自然環(huán)境中的自動文本讀取，也稱為場景文本檢測/識別或PhotoOCR，已成為計算機視覺中越來越流行和重要的研究課題。

該文本是人類最輝煌和最有影響力的創(chuàng)作之一。文本中體現(xiàn)的豐富、精確的高級語義有助于理解我們周圍的世界，并構(gòu)建可以在實時環(huán)境中部署的自主解決方案。因此，從自然環(huán)境中自動讀取文本，也稱為場景文本檢測/識別或PhotoOCR，已成為計算機視覺中越來越流行和重要的研究課題。

隨著人類語言書面形式的發(fā)展，我們開發(fā)了數(shù)千種獨特的字體系列。當我們添加大小寫（大寫/小寫/單大小寫/小寫）、傾斜（斜體/羅馬）、比例（水平刻度）、重量、特定尺寸（顯示/文本）、斜紋和襯線化（超系列中的襯線/無襯線）時，這個數(shù)字會增長到數(shù)百萬，這使得文本識別成為機器學習令人興奮的學科。

賽靈思作為 OCR 解決方案的選擇

如今，Xilinx 通過其各種功能強大的平臺為 10 項新開發(fā)中的 7 項提供支持，并引領(lǐng)基于 FPGA 的系統(tǒng)設(shè)計趨勢。Softnautics 之所以選擇 Xilinx 來實施該解決方案，是因為其集成的 Vitis? AI 堆棧和強大的硬件功能。

Xilinx Vitis? 是一款免費的開源開發(fā)平臺，可將硬件模塊打包為軟件可調(diào)用函數(shù)，并與標準開發(fā)環(huán)境、工具和開源庫兼容。它可自動使軟件和算法適應 Xilinx 硬件，無需 VHDL 或 Verilog 專業(yè)知識。

選擇合適的賽靈思平臺

全面而豐富的 Xilinx 工具集和生態(tài)系統(tǒng)使原型設(shè)計成為一個非常可預測的過程，并加快了解決方案的開發(fā)，從而將整體開發(fā)時間縮短了多達 70%。

Xilinx Ultrascale+ 平臺，因為它提供了最佳的應用處理和 FPGA 加速功能。它還提供令人印象深刻的高級合成能力，與早期型號相比，每瓦系統(tǒng)級性能提高了 5 倍。它支持 Xilinx Vitis AI，提供廣泛的功能，使用加速庫構(gòu)建 AI 推理。

Xilinx Vitis AI堆棧和加速利用該軟件創(chuàng)建混合應用，并通過將 TensorFlow-lite 移植/遷移到 ARM 來實現(xiàn)有效的序列預測 LSTM 功能。它使用N2Cube軟件在處理側(cè)（PS）上運行。圖像預處理和后處理是通過Vivado使用HLS實現(xiàn)的，Vitis用于使用CTPN（連接主義文本提案網(wǎng)絡(luò)）進行推理。我們最終將解決方案升級為使用視頻管道進行實時場景文本檢測，并使用強大的數(shù)據(jù)集改進了模型。

場景文本檢測

有許多可用的實現(xiàn)，并且正在研究新的實現(xiàn)。盡管如此，在野外檢測和識別文本時，仍可能遇到一系列重大挑戰(zhàn)。與文檔中的腳本相比，自然場景的困難主要源于三個差異：

多樣性和可變性源于語言、顏色、字體、大小、方向等。

寫文本的生動背景

場景文本的縱橫比和布局可能會有很大差異

此類解決方案在需要對視頻流進行實時文本檢測的各個領(lǐng)域具有廣泛的適用性，具有更高的準確性和快速識別能力。這些應用領(lǐng)域很少：

停車驗證 — 城鎮(zhèn)正在使用移動 OCR 來驗證汽車是否根據(jù)城市法規(guī)自動停車。停車檢查員可以使用帶有OCR的移動設(shè)備掃描車輛的車牌，并與在線數(shù)據(jù)庫進行檢查，以查看是否允許他們停車。

移動文檔掃描 — 各種移動應用程序允許用戶拍攝文檔的照片并將其轉(zhuǎn)換為文本。這種 OCR 任務比傳統(tǒng)的文檔掃描儀更具挑戰(zhàn)性，因為照片具有不可預測的圖像角度、照明條件和文本質(zhì)量。

數(shù)字資產(chǎn)管理 - 該軟件有助于組織富媒體資產(chǎn)，如圖像、視頻和動畫。DAM 系統(tǒng)的一個關(guān)鍵方面是富媒體的可搜索性。通過在上傳的圖像和視頻幀上運行 OCR，DAM 可以使富媒體可搜索，并使用有意義的標簽豐富它。

審核編輯：郭婷