念

利用计算机自动识别字符的技术，是模式识别应用的一个重要领域。人们在生产和生活中，要处理大量的文字、报表和文本。为了减轻人们的劳动，提高处理效率，从上世纪50年代起就开始探讨文字识别方法，并研制出光学字符识别器。

OCR（Optical Character Recognition）图像文字识别是人工智能的重要分支，赋予计算机人眼的功能，可以看图识字。如图6-1所示，图像文字识别系统流程一般分为图像采集、文字检测、文字识别及结果输出四个部分。

二、文字识别算法 

卷积神经网络是图像识别的主要方法，也同样适用于字符的识别，但文本识别不同于其他的图像识别，文本行的字符间是一个序列，彼此之间也有一定关系，同一文本行上的不同字符可以互相利用上下文信息，因此可以采用处理序列的方法例如循环神经网络来表示，CNN和RNN两种网络相结合可以提高识别精度，CNN用来提取图像的深度特征，RNN用来对序列的特征进行识别，以符合文本序列的性质，从而形成统一的端到端可训练模型

下面将介绍DenseNet+LSTM+CTC的结合方式 将特征提取 序列预测和解码集成到一个统一的网络模型中

1：基于DenseNet网络模型的序列特征提取

DenseNet是一种有效的图像识别算法，该网络的优点在于减轻了深层网络梯度消失问题，增强了特征图的传播利用率，减少了模型参数量，在ResNet的基础上进一步加强了特征图之间的连接，构造了一种具有密集连接方式的卷积神经网络

DenseNet网络模型的核心组成部分是密集连接模块，这个模块中任意两层之间均直接的连接，即网络中的第一