推荐 | 光学字符识别的 5 个最佳免费数据集

光学字符识别技术，即OCR。OCR是指电子设备，例如扫描仪或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，然后用字符识别的方法将形状翻译成计算机文字的过程。

OCR的作用是检测图像中的文字区域以及识别文字内容，它在很多场合可替代键盘完成高速文字录入任务。

OCR技术的应用场景十分广泛，以下是几个应用较为成熟的领域：

·远程身份认证：结合OCR和人脸识别技术，实现用户证件信息的自动录入，并完成用户身份验证。应用于金融保险、社保、O2O等行业，有效控制业务风险。

·内容审核与监管：自动识别图片、视频中的文字内容，及时发现涉黄、涉暴、政治敏感、恶意广告等不合规内容，规避业务风险，大幅节约人工审核成本。

·纸质文档票据电子化：通过OCR实现纸质文档资料、票据、表格的自动识别和录入，减少人工录入成本，提高输入效率。

自然环境下的OCR要面临、要解决的问题还是相当多的，例如背景复杂、加盖印章干扰叠加、图像对比度低、污迹和磨损、字体种类繁多、印刷受墨多寡等情况。

基于深度学习的技术而言，训练数据的数量很大程度上影响了技术效果，提升训练数据的数量和质量成为解决上述问题的根本途径。

为了提升OCR识别和转写的准确度，不是少平台开发了OCR标注和转写数据集，以下是五个常用的OCR数据库网络资源。

·NIST数据库

美国国家科学研究院出版了3600位作者的笔迹，其中包括80万个字符图像。

网址：

https://catalog.data.gov/dataset/nist-handprinted-forms-and-characters-nist-special-database-19

·MNIST数据库

原始NIST数据的子集，具有60,000个手写数字示例的训练集。

网址：

https://yann.lecun.com/exdb/mnist/

·阿拉伯语印刷文本

包含113,284个单词的词典，并使用10种阿拉伯字体。

网址：

https://diuf.unifr.ch/main/diva/APTI/

·Stanford OCR

包含由Stanford发布的MIT Spoken Language Systems Group收集的手写单词数据集。

网址：

https://ai.stanford.edu/~btaskar/ocr/

·Chars74K数据

包含英文和卡纳达语数字的74K图像。

网址：https://www.ee.surrey.ac.uk/CVSSP/demos/chars74k/

沉淀十余年数据处理经验，数据堂在句法标注、事件标注等方面也积累了自己OCR标注和转写方面独特的数据优势，以下是数据堂研制的OCR数据：