如何高效使用cnocr：竖排简繁中文识别全流程指南

2025年9月20日 互联网

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

  1. # 创建虚拟环境（推荐）
  2. python -m venv cnocrenv
  3. source cnocrenv/bin/activate  # Linux/macOS
  4. # cnocrenv\Scripts\activate  # Windows
  6. # 安装cnocr（含预训练模型）
  7. pip install cnocr[all]  # 包含所有语言模型
  8. # 或精简安装（仅简繁中文）
  9. 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：

  1. from cnocr import CnOcr
  2. ocr = CnOcr()
  3. 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

参数 类型 默认值 竖排识别建议值 作用
context str ‘cpu’ ‘cuda’（如可用） 加速推理
rec_model_name str ‘densenet_lite_136-gru’ 保持默认 识别模型
det_model_name str ‘ch_PP-OCRv3_det’ 保持默认 检测模型
vertical_text bool False True 启用竖排模式
lang str ‘ch_sim’ ‘ch_sim’或’ch_tra’ 语言类型
merge_lines bool True False 竖排禁用行合并

2. 参数配置示例

  1. from cnocr import CnOcr
  3. # 简体中文竖排配置
  4. ocr_sim = CnOcr(
  5.     vertical_text=True,  # 关键参数
  6.     lang='ch_sim',
  7.     merge_lines=False,  # 禁用行合并
  8.     context='cuda'      # GPU加速
  9. )
  11. # 繁体中文竖排配置
  12. ocr_tra = CnOcr(
  13.     vertical_text=True,
  14.     lang='ch_tra',
  15.     rec_model_name='densenet_lite_136-gru-ft',  # 繁体专用微调模型
  16.     merge_lines=False
  17. )

四、完整识别流程实现

1. 图像预处理

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

2. 批量识别实现

  1. def recognize_vertical_text(img_path, ocr_engine):
  2.     """
  3.     竖排文本识别主函数
  4.     :param img_path: 图像路径
  5.     :param ocr_engine: 配置好的CnOcr实例
  6.     :return: 识别结果列表，每个元素为(文本, 位置, 置信度)
  7.     """
  8.     try:
  9.         img = preprocess_image(img_path)
  10.         # 关键调用：识别时无需特殊参数，依赖预配置的vertical_text=True
  11.         results = ocr_engine.ocr(img)
  13.         # 竖排结果处理：按y坐标排序（从顶到底）
  14.         sorted_results = sorted(results, key=lambda x: x[0][1])  # x[0]为坐标，x[0][1]为y坐标
  16.         # 提取文本和置信度
  17.         text_results = [(res[1], res[2]) for res in sorted_results]  # (文本, 置信度)
  18.         return text_results
  19.     except Exception as e:
  20.         print(f"识别错误：{str(e)}")
  21.         return []

3. 完整调用示例

  1. # 初始化识别器
  2. ocr_sim = CnOcr(vertical_text=True, lang='ch_sim', merge_lines=False)
  4. # 识别简体中文竖排文本
  5. img_path = 'vertical_ch_sim.jpg'
  6. results = recognize_vertical_text(img_path, ocr_sim)
  8. # 输出结果
  9. for idx, (text, conf) in enumerate(results, 1):
  10.     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）

  1. from cnocr.utils import train_helper
  3. # 示例：使用自定义数据集微调
  4. train_helper.train(
  5.     model_name='densenet_lite_136-gru',
  6.     lang='ch_sim',
  7.     train_data_dir='./custom_train_data',
  8.     val_data_dir='./custom_val_data',
  9.     epochs=20,
  10.     batch_size=16
  11. )

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

  1. # 启用简繁混合识别（需下载多语言模型）
  2. ocr_mixed = CnOcr(
  3.     vertical_text=True,
  4.     lang='mixed',  # 自动识别简繁
  5.     rec_model_name='densenet_lite_136-gru-multilang'
  6. )

3. 后处理增强

  1. def postprocess_results(raw_results):
  2.     """
  3.     后处理：
  4.     1. 过滤低置信度结果
  5.     2. 合并连续相同字符（修复分词错误）
  6.     """
  7.     processed = []
  8.     for text, conf in raw_results:
  9.         if conf > 0.7:  # 置信度阈值
  10.             # 简单去重示例（实际需更复杂逻辑）
  11.             if len(processed) > 0 and processed[-1][0] == text:
  12.                 continue
  13.             processed.append((text, conf))
  14.     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

场景 优化方案 效果
高分辨率图像 提前缩放至1500px以下 速度提升40%
批量处理 使用ocr.ocr_for_single_lines() 内存占用降低60%
GPU加速 确保context='cuda' 推理速度提升5-10倍

3. 版本兼容性问题

  • cnocr v2.0+ 才支持竖排识别
  • 检查版本： 
    1. import cnocr
    2. print(f"当前版本：{cnocr.__version__}")  # 需≥2.0.0

七、完整代码示例

  1. from cnocr import CnOcr
  2. import cv2
  4. def main():
  5.     # 1. 初始化识别器
  6.     ocr = CnOcr(
  7.         vertical_text=True,
  8.         lang='ch_sim',  # 或'ch_tra'
  9.         merge_lines=False,
  10.         context='cuda' if cv2.cuda.getCudaEnabledDeviceCount() > 0 else 'cpu'
  11.     )
  13.     # 2. 加载图像
  14.     img_path = 'example_vertical.jpg'
  15.     img = cv2.imread(img_path)
  16.     if img is None:
  17.         raise FileNotFoundError("图像未找到")
  19.     # 3. 识别（自动应用竖排配置）
  20.     results = ocr.ocr(img)
  22.     # 4. 后处理与输出
  23.     sorted_results = sorted(results, key=lambda x: x[0][1])  # 按y坐标排序
  24.     for i, (bbox, text, conf) in enumerate(sorted_results, 1):
  25.         print(f"识别结果{i}:")
  26.         print(f"  文本: {text}")
  27.         print(f"  位置: {bbox}")
  28.         print(f"  置信度: {conf:.2f}\n")
  30. if __name__ == '__main__':
  31.     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。

最新文章