简介这是一份面向OCR入门者与图像识别开发者的图书封面识别示例包聚焦从封面图像中提取标题文字的应用场景涵盖图像灰度化、二值化、倾斜校正等预处理以及文字检测、特征提取、识别与终端输出的完整流程并涉及深度学习模型的应用适合希望快速上手OCR项目的人员学习。压缩包共73个文件、约4.66MB以65张JPG测试图片为主体配合两个Python脚本main.py、train.py、模型参数文件model.params及XML配置可直观体验从加载图片、调用模型到终端打印书名标题的完整链路readme.txt对运行方式作了说明。已有343人学习/下载体积虽小但结构清晰可作为OCR项目起步参考尤其适合课程设计、图书信息化小工具原型验证等场景便于对照练习与二次开发。1. 拿到ocr.tar.gz先别急着调API图书封面识别为什么值得自己跑一遍图书封面和普通文档扫描件最大的区别是它同时包含艺术字体、渐变背景、腰封文字和反光。直接拿tesseract.exe去跑经常会得到 no text detected 或者一串乱码。ocr.tar.gz 这个压缩包里没有封装好的在线接口而是给了一个最小可复现的OCR工程main.py、train.py、model.params、test_imgs目录外加五张封面图。换句话说它覆盖了从图像预处理、CRNN模型训练到终端输出的完整链路适合想搞懂OCR而不是只调API的人。下面按解包、训练、推理、排错的顺序拆一遍最后会给出批量识别和常见坑的处理办法。2. 解包与数据准备先搞清楚ocr.tar.gz里哪些文件参与训练2.1 压缩包结构解读拿到文件第一件事不是看代码而是看目录结构。我用下面命令解包并列出内容tar -xzf ocr.tar.gz cd ocr tree -L 2tar -xzf中-x表示解压-z表示通过 gzip 解压-f指定文件。如果系统没有tree可以用ls -R代替。解压后能看到main.py、train.py、model.params、readme.txt以及test_imgs、train、valid目录.idea是 PyCharm 的工程缓存对运行没有影响。各文件用途如下表路径作用main.py推理入口读取封面图并输出书名train.py训练入口在train/上训练并生成model.paramsmodel.params训练好的模型权重格式与 PyTorchstate_dict一致train/、valid/训练集和验证集的图书封面图片test_imgs/5 张待识别封面图用于快速验证readme.txt说明标签格式和运行命令2.2 图像预处理灰度化、去噪、二值化与倾斜校正OCR 的第一步一定是预处理。封面上文字区域可能因为拍摄角度而倾斜也常被腰封和反光干扰。常见做法是先灰度化去掉颜色干扰再用高斯模糊抑制印刷网纹然后用 Otsu 自动阈值做二值化。代码如下import cv2 import numpy as np def preprocess(image_path, expect_height32): img cv2.imread(image_path) if img is None: raise ValueError(read image failed: image_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray cv2.GaussianBlur(gray, (3, 3), 0) _, thresh cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) h, w thresh.shape scale expect_height / h resized cv2.resize(thresh, (int(w * scale), expect_height)) return resized灰度化用COLOR_BGR2GRAY高斯模糊核设为(3, 3)核太大会把笔画抹掉太小又滤不掉噪点Otsu 方法会在threshold的第二个参数传 0 时自动计算阈值适合大部分底色均匀的封面。如果封面有明显光影渐变Otsu 会把阴影误判为文字可以换成自适应阈值thresh cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 15, 10)blockSize15是局部区域大小C10是减去的一个常量。调大C能减少噪点但也会让细笔画变浅所以不要超过 20。拍摄图还有倾斜问题封面放在桌上拍的文字区域通常有 1 到 5 度旋转。在二值图上找所有前景点再取最小外接矩形算角度def deskew(image): coords np.column_stack(np.where(image 0)) angle cv2.minAreaRect(coords)[-1] if angle -45: angle -(90 angle) else: angle -angle h, w image.shape[:2] M cv2.getRotationMatrix2D((w // 2, h // 2), angle, 1.0) return cv2.warpAffine(image, M, (w, h), flagscv2.INTER_CUBIC, borderModecv2.BORDER_REPLICATE)cv2.minAreaRect返回的角度在[-90, 0)所以要做一次归一化避免把竖排文字旋转到横排。BORDER_REPLICATE复制边缘像素避免黑色边框影响后面的轮廓检测。这里需要注意输入到 CRNN 的图片高度固定为 32宽度可以变。所以在preprocess最后做了等比缩放宽度不归一化因为后续 CTC 解码允许变长序列。2.3 训练集与验证集的标注格式OCR 训练数据一般用 tab 分隔的文本文件组织。项目里如果没有单独的train.txt则可能在readme.txt中说明常见格式是train/001.jpg 深度学习框架PyTorch train/002.jpg Computer Vision: Algorithms and Applications train/003.jpg 《置身事内》同名书读取这种标签的脚本很简单def load_labels(label_file): samples [] with open(label_file, encodingutf-8) as f: for line in f: line line.rstrip(\n) if \t not in line: continue img_path, text line.split(\t, 1) samples.append((img_path, text)) return samplessplit(\t, 1)只切第一个 tab因为书名里可能还包含空格。如果图片路径是相对路径加载图片前要先拼接根目录。另外中英文混排的书名在构造字符集时要剔除重复字符按出现频率排序而不是直接按拼音排这样 CTC 的 blank 索引能稳定放在 0 位置。3. 模型选型与训练为什么选择CRNN而不是tesseract3.1 tesseract在封面识别上的边界在深度学习图像识别模型普及之前tesseract 是最容易上手的开源 OCR 方案。Windows 下还要先装tesseract.exe再下载中文语言包。它的问题在于对版面结构敏感的封面艺术字体没有标准字符切分渐变背景会让二值化阈值失效腰封和推荐语又会把书名夹在中间。于是经常出现could not create a primitive...或no text detected这类结果。tesseract 更适合机械化印刷体的文档扫描不适合作为图书封面识别的唯一引擎。3.2 CRNN 结构CNN 特征 双向 LSTM CTC开源中文 OCR 常用 CRNN 做整行识别PaddleOCR 的文字识别模块也保留了这一思路。CRNN 的三段式设计很清晰。CNN 骨干网络把 32 高度的封面标题图逐步降采样得到宽度方向的特征序列。双向 LSTM在每个时间步上输出字符概率分布捕获前后文语义。CTC 损失不要求模型预测的字符序列和标签长度一致只要求对齐后正确。最后得到的是T x N x C形状的张量T是时间步N是批量大小C是字符类别数加一个 CTC blank。这个设计恰好覆盖封面书名的两个特点长度变化大、中英文混排。3.3 train.py 的关键代码与参数调整train.py 通常不复杂核心是构造 DataLoader、定义模型、计算 CTC loss、保存权重。我一般会这样组织import torch from torch.utils.data import Dataset, DataLoader class CoverDataset(Dataset): def __init__(self, samples, char_to_idx): self.samples samples self.char_to_idx char_to_idx def __len__(self): return len(self.samples) def __getitem__(self, idx): img_path, text self.samples[idx] img preprocess(img_path) # 复用2.2的预处理输出H32的单通道图 img torch.from_numpy(img).unsqueeze(0).float() / 255.0 target torch.tensor([self.char_to_idx[c] for c in text], dtypetorch.long) return img, target model CRNN(num_classeslen(char_to_idx) 1) # 1 是 CTC blank optimizer torch.optim.Adam(model.parameters(), lr1e-3) criteria torch.nn.CTCLoss(blank0, zero_infinityTrue) for epoch in range(30): for batch in train_loader: imgs, targets batch input_lengths torch.full((imgs.size(0),), imgs.size(3) // 4, dtypetorch.long) target_lengths torch.tensor([len(t) for t in targets], dtypetorch.long) optimizer.zero_grad() log_probs model(imgs) # T x N x C loss criteria(log_probs, targets, input_lengths, target_lengths) loss.backward() optimizer.step()代码里有几个关键点。imgs.size(3) // 4是宽度方向经过 4 次步长 2 卷积后的时间步数如果网络结构不同这个值要跟着改。CTC 的blank0意味着字符索引要从 1 开始构造否则字符 0 和 blank 混淆训练时 loss 无法下降。input_lengths和target_lengths必须与 batch 对齐长度不一致时 CTCLoss 会直接报错。参数调整经验如下表参数典型值调整方向learning_rate1e-3训练 10 个 epoch 后降到 1e-4batch_size16显存不足时优先减半epoch30valid准确率不升就提前停止height32不要轻易改影响 CRNN 结构data_augmentation随机裁切、旋转封面拍摄角度多样时开启注意imgs.size(3) // 4这个值与网络里的降采样次数强相关。如果改动 CRNN 的卷积步长这个值必须同步调整否则 loss 计算会报长度不一致。3.4 验证与保存 model.params每个 epoch 结束后在valid/上做完整解码。只用 loss 判断模型质量不够我一般会把验证集预测文本和真实文本做全字匹配算“全对率”。保存权重用torch.save(model.state_dict(), model.params)加载时先重建相同结构再load_state_dict。如果项目里没有单独的网络定义文件可以在 train.py 里直接定义类推理时从对应脚本导入。4. 推理流程从test_imgs封面图到终端输出4.1 main.py 的加载与解码main.py 是实际被执行的脚本。它加载model.params对test_imgs/*.jpg做推理。加载权重的代码和训练一致关键是模型用于推理前要切换为eval模式import torch def load_model(model_cls, weight_path): model model_cls() state torch.load(weight_path, map_locationcpu) model.load_state_dict(state) model.eval() return modelmap_locationcpu保证在没有 GPU 的电脑上也能加载。推理时的解码直接用贪心策略每个时间步取概率最大的字符 index然后去重、去 blank。def greedy_decode(log_probs_seq, idx_to_char): prev None result [] for idx in log_probs_seq.argmax(dim1): if idx ! prev and idx ! 0: result.append(idx_to_char[idx]) prev idx return .join(result)贪心解码速度快但遇到连续相同字符比如“神经网络”会先预测两个“网”再去重时可能丢一个字。需要更高精度时可以换成 beam search比如在main.py里引入ctcdecode库把beam_width设为 10输出概率更高的路径。4.2 文字区域检测轮廓 水平投影在识别前要把封面图中的书名区域切出来。test_imgs 里的 5 张图都是正面拍摄封面文字基本水平所以轮廓检测就够用import cv2 def find_text_boxes(thresh): contours, _ cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) boxes [] for cnt in contours: x, y, w, h cv2.boundingRect(cnt) if h 10 or h 150: continue if w 20: continue boxes.append((x, y, w, h)) boxes.sort(keylambda b: b[1]) return boxesRETR_EXTERNAL只取最外层轮廓h 10过滤噪点h 150过滤封面上的大块装饰图案。拿到 boxes 后如果发现同一行的文字被拆成多个 box用水平投影合并对每个 box 的 y 中心点排序相邻 box 在 y 轴重叠且 x 间距小于某个阈值时合并。这样“深度学习”四个字不会被拆成四个识别单元。4.3 后处理过滤干扰字符与书名词典识别出的字符串可能包含出版社英文名、作者名等杂质。我会用正则清理标点并按常见书名关键词切分。核心逻辑如下import re def postprocess(raw_text, title_dictNone): raw_text re.sub(r[\s,。、()《》], , raw_text) if not title_dict: return raw_text for title in title_dict: if title in raw_text: return title return raw_text这个后处理对封面识别的提升非常明显。比如模型输出“深度学习第2版”词典里有“深度学习”会直接返回“深度学习”。书名词典可以从train/和valid/标签中收集也可以像 PaddleOCR 那样维护一个高频词表。4.4 运行 main.py 并输出书名在项目根目录执行python main.py --image test_imgs/1.jpg --model model.paramsmain.py 支持的主要参数可以用下表说明参数默认值说明--image无待识别图片路径--modelmodel.params权重文件路径--devicecpu用cuda可启用 GPU--debug0设为 1 时输出中间二值图第一次跑建议加上--debug 1能看到预处理后的图判断问题出在检测还是识别阶段。终端显示“书名: ...”如果识别结果不对优先回看预处理而不是换模型。因为大多数封面识别失败发生在二值化和文字区域切分这两步模型本身只要在训练集覆盖范围内通常不会把整本书名认偏。5. 批量图书识别与常见排错5.1 批量处理 test_imgs 下所有封面把单张识别封装成recognize_cover(path)后遍历目录写 CSVimport os import csv def batch_ocr(img_dir, output_csvresult.csv): rows [] for name in sorted(os.listdir(img_dir)): if not name.endswith(.jpg): continue path os.path.join(img_dir, name) text recognize_cover(path) rows.append([name, text]) with open(output_csv, w, encodingutf-8-sig, newline) as f: csv.writer(f).writerows(rows)utf-8-sig是给 Excel 用的newline防止 CSV 里出现空行。如果封面图是竖图建议先旋转 90 度再识别大多数 OCR 模型对横向文本更友好。5.2 封面识别最常踩的三个坑第一个坑是no text detected。tesseract 报这个错通常是图像对比度低试着做一个 gamma 矫正cv2.pow(img / 255.0, 0.7) * 255后再二值化。第二个坑是中文书名被识别成同音字。crnn 模型的字符集如果只有训练集的字遇到生僻字会输出相似形近字解决方式是扩充数据或在后处理中用拼音纠正。第三个坑是推理速度。CPU 上跑双向 LSTM 较慢可以导出 ONNX。5.3 部署onnx 导出与便携打包PyTorch 模型转 ONNX 只需几步import torch model load_model() dummy torch.randn(1, 1, 32, 100) torch.onnx.export(model, dummy, ocr.onnx, input_names[input], output_names[output], dynamic_axes{input: {3: width}, output: {1: seq_len}})dynamic_axes让宽度维度变成动态这样推理时不需要把图片 resize 到固定宽度。ONNX 可以用onnxruntime运行CPU 延迟比 PyTorch 低很多。如果目标机器不想安装任何深度学习环境直接用 PaddleOCR 便携打包版做服务它把检测、识别、方向分类全部打成独立可执行文件命令行输出 JSON适合在图书识别、封面识别的生产环境里快速验证效果。本文还有配套的精品资源点击获取 简介这是一份面向OCR入门者与图像识别开发者的图书封面识别示例包聚焦从封面图像中提取标题文字的应用场景涵盖图像灰度化、二值化、倾斜校正等预处理以及文字检测、特征提取、识别与终端输出的完整流程并涉及深度学习模型的应用适合希望快速上手OCR项目的人员学习。压缩包共73个文件、约4.66MB以65张JPG测试图片为主体配合两个Python脚本main.py、train.py、模型参数文件model.params及XML配置可直观体验从加载图片、调用模型到终端打印书名标题的完整链路readme.txt对运行方式作了说明。已有343人学习/下载体积虽小但结构清晰可作为OCR项目起步参考尤其适合课程设计、图书信息化小工具原型验证等场景便于对照练习与二次开发。1. 拿到ocr.tar.gz先别急着调API图书封面识别为什么值得自己跑一遍图书封面和普通文档扫描件最大的区别是它同时包含艺术字体、渐变背景、腰封文字和反光。直接拿tesseract.exe去跑经常会得到 no text detected 或者一串乱码。ocr.tar.gz 这个压缩包里没有封装好的在线接口而是给了一个最小可复现的OCR工程main.py、train.py、model.params、test_imgs目录外加五张封面图。换句话说它覆盖了从图像预处理、CRNN模型训练到终端输出的完整链路适合想搞懂OCR而不是只调API的人。下面按解包、训练、推理、排错的顺序拆一遍最后会给出批量识别和常见坑的处理办法。2. 解包与数据准备先搞清楚ocr.tar.gz里哪些文件参与训练2.1 压缩包结构解读拿到文件第一件事不是看代码而是看目录结构。我用下面命令解包并列出内容tar -xzf ocr.tar.gz cd ocr tree -L 2tar -xzf中-x表示解压-z表示通过 gzip 解压-f指定文件。如果系统没有tree可以用ls -R代替。解压后能看到main.py、train.py、model.params、readme.txt以及test_imgs、train、valid目录.idea是 PyCharm 的工程缓存对运行没有影响。各文件用途如下表路径作用main.py推理入口读取封面图并输出书名train.py训练入口在train/上训练并生成model.paramsmodel.params训练好的模型权重格式与 PyTorchstate_dict一致train/、valid/训练集和验证集的图书封面图片test_imgs/5 张待识别封面图用于快速验证readme.txt说明标签格式和运行命令2.2 图像预处理灰度化、去噪、二值化与倾斜校正OCR 的第一步一定是预处理。封面上文字区域可能因为拍摄角度而倾斜也常被腰封和反光干扰。常见做法是先灰度化去掉颜色干扰再用高斯模糊抑制印刷网纹然后用 Otsu 自动阈值做二值化。代码如下import cv2 import numpy as np def preprocess(image_path, expect_height32): img cv2.imread(image_path) if img is None: raise ValueError(read image failed: image_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray cv2.GaussianBlur(gray, (3, 3), 0) _, thresh cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) h, w thresh.shape scale expect_height / h resized cv2.resize(thresh, (int(w * scale), expect_height)) return resized灰度化用COLOR_BGR2GRAY高斯模糊核设为(3, 3)核太大会把笔画抹掉太小又滤不掉噪点Otsu 方法会在threshold的第二个参数传 0 时自动计算阈值适合大部分底色均匀的封面。如果封面有明显光影渐变Otsu 会把阴影误判为文字可以换成自适应阈值thresh cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 15, 10)blockSize15是局部区域大小C10是减去的一个常量。调大C能减少噪点但也会让细笔画变浅所以不要超过 20。拍摄图还有倾斜问题封面放在桌上拍的文字区域通常有 1 到 5 度旋转。在二值图上找所有前景点再取最小外接矩形算角度def deskew(image): coords np.column_stack(np.where(image 0)) angle cv2.minAreaRect(coords)[-1] if angle -45: angle -(90 angle) else: angle -angle h, w image.shape[:2] M cv2.getRotationMatrix2D((w // 2, h // 2), angle, 1.0) return cv2.warpAffine(image, M, (w, h), flagscv2.INTER_CUBIC, borderModecv2.BORDER_REPLICATE)cv2.minAreaRect返回的角度在[-90, 0)所以要做一次归一化避免把竖排文字旋转到横排。BORDER_REPLICATE复制边缘像素避免黑色边框影响后面的轮廓检测。这里需要注意输入到 CRNN 的图片高度固定为 32宽度可以变。所以在preprocess最后做了等比缩放宽度不归一化因为后续 CTC 解码允许变长序列。2.3 训练集与验证集的标注格式OCR 训练数据一般用 tab 分隔的文本文件组织。项目里如果没有单独的train.txt则可能在readme.txt中说明常见格式是train/001.jpg 深度学习框架PyTorch train/002.jpg Computer Vision: Algorithms and Applications train/003.jpg 《置身事内》同名书读取这种标签的脚本很简单def load_labels(label_file): samples [] with open(label_file, encodingutf-8) as f: for line in f: line line.rstrip(\n) if \t not in line: continue img_path, text line.split(\t, 1) samples.append((img_path, text)) return samplessplit(\t, 1)只切第一个 tab因为书名里可能还包含空格。如果图片路径是相对路径加载图片前要先拼接根目录。另外中英文混排的书名在构造字符集时要剔除重复字符按出现频率排序而不是直接按拼音排这样 CTC 的 blank 索引能稳定放在 0 位置。3. 模型选型与训练为什么选择CRNN而不是tesseract3.1 tesseract在封面识别上的边界在深度学习图像识别模型普及之前tesseract 是最容易上手的开源 OCR 方案。Windows 下还要先装tesseract.exe再下载中文语言包。它的问题在于对版面结构敏感的封面艺术字体没有标准字符切分渐变背景会让二值化阈值失效腰封和推荐语又会把书名夹在中间。于是经常出现could not create a primitive...或no text detected这类结果。tesseract 更适合机械化印刷体的文档扫描不适合作为图书封面识别的唯一引擎。3.2 CRNN 结构CNN 特征 双向 LSTM CTC开源中文 OCR 常用 CRNN 做整行识别PaddleOCR 的文字识别模块也保留了这一思路。CRNN 的三段式设计很清晰。CNN 骨干网络把 32 高度的封面标题图逐步降采样得到宽度方向的特征序列。双向 LSTM在每个时间步上输出字符概率分布捕获前后文语义。CTC 损失不要求模型预测的字符序列和标签长度一致只要求对齐后正确。最后得到的是T x N x C形状的张量T是时间步N是批量大小C是字符类别数加一个 CTC blank。这个设计恰好覆盖封面书名的两个特点长度变化大、中英文混排。3.3 train.py 的关键代码与参数调整train.py 通常不复杂核心是构造 DataLoader、定义模型、计算 CTC loss、保存权重。我一般会这样组织import torch from torch.utils.data import Dataset, DataLoader class CoverDataset(Dataset): def __init__(self, samples, char_to_idx): self.samples samples self.char_to_idx char_to_idx def __len__(self): return len(self.samples) def __getitem__(self, idx): img_path, text self.samples[idx] img preprocess(img_path) # 复用2.2的预处理输出H32的单通道图 img torch.from_numpy(img).unsqueeze(0).float() / 255.0 target torch.tensor([self.char_to_idx[c] for c in text], dtypetorch.long) return img, target model CRNN(num_classeslen(char_to_idx) 1) # 1 是 CTC blank optimizer torch.optim.Adam(model.parameters(), lr1e-3) criteria torch.nn.CTCLoss(blank0, zero_infinityTrue) for epoch in range(30): for batch in train_loader: imgs, targets batch input_lengths torch.full((imgs.size(0),), imgs.size(3) // 4, dtypetorch.long) target_lengths torch.tensor([len(t) for t in targets], dtypetorch.long) optimizer.zero_grad() log_probs model(imgs) # T x N x C loss criteria(log_probs, targets, input_lengths, target_lengths) loss.backward() optimizer.step()代码里有几个关键点。imgs.size(3) // 4是宽度方向经过 4 次步长 2 卷积后的时间步数如果网络结构不同这个值要跟着改。CTC 的blank0意味着字符索引要从 1 开始构造否则字符 0 和 blank 混淆训练时 loss 无法下降。input_lengths和target_lengths必须与 batch 对齐长度不一致时 CTCLoss 会直接报错。参数调整经验如下表参数典型值调整方向learning_rate1e-3训练 10 个 epoch 后降到 1e-4batch_size16显存不足时优先减半epoch30valid准确率不升就提前停止height32不要轻易改影响 CRNN 结构data_augmentation随机裁切、旋转封面拍摄角度多样时开启注意imgs.size(3) // 4这个值与网络里的降采样次数强相关。如果改动 CRNN 的卷积步长这个值必须同步调整否则 loss 计算会报长度不一致。3.4 验证与保存 model.params每个 epoch 结束后在valid/上做完整解码。只用 loss 判断模型质量不够我一般会把验证集预测文本和真实文本做全字匹配算“全对率”。保存权重用torch.save(model.state_dict(), model.params)加载时先重建相同结构再load_state_dict。如果项目里没有单独的网络定义文件可以在 train.py 里直接定义类推理时从对应脚本导入。4. 推理流程从test_imgs封面图到终端输出4.1 main.py 的加载与解码main.py 是实际被执行的脚本。它加载model.params对test_imgs/*.jpg做推理。加载权重的代码和训练一致关键是模型用于推理前要切换为eval模式import torch def load_model(model_cls, weight_path): model model_cls() state torch.load(weight_path, map_locationcpu) model.load_state_dict(state) model.eval() return modelmap_locationcpu保证在没有 GPU 的电脑上也能加载。推理时的解码直接用贪心策略每个时间步取概率最大的字符 index然后去重、去 blank。def greedy_decode(log_probs_seq, idx_to_char): prev None result [] for idx in log_probs_seq.argmax(dim1): if idx ! prev and idx ! 0: result.append(idx_to_char[idx]) prev idx return .join(result)贪心解码速度快但遇到连续相同字符比如“神经网络”会先预测两个“网”再去重时可能丢一个字。需要更高精度时可以换成 beam search比如在main.py里引入ctcdecode库把beam_width设为 10输出概率更高的路径。4.2 文字区域检测轮廓 水平投影在识别前要把封面图中的书名区域切出来。test_imgs 里的 5 张图都是正面拍摄封面文字基本水平所以轮廓检测就够用import cv2 def find_text_boxes(thresh): contours, _ cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) boxes [] for cnt in contours: x, y, w, h cv2.boundingRect(cnt) if h 10 or h 150: continue if w 20: continue boxes.append((x, y, w, h)) boxes.sort(keylambda b: b[1]) return boxesRETR_EXTERNAL只取最外层轮廓h 10过滤噪点h 150过滤封面上的大块装饰图案。拿到 boxes 后如果发现同一行的文字被拆成多个 box用水平投影合并对每个 box 的 y 中心点排序相邻 box 在 y 轴重叠且 x 间距小于某个阈值时合并。这样“深度学习”四个字不会被拆成四个识别单元。4.3 后处理过滤干扰字符与书名词典识别出的字符串可能包含出版社英文名、作者名等杂质。我会用正则清理标点并按常见书名关键词切分。核心逻辑如下import re def postprocess(raw_text, title_dictNone): raw_text re.sub(r[\s,。、()《》], , raw_text) if not title_dict: return raw_text for title in title_dict: if title in raw_text: return title return raw_text这个后处理对封面识别的提升非常明显。比如模型输出“深度学习第2版”词典里有“深度学习”会直接返回“深度学习”。书名词典可以从train/和valid/标签中收集也可以像 PaddleOCR 那样维护一个高频词表。4.4 运行 main.py 并输出书名在项目根目录执行python main.py --image test_imgs/1.jpg --model model.paramsmain.py 支持的主要参数可以用下表说明参数默认值说明--image无待识别图片路径--modelmodel.params权重文件路径--devicecpu用cuda可启用 GPU--debug0设为 1 时输出中间二值图第一次跑建议加上--debug 1能看到预处理后的图判断问题出在检测还是识别阶段。终端显示“书名: ...”如果识别结果不对优先回看预处理而不是换模型。因为大多数封面识别失败发生在二值化和文字区域切分这两步模型本身只要在训练集覆盖范围内通常不会把整本书名认偏。5. 批量图书识别与常见排错5.1 批量处理 test_imgs 下所有封面把单张识别封装成recognize_cover(path)后遍历目录写 CSVimport os import csv def batch_ocr(img_dir, output_csvresult.csv): rows [] for name in sorted(os.listdir(img_dir)): if not name.endswith(.jpg): continue path os.path.join(img_dir, name) text recognize_cover(path) rows.append([name, text]) with open(output_csv, w, encodingutf-8-sig, newline) as f: csv.writer(f).writerows(rows)utf-8-sig是给 Excel 用的newline防止 CSV 里出现空行。如果封面图是竖图建议先旋转 90 度再识别大多数 OCR 模型对横向文本更友好。5.2 封面识别最常踩的三个坑第一个坑是no text detected。tesseract 报这个错通常是图像对比度低试着做一个 gamma 矫正cv2.pow(img / 255.0, 0.7) * 255后再二值化。第二个坑是中文书名被识别成同音字。crnn 模型的字符集如果只有训练集的字遇到生僻字会输出相似形近字解决方式是扩充数据或在后处理中用拼音纠正。第三个坑是推理速度。CPU 上跑双向 LSTM 较慢可以导出 ONNX。5.3 部署onnx 导出与便携打包PyTorch 模型转 ONNX 只需几步import torch model load_model() dummy torch.randn(1, 1, 32, 100) torch.onnx.export(model, dummy, ocr.onnx, input_names[input], output_names[output], dynamic_axes{input: {3: width}, output: {1: seq_len}})dynamic_axes让宽度维度变成动态这样推理时不需要把图片 resize 到固定宽度。ONNX 可以用onnxruntime运行CPU 延迟比 PyTorch 低很多。如果目标机器不想安装任何深度学习环境直接用 PaddleOCR 便携打包版做服务它把检测、识别、方向分类全部打成独立可执行文件命令行输出 JSON适合在图书识别、封面识别的生产环境里快速验证效果。本文还有配套的精品资源点击获取