竖排文字识别：数据瓶颈与合成价值

在东亚语言（如中文、日文、韩文）的古籍数字化、广告设计、艺术创作等场景中，竖排文字的识别需求日益凸显。然而，传统基于横排文字训练的OCR模型在竖排场景下表现显著下降，主要原因是竖排文字的字符排列方向、行间距、标点位置等特征与横排存在本质差异。例如，中文竖排从右至左的阅读顺序会导致字符间距分布不均，而日文竖排中平假名与汉字的混排规则更为复杂。

现实困境在于，真实竖排文字数据集的获取成本极高：古籍扫描需专业设备与版权授权，广告设计素材分散且标注困难，艺术字体更缺乏统一规范。因此，通过合成技术生成高质量竖排文字数据集成为破解这一难题的关键路径。

合成数据集的核心技术框架

1. 基础要素合成：字符、字体与排版规则

竖排文字合成的第一步是构建基础字符库。需覆盖：

• 字符集：中文需包含GB2312/GBK标准字符，日文需覆盖JIS X 0208字符集，韩文需支持KS X 1001标准。
• 字体多样性：除常规宋体、黑体外，需加入书法字体（如楷书、行书）、艺术字体（如手写体、卡通体）及古籍专用字体（如仿宋、刻本体）。例如，使用Python的Pillow库可实现字体动态加载：

  from PIL import Image, ImageDraw, ImageFont
  def generate_vertical_char(char, font_path, output_size=(64, 64)):
    img = Image.new('L', output_size, color=255)
    draw = ImageDraw.Draw(img)
    try:
        font = ImageFont.truetype(font_path, size=48)
    except:
        font = ImageFont.load_default()
    # 竖排居中绘制（需计算字符宽高比）
    char_width, char_height = draw.textsize(char, font=font)
    x = (output_size[0] - char_width) // 2
    y = (output_size[1] - char_height) // 2
    draw.text((x, y), char, fill=0, font=font)
    return img

• 排版规则引擎：需实现从右至左的列排列、行间距自适应、标点符号悬停（如中文竖排中句号“。”需位于行末右侧）等规则。可通过定义配置文件实现灵活调整：

  {
    "direction": "vertical",
    "reading_order": "right_to_left",
    "line_spacing": 1.5,
    "punctuation_rule": {
        "。": {"position": "end_right"},
        "，": {"position": "mid_right"}
    }
  }

2. 背景与干扰增强：提升模型鲁棒性

真实场景中的竖排文字常伴随复杂背景与干扰因素，合成时需模拟：

• 背景纹理：古籍黄斑、纸张褶皱、印刷噪点等。可通过叠加高斯噪声与纹理图像实现：

  import numpy as np
  def add_paper_texture(img, texture_path, alpha=0.3):
    texture = Image.open(texture_path).convert('L')
    texture = texture.resize(img.size)
    texture_arr = np.array(texture) / 255.0
    img_arr = np.array(img) / 255.0
    blended = img_arr * (1 - alpha) + texture_arr * alpha
    return Image.fromarray((blended * 255).astype(np.uint8))

• 几何变形：透视扭曲、弯曲变形（模拟书籍翻页效果）。使用OpenCV的仿射变换：

  import cv2
  def apply_perspective_distortion(img, points):
    # points: 定义四个角点的目标位置
    src_points = np.float32([[0,0], [img.width,0], [img.width,img.height], [0,img.height]])
    dst_points = np.float32(points)
    M = cv2.getPerspectiveTransform(src_points, dst_points)
    distorted = cv2.warpPerspective(np.array(img), M, (img.width, img.height))
    return Image.fromarray(distorted)

• 文字重叠：模拟多列竖排文字的交叉干扰。需计算字符边界框并控制重叠比例（建议<15%）。

3. 数据标注与质量验证

合成数据需附带精确标注信息，包括：

• 字符级标注：每个字符的类别与位置框（需适配竖排坐标系）。
• 行级标注：每列文字的起始与结束位置。
• 阅读顺序标注：从右至左的列索引。

质量验证可通过交叉比对实现：

1. 人工抽检：随机抽取10%数据由人工核对标注准确性。
2. 模型预验证：用小规模真实数据训练基准模型，在合成数据上测试识别率（需>95%）。
3. 分布一致性检查：统计合成数据的字符频率、行长分布等指标，确保与真实数据一致。

实践优化策略

1. 渐进式数据增强

从简单场景（单列、无干扰）逐步过渡到复杂场景（多列、强干扰），避免模型过早过拟合。例如：

• 阶段1：单列竖排，纯色背景，标准字体。
• 阶段2：双列竖排，添加纸张纹理，引入2种字体。
• 阶段3：多列竖排，复杂背景，5种字体混合，加入10%重叠干扰。

2. 领域适配数据生成

针对特定应用场景（如古籍、广告）定制数据：

• 古籍场景：增加竖排标点、繁体字、古籍专用字体，模拟虫蛀与褪色效果。
• 广告场景：加入艺术字体、渐变背景、倾斜排版，控制字符旋转角度在±15°内。

3. 持续迭代机制

建立“模型反馈-数据优化”闭环：

1. 用当前数据集训练模型。
2. 在真实数据上测试，记录识别错误案例（如特定字体误识、行间距误判）。
3. 针对性补充合成数据（如增加错误字符的变体样本）。
4. 重复训练-测试循环，直至模型在真实数据上达到目标准确率。

工具与资源推荐

• 字体库：Google Fonts（开源字体）、方正字库（商业授权）。
• 背景纹理：Flickr Commons（古籍扫描图）、TextureLab（程序化纹理生成）。
• 标注工具：LabelImg（支持竖排坐标系扩展）、Doccano（多模态标注）。
• 合成框架：TextRecognitionDataGenerator（支持竖排模式）、SynthText（需修改以适配竖排）。

结语

合成竖排文字数据集的构建是一项系统工程，需兼顾字符多样性、排版规则、干扰模拟与标注精度。通过分阶段增强、领域适配与持续迭代，可低成本生成高质量训练数据，显著提升OCR模型在竖排场景下的识别性能。对于开发者而言，掌握合成技术不仅能破解数据稀缺难题，更能通过定制化数据集构建技术壁垒，在古籍数字化、广告设计等垂直领域占据先机。