如何高效使用cnocr：竖排简繁中文识别全流程指南

一、cnocr库简介与竖排识别核心挑战

cnocr是基于PyTorch框架开发的开源OCR工具，专注于中文场景识别，尤其针对古籍、书法、对联等竖排文本场景优化。其核心优势在于支持多语言混合识别（简/繁/日/韩）及版面自适应能力，但竖排识别需特殊参数配置。

竖排文本识别面临三大挑战：

1. 方向性：字符排列方向与常规横排相反，需模型具备方向感知能力
2. 字符间距：竖排文本行间距不均，易导致字符粘连
3. 语言混合：古籍中常见简繁混用，需模型具备语言自适应能力

二、环境准备与依赖安装

1. 系统要求

• Python 3.7+
• PyTorch 1.8+（推荐CUDA 11.x）
• OpenCV 4.5+
• 推荐Linux/macOS系统，Windows需配置WSL2

2. 安装步骤

# 创建虚拟环境（推荐）
python -m venv cnocrenv
source cnocrenv/bin/activate  # Linux/macOS
# cnocrenv\Scripts\activate  # Windows
# 安装cnocr（含预训练模型）
pip install cnocr[all]  # 包含所有语言模型
# 或精简安装（仅简繁中文）
pip install cnocr[chinese-simplified-chinese-traditional]

3. 模型下载验证

安装后自动下载默认模型（densenet_lite_136-gru），可通过以下代码验证：

from cnocr import CnOcr
ocr = CnOcr()
print(f"已加载模型：{ocr.model_name}")  # 应输出模型名称

三、竖排识别核心参数配置

1. 关键参数说明

2. 参数配置示例

from cnocr import CnOcr
# 简体中文竖排配置
ocr_sim = CnOcr(
    vertical_text=True,  # 关键参数
    lang='ch_sim',
    merge_lines=False,  # 禁用行合并
    context='cuda'      # GPU加速
)
# 繁体中文竖排配置
ocr_tra = CnOcr(
    vertical_text=True,
    lang='ch_tra',
    rec_model_name='densenet_lite_136-gru-ft',  # 繁体专用微调模型
    merge_lines=False
)

四、完整识别流程实现

1. 图像预处理

import cv2
import numpy as np
def preprocess_image(img_path):
    # 读取图像（保持原始方向）
    img = cv2.imread(img_path)
    if img is None:
        raise ValueError("图像加载失败")
    # 转换为RGB（cnocr默认输入格式）
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    # 二值化（可选，增强对比度）
    gray = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY)
    _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    return binary  # 或直接返回img_rgb

2. 批量识别实现

def recognize_vertical_text(img_path, ocr_engine):
    """
    竖排文本识别主函数
    :param img_path: 图像路径
    :param ocr_engine: 配置好的CnOcr实例
    :return: 识别结果列表，每个元素为(文本, 位置, 置信度)
    """
    try:
        img = preprocess_image(img_path)
        # 关键调用：识别时无需特殊参数，依赖预配置的vertical_text=True
        results = ocr_engine.ocr(img)
        # 竖排结果处理：按y坐标排序（从顶到底）
        sorted_results = sorted(results, key=lambda x: x[0][1])  # x[0]为坐标，x[0][1]为y坐标
        # 提取文本和置信度
        text_results = [(res[1], res[2]) for res in sorted_results]  # (文本, 置信度)
        return text_results
    except Exception as e:
        print(f"识别错误：{str(e)}")
        return []

3. 完整调用示例

# 初始化识别器
ocr_sim = CnOcr(vertical_text=True, lang='ch_sim', merge_lines=False)
# 识别简体中文竖排文本
img_path = 'vertical_ch_sim.jpg'
results = recognize_vertical_text(img_path, ocr_sim)
# 输出结果
for idx, (text, conf) in enumerate(results, 1):
    print(f"行{idx}: {text} (置信度: {conf:.2f})")

五、高级优化技巧

1. 模型微调（针对特定场景）

from cnocr.utils import train_helper
# 示例：使用自定义数据集微调
train_helper.train(
    model_name='densenet_lite_136-gru',
    lang='ch_sim',
    train_data_dir='./custom_train_data',
    val_data_dir='./custom_val_data',
    epochs=20,
    batch_size=16
)

数据集要求：

• 图像格式：JPG/PNG
• 标注格式：每行一个文本框，格式为x1,y1,x2,y2,文本

2. 多语言混合识别

# 启用简繁混合识别（需下载多语言模型）
ocr_mixed = CnOcr(
    vertical_text=True,
    lang='mixed',  # 自动识别简繁
    rec_model_name='densenet_lite_136-gru-multilang'
)

3. 后处理增强

def postprocess_results(raw_results):
    """
    后处理：
    1. 过滤低置信度结果
    2. 合并连续相同字符（修复分词错误）
    """
    processed = []
    for text, conf in raw_results:
        if conf > 0.7:  # 置信度阈值
            # 简单去重示例（实际需更复杂逻辑）
            if len(processed) > 0 and processed[-1][0] == text:
                continue
            processed.append((text, conf))
    return processed

六、常见问题解决方案

1. 识别乱码问题

• 原因：模型未适配竖排或语言设置错误
• 解决：
  • 确认vertical_text=True
  • 检查lang参数是否匹配（ch_sim/ch_tra）
  • 尝试更换模型（如densenet_lite_136-gru-ft）

2. 性能优化建议

3. 版本兼容性问题

• cnocr v2.0+ 才支持竖排识别
• 检查版本：

  import cnocr
  print(f"当前版本：{cnocr.__version__}")  # 需≥2.0.0

七、完整代码示例

from cnocr import CnOcr
import cv2
def main():
    # 1. 初始化识别器
    ocr = CnOcr(
        vertical_text=True,
        lang='ch_sim',  # 或'ch_tra'
        merge_lines=False,
        context='cuda' if cv2.cuda.getCudaEnabledDeviceCount() > 0 else 'cpu'
    )
    # 2. 加载图像
    img_path = 'example_vertical.jpg'
    img = cv2.imread(img_path)
    if img is None:
        raise FileNotFoundError("图像未找到")
    # 3. 识别（自动应用竖排配置）
    results = ocr.ocr(img)
    # 4. 后处理与输出
    sorted_results = sorted(results, key=lambda x: x[0][1])  # 按y坐标排序
    for i, (bbox, text, conf) in enumerate(sorted_results, 1):
        print(f"识别结果{i}:")
        print(f"  文本: {text}")
        print(f"  位置: {bbox}")
        print(f"  置信度: {conf:.2f}\n")
if __name__ == '__main__':
    main()

八、总结与扩展建议

1. 竖排识别核心：必须设置vertical_text=True并禁用merge_lines
2. 语言选择：简体中文用ch_sim，繁体中文用ch_tra，混合场景用mixed
3. 性能优化：GPU加速、图像缩放、批量处理可显著提升效率
4. 扩展应用：可结合版面分析（如ppocr）实现复杂文档解析

通过以上流程，开发者可高效实现古籍、书法等竖排文本的精准识别。实际项目中，建议构建包含500+样本的微调数据集以进一步提升特定场景准确率。