数据推荐 | 自然场景OCR文字识别数据集一览

自然场景OCR任务介绍

文字识别（optical character recognition，OCR）是指例如扫描仪或数码相机的电子设备检查图像中的字符，然后用字符识别方法将形状翻译成计算机文字的任务。OCR应用场景比较丰富，包括自然场景、手写场景、文档识别等。作为OCR任务中应用最广泛、具备巨大市场需求的场景之一是自然场景OCR。自然场景是指人们日常生活涉及到的OCR场景，文字载体通常可以为商店牌匾、站牌、海报、路标、漫画、井盖画、提示语、警示语、包装说明、菜单、建筑物标志等。

自然场景OCR数据标注方式

自然场景OCR任务难点

从技术角度出发，自然场景OCR任务存在以下四个难点。

不同国家常用语言不同，不同语言的字符形态区别也很大，增加了OCR算法的识别难度。

在自然场景中，文字通常为艺术字体，艺术字体的状态与标准字体差异较大；此外，自然场景中文字大小不一、颜色多变等因素更增加了OCR任务的难度。

用户大多会使用手机作为拍摄文字的设备，不同用户拍摄习惯不同，会导致拍摄时的拍摄角度多样，给OCR算法对角度倾斜的鲁棒性提出了挑战。

自然场景OCR文字载体分布比较丰富，部分载体会造成文字扭曲。例如食品包装经常会发生形变，造成文字的弯曲，增加了OCR任务难度。

数据堂自然场景OCR数据

数据堂针对自然场景OCR任务需求和难点，从数据层面针对性设计了下述数据集，分别介绍如下：

222289张中文自然场景OCR数据

71535张英文自然场景OCR数据

105941张12种语言自然场景OCR数据

3506张印地语OCR标注及转写数据

4995张越南语OCR标注及转写数据

该数据集为越南语OCR数据。在数据采集方面，采集场景包括自然场景、互联网图像和文本图像。采集设备为手机；文字载体为牌匾、包装说明、小广告、菜单、海报等、杂志封面、漫画封面、文本文档等；场景分布方面，该数据采集于多种室内室外场景。在数据标注方面，对图片中行级字符进行行级四边形框+文字转写标注，对于数列文本进行竖列四边形框+文字转写标注。

依托自身的数据优势以及丰富的数据处理经验，数据堂推出的自然场景多国语言系列OCR标注及转写数据，为自然场景OCR技术应用的广泛落地提供助力。