表单识别（三）

表单识别中存在的问题：

• 表单背景复杂多样，表格图像会受到背景、光照等因素的影响，表单目标域背景相分离就会显得十分重要，同时，背景与目标相分离也十分困难。
• 表单上内容复杂：表单尺寸不一、字体多样、语种多样，不仅包括：汉字、字符及其特殊字符，有些表单中甚至有图像或者表格。

需要考虑的问题：

• 表单输入类型：扫描文件；拍的图像；

扫面文件，一般都会对原图进行自动校正，预处理阶段就可以减少很多操作；
拍摄的照片：会存在图像扭曲，文字弯曲等多种情况；

• 表单背景：是否有背景，有背景需要进行背景分离；没有背景：直接进行识别；
• 表单中的结构是否多样；
• 表单内容类型：语种，汉字，字符，特殊字符，领域专业术语；是否有手写体；

一般的字符识别相对要简单：英文、数字结构简单，数量少；
汉字识别较为困难：汉字类型复杂切庞大，目前对于6000多个常用汉字以及能够较好识别。

• 表单内容中是否有表格：是否需要进行表格结构识别；
• 表单中是否有图像：是否需要图像目标检测；

分类：

• 表格类型表单

也就是表格识别，包括：OCR与表格识别。按照表格识别来进行处理；OCR主要分为：文本检测与文本识别；

• 非表格单据识别：

可以单纯看做OCR，也就是只包括：文本检测与文本识别；