丰富的线上&线下活动，深入探索云世界
做任务，得社区积分和周边
最真实的开发者用云体验
让每位学生受益于普惠算力
让创作激发创新
资深技术专家手把手带教
遇见技术追梦人
技术交流，直击现场
海量开发者使用工具、手册，免费下载
极速、全面、稳定、安全的开源镜像
开发手册、白皮书、案例集等实战精华
为开发者定制的Chrome浏览器插件
第18章光学字符识别_OCR
OCR（OpticalCharacterRecongnition）即我们通常意义上讲的光学字符识别。在HALCON中，OCR常被用来分割区域及读取识别图像中的字符含义。
18.1OCR字符识别
使用HALCON提供的一种预训练字体读取图中的数字。
FontFile:='Document_0-9_NoRej'
read_ocr_class_mlp(FontFile,OCRHandle)
read_image(Image,'numbers_scale')
threshold(Image,Region,0,125)
connection(Region,Characters)
count_obj(Characters,Number)
dev_set_color('white')
fori:=1toNumberby1
select_obj(Characters,SingleChar,i)
do_ocr_single_class_mlp(SingleChar,Image,OCRHandle,2,Class,Confidence)
endfor
18.2图像分割
对于图像分割，可以使用的方法很多。常用的有Blob分析、自动文本阅读器、手动文本阅读器、通用字符分割等。
18.2.1Blob分析
Blob分析包括设定有效ROI、图像滤波（mean_image、gauss_filter、binomial_filter、median_image）、点状打印字符增强（dots_image）、灰度形态等。
（1）Example:hdevelop/Applications/OCR/engraved.hdev
此示例读取图中所示的金属表面上的雕刻文本。
通过使用Blob分析来分割图像：不能通过简单的阈值分割来提取字符。相反，简单的分割只能得到部分字符和产生大量噪声。使用灰度形态学预处理图像可以分割出真实字符。
gray_range_rect(Image,ImageResult,7,7)
invert_image(ImageResult,ImageInvert)
threshold(ImageResult,Region,128,255)
connection(Region,ConnectedRegions)
select_shape(ConnectedRegions,SelectedRegions,'area','and',1000,99999)
sort_region(SelectedRegions,SortedRegions,'first_point','true','column')
read_ocr_class_mlp(FontName,OCRHandle)
forI:=1toNumberby1
select_obj(SortedRegions,ObjectSelected,I)
do_ocr_single_class_mlp(ObjectSelected,ImageInvert,OCRHandle,1,Class,Confidence)
clear_ocr_class_mlp(OCRHandle)
（2）Example:hdevelop/Applications/OCR/ocrcolor.hdev
此示例提取表单中的字符。一个典型的问题是字符没有打印在正确的位置，如图所示。
由于字符打印在线上，不能简单的通过阈值分割来提取。因此这里通过字符颜色与表单颜色不同来分割图像，这里仅需考虑红色和绿色通道强度的差异。
threshold(Green,ForegroundRaw,0,220)
sub_image(RedReduced,GreenReduced,ImageSub,2,128)
mean_image(ImageSub,ImageMean,3,3)
binary_threshold(ImageMean,Cluster1,'smooth_histo','dark',UsedThreshold)
difference(Foreground,Cluster1,Cluster2)
concat_obj(Cluster1,Cluster2,Cluster)
opening_circle(Cluster,Opening,2.5)
closing_rectangle1(NumberRegion,NumberCand,1,20)
difference(Image,NumberCand,NoNumbers)
connection(NumberRegion,NumberParts)
intensity(NumberParts,Green,MeanIntensity,Deviation)
expand_gray_ref(NumberParts,Green,NoNumbers,Numbers,20,'image',MeanIntensity,48)
union1(Numbers,NumberRegion)
connection(NumberRegion,Numbers)
paint_region(NoNumbers,Green,ImageOCRRaw,255,'fill')
paint_region(NumberRegion,ImageOCRRaw,ImageOCR,0,'fill')
read_ocr_class_mlp('Industrial_0-9_NoRej',OCRHandle)
do_ocr_multi_class_mlp(FinalNumbers,ImageOCR,OCRHandle,RecChar,Confidence)
18.2.2自动文本阅读器
自动文本阅读器非常易于使用，它将分割和识别两个步骤组合成find_text的一个调用，且无需进行大量的参数调整。simple_reading.hdev和bottle.hdev为熟悉自动文本阅读器提供了一个很好的起点。
要使用自动文本阅读器，必须使用create_text_model_reader创建模型，并将参数Mode设置为'auto'。在这里，必须传递OCR分类器参数。然后可以使用set_text_model_param指定分割参数，并可以使用get_text_model_param查询。完成后，可以使用find_text读取文本。该算子根据区域和灰度值特征选择候选字符，并使用给定的OCR分类器对其进行验证。
如果文本必须匹配某个模式或结构，则可以设置运算符set_text_model_param的参数'text_line_structure'，它确定结构，即要检测的文本的每个字符块的字符数。
自动文本阅读器假定文本方向大致水平。如果文本未水平对齐，则可以在使用find_text之前使用text_line_orientation和rotate_image矫正方向。
find_text的结果在TextResultID中返回，可以分别使用get_text_result和get_text_object查询。get_text_result返回分类结果。get_text_object返回自动文本阅读器分割的字符区域。要删除结果和文本模型，需分别使用clear_text_result和clear_text_model。
（1）Example:solution_guide/basics/simple_reading.hdev
此示例程序演示了如何使用预训练的OCR字体使用自动文本阅读器识别简单字符。
create_text_model_reader('auto','Document_09_NoRej',TextModel)
find_text(Image,TextModel,TextResultID)
get_text_result(TextResultID,'class',Classes)
（2）Example:hdevelop/Applications/OCR/bottle.hdev
这个例子读取图中瓶子上的日期。
由于图像中可见大量文本，因此需要设置文本模型的一些参数以适当地限制读取结果。
FontName:='Universal_0-9_NoRej'
create_text_model_reader('auto',FontName,TextModel)
set_text_model_param(TextModel,'min_stroke_width',6)
set_text_model_param(TextModel,'text_line_structure','222')
*
find_text(Bottle,TextModel,TextResultID)
get_text_object(Characters,TextResultID,'all_lines')
18.2.3手动文本阅读器
如果要分割雕刻文本或者不能提供合适的OCR分类器，则不能使用自动文本阅读器。相反，可以在这些情况下使用手动文本阅读器。
要使用手动文本阅读器，必须使用create_text_model_reader创建模型，并将参数Mode设置为'manual'。需注意，在这种情况下，不能传递OCR分类器。可以与ManualTextFinder一起使用的所有参数的名称都以'manual_'开头。
（1）Example:hdevelop/Applications/OCR/find_text_dongle.hdev
此示例演示如何在执行OCR之前使用find_text对加密狗上的点打印字符进行分割。
read_image(Image,'ocr/dongle_01')
read_ocr_class_mlp('DotPrint_NoRej',OCRHandle)
create_text_model_reader('manual',[],TextModel)
set_text_model_param(TextModel,'manual_char_width',24)
set_text_model_param(TextModel,'manual_char_height',33)
set_text_model_param(TextModel,'manual_is_dotprint','true')
set_text_model_param(TextModel,'manual_max_line_num',2)
set_text_model_param(TextModel,'manual_return_punctuation','false')
set_text_model_param(TextModel,'manual_return_separators','false')
set_text_model_param(TextModel,'manual_stroke_width',4)
set_text_model_param(TextModel,'manual_eliminate_horizontal_lines','true')
set_text_model_param(TextModel,'manual_text_line_structure_0','618')
set_text_model_param(TextModel,'manual_text_line_structure_1','810')
set_text_model_param(TextModel,'manual_text_line_structure_2','19')
TextPattern1:='(FLEXID0-9[0-9]{3}[A-F0-9]{4})'
TextPattern2:='([A-Z]{3}[0-9]{5}.A-Z{4}A-Z{4})'
Expression:=TextPattern1+'|'+TextPattern2
NumImages:=8
forI:=1toNumImagesby1
read_image(Image,'ocr/dongle_'+I$'02')
*图像预处理，缩减区域范围。使用scale_image_max改善对比度并且旋转图像使字符呈水平。
binary_threshold(Image,Region,'max_separability','dark',UsedThreshold)
opening_rectangle1(Region,RegionOpening,400,50)
erosion_rectangle1(RegionOpening,RegionOpening,11,11)
connection(RegionOpening,ConnectedRegions)
select_shape_std(ConnectedRegions,SelectedRegion,'max_area',70)
reduce_domain(Image,SelectedRegion,ImageReduced)
scale_image_max(ImageReduced,ImageScaleMax)
text_line_orientation(SelectedRegion,ImageScaleMax,30,rad(-30),rad(30),OrientationAngle)
rotate_image(ImageScaleMax,ImageRotate,deg(-OrientationAngle),'constant')
*查找文本并显示每个分割区域的结果
find_text(ImageRotate,TextModel,TextResult)
get_text_result(TextResult,'manual_num_lines',NumLines)
dev_display(ImageRotate)
forJ:=0toNumLines-1by1
get_text_object(Line,TextResult,['manual_line',J])
*OCR使用正则表达式更准确地读取文本。
do_ocr_word_mlp(Line,ImageRotate,OCRHandle,Expression,3,5,Class,Confidence,Word,Score)
*显示结果
smallest_rectangle1(Line,Row1,Column1,Row2,Column2)
count_obj(Line,NumberOfCharacters)
dev_set_colored(6)
dev_display(Line)
forK:=1toNumberOfCharactersby1
select_obj(Line,Character,K)
set_tposition(WindowHandle,Row2[0]+4,Column1[K-1])
write_string(WindowHandle,Word{K-1})
if(I disp_continue_message(WindowHandle,'black','true') stop() endif clear_text_result(TextResult) clear_text_model(TextModel) 18.2.4普通字符分割 对于普通字符分割，可以使用segment_characters获取包含所有候选字符的区域，然后应用select_characters选择区域中单个字符的那些部分。或者使用blob分析，最简单的方法是阈值分割。另一种非常常见的方法是dyn_threshold。 （1）Example:hdevelop/OCR/Segmentation/select_characters.hdev 此示例显示如何使用专为OCR提供的分割运算符轻松分割点打印的旋转字符。 read_image(Image,'dot_print_rotated/dot_print_rotated_'+J$'02d') text_line_orientation(Image,Image,50,rad(-30),rad(30),OrientationAngle) rotate_image(Image,ImageRotate,-OrientationAngle/rad(180)*180,'constant') segment_characters(ImageRotate,ImageRotate,ImageForeground,RegionForeground,'local_auto_shape','false','true','medium',25,25,0,10,UsedThreshold) select_characters(RegionForeground,RegionCharacters,'true','ultra_light',60,60,'false','false','none','true','wide','true',0,'completion') 18.2.5基于语法和词典的OCR结果自动校正 （1）Example:hdevelop/OCR/Neural-Nets/label_word_process_mlp.hdev 此示例读取图中描述的"bestbefore"日期。要纠正第一文本行OCR的错误识别结果，需使用基于词典的自动校正。例如，由于字符的相似性，在字符O和数字0之间可能发生错误。对于第二文本行，使用正则表达式来确保结果具有正确的格式。 首先，读取预训练字体Industrial作为实际OCR。对于文本的上一行，三个预期单词存储在使用create_lexicon创建的词典中，稍后将使用。然后，读取图像，生成并对齐用于打印的ROI，并且使用Blob分析提取字符的区域并将其存储在变量SortedWords中。 read_image(Image,'label/label_01.png') read_ocr_class_mlp('Industrial_NoRej',OCRHandle) create_lexicon('label',['BEST','BEFORE','END'],LexiconHandle) fori:=1to9by1 read_image(Image,'label/label_0'+i+'.png') threshold(Image,Region,128,230) select_shape(ConnectedRegions,LabelRaw,'width','and',350,450) opening_circle(LabelRaw,LabelOpen,5) shape_trans(LabelOpen,Label,'rectangle2') *旋转文本方向 text_line_orientation(Label,Image,25,-0.523599,0.523599,OrientationAngle) hom_mat2d_identity(HomMat2DIdentity) hom_mat2d_rotate(HomMat2DIdentity,-OrientationAngle,0,0,Deskew) affine_trans_image(Image,ImageDeskew,Deskew,'constant','false') affine_trans_region(Label,LabelDeskew,Deskew,'nearest_neighbor') smallest_rectangle1(LabelDeskew,LabelTop,LabelLeft,LabelBottom,LabelRight) reduce_domain(ImageDeskew,LabelDeskew,ImageOCR) *提取特征区域 var_threshold(ImageOCR,Foreground,40,40,0.8,10,'dark') connection(Foreground,Blobs) partition_dynamic(Blobs,Split,21,40) select_shape(Split,Characters,['width','height'],'and',[10,20],[30,50]) select_shape(Characters,CharactersWords,'row','and',0,LabelTop+80) select_shape(Characters,CharactersDate,'row','and',LabelTop+80,600) *人为地扭曲分割结果以示范校正效果 move_region(CharactersWords,CharactersWords,0,3) move_region(CharactersDate,CharactersDate,-2,0) *处理文本 sort_region(CharactersWords,SortedWords,'character','true','row') area_center(SortedWords,Area,Row,Column) Column[|Column|]:=9999 gen_empty_obj(Word) Text:='' OriginalText:='' forj:=1to|Column|-1by1 select_obj(SortedWords,Character,j) concat_obj(Word,Character,Word) *检查字符间距以确定单词的结尾 if(j==|Column|or(Column[j]-Column[j-1])>30) *不使用基于词典的自动校正识别单词（用于比较） do_ocr_word_mlp(Word,ImageOCR,OCRHandle,'.*',1,5,Class,Confidence,WordText,WordScore) OriginalText:=OriginalText+''+WordText *基于词典校正的单词识别 do_ocr_word_mlp(Word,ImageOCR,OCRHandle,'',1,5,Class,Confidence,WordText,WordScore) Text:=Text+''+WordText sort_region(CharactersDate,SortedDate,'character','true','row') *不受限制地对数据字符串进行分类(用于比较) do_ocr_word_mlp(SortedDate,ImageOCR,OCRHandle,'.*',5,5,Class,Confidence,OriginalDateText,DateScore) *使用正则表达式对数据字符串进行分类 do_ocr_word_mlp(SortedDate,ImageOCR,OCRHandle,'^(0-2|30|31)/(0[1-9]|10|11|12)/0[0-5]$',10,5,Class,Confidence,DateText,DateScore) if(i<9) set_display_font(WindowHandle,14,'mono','true','false') set_display_font(WindowHandle,20,'mono','true','false') clear_lexicon(LexiconHandle) 18.3自定义OCR分类器 18.3.1训练OCR 下图显示了训练文件生成的过程：首先，必须使用分割方法提取样本图像中的字符（参见上文）。必须为每个单个字符分配一个标签，通过编入输入或者从文件中读取字符标签来完成。然后，将这些区域及其标签写入训练文件中（append_ocr_trainf）。在进行训练之前，检查训练文件的正确性。通过使用与可视化运算符结合的read_ocr_trainf来实现。 注意，还可以训练自己的系统字体。通过改变和扭曲字符的字体，可以增加每个类的不同训练样本的数量，从而提高检测率。为此，可以使用HDevelop的OCRAssistant的训练文件工具箱。此外，示例程序generate_system_font.hdev还显示了如何从系统字体派生训练数据和OCR分类器。 实际训练如图所示。首先，创建一个新的分类器。有四种不同的OCR分类器：神经网络（多层感知器MLP）分类器，基于支持向量机（SVM）的分类器，基于k近邻方法（k-NN）的分类器，以及box分类器。 注意，如果要使用自动文本阅读器进行文本的分割和分类，则必须提供基于MLP的OCR分类器。当只有少量样本可用时，k-NN具有优势，但在典型的OCR应用中，MLP和SVM的性能优于k-NN。因此，仅进一步介绍MLP和SVM。 根据所选分类器，使用create_ocr_class_mlp或create_ocr_class_svm创建分类器。然后，使用trainf_ocr_class_mlp或trainf_ocr_class_svm应用训练。在训练之后，通常将分类器保存到磁盘以供以后使用（write_ocr_class_mlp或write_ocr_class_svm）。 18.3.2识别字符 下图显示了分类过程。首先，必须使用适当的分割方法提取字符。从文件（read_ocr_class_mlp或read_ocr_class_svm）读取分类器（字体文件）后，分类器可用于识别。自动文本阅读器只需一步即可完成分割和分类两个步骤。 将多个字符传递给读取算子（do_ocr_multi_class_mlp或do_ocr_multi_class_svm）。这里，对于每个区域，返回相应的标签和置信度。有时，不仅要获得置信度最高的字符，还要获得置信度较低的其它字符。例如，0可能容易被误认为字母“O”。算子do_ocr_single_class_mlp和do_ocr_single_class_svm返回此信息。 最后一步，需要将数字或字符组成字符串。这可以通过区域处理运算符来实现。 此外，HALCON还为基于语法和词典的自动校正提供运算符。例如，可以使用do_ocr_word_mlp而不是do_ocr_multi_class_mlp来查找与正则表达式匹配的字符集，即存储在词典中的字符集，这些词典由create_lexicon创建或由import_lexicon导入。 18.3.3生成训练文件 Example:solution_guide/basics/gen_training_file.hdev 下图显示了一个训练图像，第三行中的字符用作训练样本。对于此示例图像，分割非常简单，因为字符明显比背景暗。因此，可以使用阈值分割。 用于训练的字符行数由变量TrainingLine指定。要选择此行，首先使用closing_rectangle1将字符组合成水平行。然后通过connection将这些行转换为其连通域。在所有行中，使用select_obj选择相对应的行。通过将原始分割和所选行的交集作为输入，返回训练的字符。使用sort_region从左到右排序。 TrainingLine:=3 closing_rectangle1(Region,RegionClosing,70,10) connection(RegionClosing,Lines) select_obj(Lines,Training,TrainingLine) intersection(Training,Region,TrainingChars) connection(TrainingChars,ConnectedRegions) sort_region(ConnectedRegions,SortedRegions,'first_point','true','column') 现在，字符可以存储在训练文件中。作为准备步骤，删除可能存在的较旧训练文件。在所有字符的循环内，选择单个字符。变量Chars包含字符的标签Tuple。使用append_ocr_trainf将选定的区域以及图像和相应的标签添加到训练文件中。 Chars:=['0','1','2','3','4','5','6','7','8','9'] TrainFile:='numbers.trf' dev_set_check('~give_error') delete_file(TrainFile) dev_set_check('give_error') fori:=1to10by1 select_obj(SortedRegions,TrainSingle,i) append_ocr_trainf(TrainSingle,Image,Chars[i-1],TrainFile) 18.3.4创建和训练OCR分类器 Example:solution_guide/basics/simple_training.hdev 准备好训练文件后，OCR分类器的创建和训练非常简单。首先，确定训练文件和最终字体文件的名称。建议使用“.trf”作为训练文件。对于OCR分类器，建议对box分类器使用“.obc”（不再推荐使用），对于神经网络分类器使用“.omc”，对于基于支持向量机使用“.osc”。如果在读取过程中没有指定扩展名，则对于box或神经网络分类器，还会搜索扩展名为“.fnt”的文件，这两个分类器在早期HALCON版本中都很常见。 要创建OCR分类器，需要确定一些参数。最重要的是所有标签的名称列表。可以使用read_ocr_trainf_names从训练文件中轻松提取此列表。 read_ocr_trainf_names(TrainFile,CharacterNames,CharacterCount) 另一个重要参数是神经网络隐藏层中的节点数。在这里，它被设置为20。根据经验，该数字应该与标签的数量相同。除了这两个参数之外，其它参数选用默认值用于create_ocr_class_mlp。使用trainf_ocr_class_mlp进行训练，参数也使用默认值。 NumHidden:=20 create_ocr_class_mlp(8,10,'constant','default',CharacterNames,NumHidden,'none',1,42,OCRHandle) trainf_ocr_class_mlp(OCRHandle,TrainFile,200,1,0.01,Error,ErrorLog) FontFile:='numbers.omc' write_ocr_class_mlp(OCRHandle,FontFile) 注意，对于更复杂的OCR分类器，尤其是训练数据包含非常嘈杂和变形的样本，则建议创建权重正则化的基于MLP的OCR分类器（参见set_regularization_params_ocr_class_mlp）。这增强了分类器的泛化能力并且防止对单个训练样本的过度拟合。 如果为自动文本阅读器创建了OCR分类器，建议另外使用set_rejection_params_ocr_class_mlp定义拒绝类，这有助于区分字符与复杂的背景。 18.3.5具有正则权重和拒绝类的OCR分类器 也可以创建和训练具有正则权重和拒绝类的分类器。 正则权重可以提升分类性能： 如果未经正则的MLP出错，则错误结果的置信度通常会非常高。 如果正则化的MLP出错，则返回直观的置信度。能表明更好的泛化能力。 可以使用运算符设置和查询正则化的参数 set_regularization_params_ocr_class_mlp和 get_regularization_params_ocr_class_mlp 如何设置用于创建和训练具有正则化的分类器的参数，如以下HDevelop示例所示： 示例regularized_ocr_mlp.hdev创建具有严重失真的测试样本，这些失真程度远远超出训练失真的范围，以测试MLP和正则化MLP的泛化能力。 示例class_mlp_regularization.hdev显示了使用MLP规范二维数据的效果。 拒绝类可能是有用的，因为它返回图像中无法成功读取的符号，因为它们不是符号，有可能是噪声，或者是其它存在的问题。 可以使用运算符设置和查询拒绝类的参数 set_rejection_params_ocr_class_mlp和 get_rejection_params_ocr_class_mlp。 示例程序set_rejection_params_class_mlp.hdev显示了如何使用MLP的拒绝类来分类二维数据。 18.4扩展内容 18.4.1组合符号 一些字符和符号由多个子符号组成，如“i”，“％”或“！”。对于OCR，这些子符号必须组合成单个区域。如果使用segment_characters和select_characters进行字符分割，则会自动组合子符号。否则，就需要通过在阈值处理后调用closing_rectangle1来组合它们，结构元素通常使用较小的宽度和较大的高度。在调用connection以分割字符后，使用intersection来获取原始分割（输入参数2），同时输入connection中的连通域（输入参数1）。 18.4.2圆形打印字符 在某些情况下，符号不是水平打印的，而是沿着圆弧打印，例如在CD上打印。为了读取它们，提取相应圆的（虚拟）中心和半径。使用polar_trans_image_ext展开图像。要将在展开的图像中获得的区域投影回原始图像，可以使用polar_trans_region_inv。 18.4.3OCR特征 HALCON为OCR提供了许多不同的功能，其中大部分仅供高级使用。在大多数情况下，建议使用功能组合“default”。此组合基于字符周围矩形内的灰度值。在不能使用字符的背景的情况下，例如，如果它因纹理而变化，则特征'pixel_binary'，'ratio'和'anisometry'是良好的组合。这里，仅使用区域，忽略基础灰度值。 18.5预训练的ORC字体 以下部分将简要介绍HALCON提供的预训练OCR字体。可以在安装HALCON的文件夹的子目录ocr中访问它们。预训练字体是使用在亮背景下的暗字符进行训练的。如果要使用提供的字体读取暗背景下的亮字符，可以使用invert_image反转图像，如果效果不好，则可以应用gen_image_proto设为浅灰色值，然后overpaint_region将灰度值设置为0来预处理图像。 预训练字体是使用编码Windows-1252的字符进行训练的。因此，ASCII代码大于127的字符符号（'e'，'￡'，'￥'）的外观可能与预期的外观不同，具体取决于系统的字符编码。在这种情况下，应根据其ASCII码检查分类字符，即'e'为128，'￡'为163，'￥'为165。 18.5.1具有正则权重和拒绝类的预训练字体 所有预训练的OCR字体都有两个版本。以_NoRej结尾的字体名称具有正则化权重但没有拒绝类，以_Rej结尾的字体名称具有正则化权重及拒绝类。由于正则化，预训练的OCR字体提供了更有意义的置信度。使用拒绝类的字体，可以区分字符与杂乱背景。带有拒绝类的字体返回ASCIICode26。 18.5.2即用型OCR字体的命名法 OCR字体的内容由其名称描述。名称以组名开头，例如Document或DotPrint，后跟OCR字体中包含的符号集的指示符。指标的含义如下： 0-9：OCR字体包含数字0到9。 A-Z：OCR字体包含大写字符A到Z. +：OCR字体包含特殊字符。特殊字符列表与单个OCR字体略有不同。 _NoRej：OCR字体没有拒绝类。 _Rej：OCR字体有拒绝类。 如果OCR字体的名称不包含任何上述指示符或仅后跟指示符_NoRej或_Rej，通常，OCR字体包含数字0到9，大写字符A到Z，小写字符a到z，和特殊字符。某些OCR字体不包含小写字符（例如，DotPrint）。 18.5.3预训练字体’Document’ ’Document’可用于读取以Arial，Courier或TimesNewRoman等字体打印的字符。这些是用于打印文档或字母的典型字体。请注意，无法区分字体Arial的字符I和l。这意味着l可能被误认为是I，反之亦然。 可用的特殊字符：-=+<>.#$%&()@*e￡￥ SymbolsetNameofOCRfontwithrejectionclassNameofOCRfontwithoutrejectionclass0-9,A-Z,a-z,specialcharactersDocument_RejDocument_NoRejA-Z,specialcharactersDocument_A-Z+_RejDocument_A-Z+_NoRej0-9Document_0-9_RejDocument_0-9_NoRej0-9,A-ZDocument_0-9A-Z_RejDocument_0-9A-Z_NoRej18.5.4预训练字体’DotPrint’ ‘DotPrint’可用于读取用点式打印机打印的字符。它不包含小写字符。 可用的特殊字符：-/.*: SymbolsetNameofOCRfontwithrejectionclassNameofOCRfontwithoutrejectionclass0-9,A-Z,specialcharactersDotPrint_RejDotPrint_NoRejA-Z,specialcharactersDotPrint_A-Z+_RejDotPrint_A-Z+_NoRej0-9DotPrint_0-9_RejDotPrint_0-9_NoRej0-9,specialcharactersDotPrint_0-9+_RejDotPrint_0-9+_NoRej0-9,A-ZDotPrint_0-9A-Z_RejDotPrint_0-9A-Z_NoRej 18.5.5预训练字体’HandWritten_0-9’ ‘HandWritten_0-9’可用于读取手写数字。它包含数字0-9。 可用的特殊字符：无 SymbolsetNameofOCRfontwithrejectionclassNameofOCRfontwithoutrejectionclass0-9HandWritten_0-9_RejHandWritten_0-9_NoRej 18.5.6预训练字体’Industrial’ ‘Industrial’可用于读取以Arial，OCR-B或其他sans-serif字体等打印的字符。例如，这些字体通常用于打印标签。 可用的特殊字符：-/+.$%*e￡￥ SymbolsetNameofOCRfontwithrejectionclassNameofOCRfontwithoutrejectionclass0-9,A-Z,a-z,specialcharactersIndustrial_RejIndustrial_NoRejA-Z,specialcharactersIndustrial_A-Z+_RejIndustrial_A-Z+_NoRej0-9Industrial_0-9_RejIndustrial_0-9_NoRej0-9,specialcharactersIndustrial_0-9+_RejIndustrial_0-9+_NoRej0-9,A-ZIndustrial_0-9A-Z_RejIndustrial_0-9A-Z_NoRej 18.5.7预训练字体’OCR-A’ ‘OCR-A’可用于读取以字体OCR-A打印的字符。 可用的特殊字符：-!/{}=+<>.#$%&()@*e￡￥ SymbolsetNameofOCRfontwithrejectionclassNameofOCRfontwithoutrejectionclass0-9,A-Z,a-z,specialcharactersOCRA_RejOCRA_NoRejA-Z,specialcharactersOCRA_A-Z+_RejOCRA_A-Z+_NoRej0-9OCRA_0-9_RejOCRA_0-9_NoRej0-9,A-ZOCRA_0-9A-Z_RejOCRA_0-9A-Z_NoRej 18.5.8预训练字体’OCR-B’ ‘OCR-B’可用于读取以字体OCR-B打印的字符。 SymbolsetNameofOCRfontwithrejectionclassNameofOCRfontwithoutrejectionclass0-9,A-Z,a-z,specialcharactersOCRB_RejOCRB_NoRejA-Z,specialcharactersOCRB_A-Z+_RejOCRB_A-Z+_NoRej0-9OCRB_0-9_RejOCRB_0-9_NoRej0-9,A-ZOCRB_0-9A-Z_RejOCRB_0-9A-Z_NoRej0-9,A-Z,+and 18.5.9预训练字体’Pharma’ ‘Pharma’可用于读取以Arial，OCR-B等字体打印的字符，以及制药行业通常使用的其它字体（见图18.18）。此OCR字体不包含小写字符。 可用的特殊字符：-/.(): SymbolsetNameofOCRfontwithrejectionclassNameofOCRfontwithoutrejectionclass0-9,A-Z,specialcharactersPharma_RejPharma_NoRej0-9Pharma_0-9_RejPharma_0-9_NoRej0-9,specialcharactersPharma_0-9+_RejPharma_0-9+_NoRej0-9,A-ZPharma_0-9A-Z_RejPharma_0-9A-Z_NoRej 18.5.10预训练字体’SEMI’ ‘SEMI’可用于读取以SEMI字体打印的字符，该字体由易于彼此区分的字符组成。它有一组有限的字符，可以在图18.19中看到。此OCR字体不包含小写字符。 可用的特殊字符：-. SymbolsetNameofOCRfontwithrejectionclassNameofOCRfontwithoutrejectionclass0-9,A-Z,specialcharactersSEMI_RejSEMI_NoRej 18.5.11预训练字体’Universal’ ‘Universal’可用于读取各种不同的字符。这种基于CNN训练的字体的基于‘’Document’，“DotPrint”，“SEMI”和“Industrial’”等字符。 可用的特殊字符：-/=+:<>.#$%&()@*e￡￥ SymbolsetNameofOCRfontwithrejectionclassNameofOCRfontwithoutrejectionclass0-9,A-Z,a-z,specialcharactersUniversal_RejUniversal_NoRejA-Z,specialcharactersUniversal_A-Z+_RejUniversal_A-Z+_NoRej0-9Universal_0-9_RejUniversal_0-9_NoRej0-9,specialcharactersUniversal_0-9+_RejUniversal_0-9+_NoRej0-9,A-ZUniversal_0-9A-Z_RejUniversal_0-9A-Z_NoRej0-9,A-Z,specialcharactersUniversal_0-9A-Z+_RejUniversal_0-9A-Z+_NoRej