汉字文本平面ocr数据集有哪些?

一、汉字文本平面ocr数据集有哪些?

扫一扫识别文字、拍照翻译、拍照搜题、车牌自动识别……这些随处可见的功能，给我们的工作和生活带来了极大的便利，其背后都离不开OCR技术的支持。

随着深度学习技术的发展，智能OCR算法与应用也越来越丰富，对相关数据的需求也增加。

许多小伙伴反馈中文OCR数据集不好找，今天我们贴心地帮大家整理了8个常用的中文OCR数据集资源，记得收藏。

No.1

MSRA-TD500 (MSRA Text Detection 500 Database)

下载链接：https://opendatalab.com/MSRA-TD500

MSRA-TD500由华中科技大学于 2012 年在 CVPR 发布，是一个用于测试和评估多方向、多语言文字检测算法的自然图像数据集，包含500幅拍摄于室内（办公室和商场）和室外（街道）场景的自然图像。室内的图像主要包括标识、门牌和标牌等，室外的图像主要是路牌和广告牌等。图像的分辨率较高，介于1294*864和1920*1280之间。

该数据集由两部分构成：训练集、测试集。训练集中一共有300幅图像，通过随机抽样的形式从原始数据集中抽取出来。余下的200幅图像构成测试集。

数据集中的所有图像都经过完整标注。数据集的基本单元是文本行而非单词。

MSRA-TD500数据集中的典型图像以及文字的标准矩形框 每一个矩形框对应一个文本行。红色的矩形框表示其中的文字被标记为“困难”。在MSRA-TD500数据集中，难以检测的文字（一般由低分辨率、模糊和遮挡等因素造成）会被标记为“困难”。

No.2

Chinses Text in the Wild(CTW)

下载链接：https://ctwdataset.github.io/

由清华大学与腾讯共同推出的一个大型中文自然文本数据集（Chinese Text in the Wild，CTW）。该数据集包含 32,285 张图像和 1,018,402 个中文字符。

每张图像尺寸为2048*2048，数据集大小为31GB。CTW以（8:1:1）的比例将数据集分为：

• 训练集（25887张图像，812872个中文字符）；
• 测试集（3269张图像，103519个中文字符）；
• 验证集（3129张图像，103519个中文字符）；

这些图像源于腾讯街景，从中国的几十个不同城市中捕捉得到。数据多样、复杂，它包含了平面文本、凸出文本、城市街景文本、乡镇街景文本、弱照明条件下的文本、远距离文本、部分显示文本等。

对于每张图像，数据集中都标注了所有中文字符。对每个中文字符，数据集都标注了其真实字符、边界框和 6 个属性以指出其是否被遮挡、有复杂的背景、被扭曲、3D 凸出、艺术化，和手写体等。

No.3

Reading Chinses Text in the Wild(RCTW-17)

下载链接：https://rctw.vlrlab.net/dataset.html

ICDAR（国际文档分析和识别大会）在2017年发起了一项专注于中文检测和识别比赛项目（RCTW），RCTW-17为竞赛数据集，它由12263张包含中文的自然场景图片组成，其中大部分是直接由摄像头或手机拍摄，少部分为生成图像，并且每张图像至少包含一行中文。图像尺寸不规则，数据集大小为11.4GB。

数据的标注均通过标注工具手工标注完成，通过绘制四边形来标注一个文本行，而不是以单词为单位进行标注，每个文本行的内容以UTF-8字符串进行标注。在数据集中存在字体、布局和语言等多样性。

数据集划分为两部分：训练集和验证集。训练集包含8034张图片，测试集包含4229张图片。

No.4

ICPR MWI 2018挑战赛

下载链接：https://tianchi.aliyun.com/competition/entrance/231685/information

ICPR MWI 大赛提供的包含2000张图像的官方数据集，主要由合成图像，产品描述，网络广告构成。该数据集数据量充分，中英文混合，涵盖数十种字体，字体大小不一，多种版式，背景复杂。数据集大小为2GB。其中训练集10000张，测试集10000张。

No.5

ShopSign

下载链接：https://github.com/chongshengzhang/shopsign

该数据由河南大学科研团队发布的，是一个大规模中英文自然场景文本数据集，其包含25770张街景中文招牌图像，196010条文本行。

ShopSign中的图像是在不同的场景（市中心到偏远地区）中使用50多种不同的手机拍摄。相比于CTW，其包含了4000张夜间图像，同时也包含了2516对图像来对一个sign获取水平和多视角的图片。其包含多种分辨率，包括3024*4032、1920*1080、2180*720等。

CMT主要包含了几个主要发达城市，而ShopSign包含的地理范围广（北京、上海、厦门、新疆、蒙古、牡丹江、葫芦岛和河南省的一些城市和小城镇），包括许多街景车辆无法到达的郊区或小城镇。CMT使用了固定的拍摄角度，而ShopSign使用了多种角度进行拍摄。[5]

注释包括了每个文本行的四边形边界框的坐标（顺序：左上、右上、右下、左下）以及相对应的文本行的相应文本。ShopSign仅仅处理广告牌上的文本。

No.6

ICDAR2019-LSVT

下载链接：https://github.com/chongshengzhang/shopsign

ICDAR 2019-LSVT（Large-scale Street View Text with Partial Labeling，弱标注大规模街景文字识别）国际学术竞赛公开的大规模弱标注场景文字数据集。

数据集采自中国街景，并由街景图片中的文字行区域（例如店铺标牌、地标等等）截取出来而形成。是首个提出弱标注数据的场景文字数据集，其中包括5万张精标注街景图像、40万张弱标注街景图像，总计45万张。

所有图像都经过一些预处理，将文字区域利用仿射变化，等比映射为一张高为48像素的图片。

No.7

TotalText

下载链接：https://opendatalab.com/TotalText

Total-Text是最大弯曲文本数据集之一-ArT（任意形状文本数据集）训练集中的一部分。该数据集共1555张图像，11459文本行，包含水平文本，倾斜文本，弯曲文本。文件大小441MB。大部分为英文文本，少量中文文本。其中训练集有1255张图像，测试集有300张图像。

No.8

Caffe-ocr中文合成数据

下载链接：https://github.com/senlinuc/caffe_ocr

共360万张图片，图像分辨率为280*32，文件大小约为8.6GB。数据利用中文语料库（新闻+文言文），通过字体、大小、灰度、模糊、透视、拉伸等变化随机生成，字典中包含汉字、标点、英文、数字共5990个字符（语料字频统计，全角半角合并）。

每个样本固定10个字符，字符随机截取自语料库中的句子。按9:1分成训练集、验证集，测试集约6万张。

参考资料

[1]http://www.iapr-tc11.org/dataset/MSRA-TD500/Detecting_Texts_of_Arbitrary_Orientations_in_Natural_Images.pdf

[2]https://ctwdataset.github.io/

[3]https://arxiv.org/pdf/1708.09585v2.pdf

[4]https://tianchi.aliyun.com/competition/entrance/231685/information

[5]https://arxiv.org/pdf/1903.10412v1.pdf

[6]https://rrc.cvc.uab.es/?ch=16

[7]https://github.com/senlinuc/caffe_ocr

更多数据集上架动态、更全面的数据集内容解读、最牛大佬在线答疑、最活跃的同行圈子……欢迎添加微信opendatalab_yunying加入OpenDataLab官方交流群。

二、ocr接口？

通用的识别接口， 支持多种图片格式；

支持中英文字符混合识别；

支持 Base64 以及网络地址传参；

基于机器学习不断提高的识别率；

全接口支持 HTTPS（TLS v1.0 / v1.1 / v1.2 / v1.3）；

全面兼容 Apple ATS；

全国多节点 CDN 部署；

接口极速响应，多台服务器构建 API 接口负载均衡。

三、ocr技术？

OCR技术：光学字符识别

OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程；即，针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本。

四、什么是OCR？汉王ocr文字识别ocr是什么意思？

OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程

五、ocr2600好还是ocr2800？

捷安特OCR5300可以说和美利达R93是同一级别性价比巨高的入门车，论捷安特2800和2600的配置比5300低，价格当然也低，但这配置低的也就少几百块真心不值。

六、OCR识别原理？

ocr 识别原理为:电子设备依赖光学字符识别技术,检查纸上打印的字符,通过检测暗、亮的模式确定其形状,然后用字符识别方法将形状翻译成计算机文字。

进行 ocr 识别时,首先要经过预处理过程,该过程主要包括灰度化,二值化,噪声去除,倾斜矫正等。然后旋转图像识别收据,最后经过二值化处理即可识别成功。

七、什么需要ocr？

OCR技术其实说白了就是一种识别技术，比如说将图片上的文字经过识别扫面的方式转化成TXT文档或者是word格式，也可以将音频转化成文字的一种技术。

具体的话，它包含的有什么语音识别，截图识别，银行卡识别，车票识别，营业执照识别，驾驶证识别等等这些功能吧。

八、ocr功能详解？

ocr软件的功能是什么？

OCR是光学字符识别的缩写，OCR技术简单来说就是将文字信息转换为图像信息，然后再利用文字识别技术将图像信息转化为可以使用的输入技术。

OCR的功能：

1、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，还在表格理解上做出了令人满意的实用结果。

2、OCR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。

3、OCR还可以支持表格自动录入技术，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。

九、什么是ocr？

OCR是英文optical character recognition的首字母缩写，中文意思：光学字符识别。或者我们管它叫做：文字识别。文字识别是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，然后用字符识别方法将形状翻译成计算机文字的过程；即，对文本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的过程。通俗理解，举个例子：就是把图片\PDF里的文字信息进行抓取，转换成Word、TXT等可以编辑的文字文本。

十、ocr引擎功能？

OCR引擎是一种光学字符识别技术，用于将图片或扫描文档中的文本转换为可编辑的电子文本。其功能包括文字提取、文字识别和文本转换。

通过自动检测和分析文本的特征，OCR引擎能够快速而准确地将文档中的文字提取出来，并进行字符识别和文字重建，最终生成可编辑的文本文件。OCR引擎广泛应用于数字化文档处理、文本识别和数据提取领域，帮助人们方便地处理和管理大量文档，节省时间和工作量。