第 18 章 应用实例：图片文字识别

这一章用 Photo OCR 作为完整机器学习系统案例，说明如何拆分系统流程、获取数据，并用上限分析决定优化方向。

18.1 问题描述和流程图

Photo OCR 的目标是从图片中识别文字。

一个完整流程可以拆成：

1. 文本检测：找出图片中哪些区域包含文字。
2. 字符切分：把文字区域切成单个字符。
3. 字符识别：识别每个字符。

这种流程图有助于把复杂系统拆成多个可评估模块。

18.2 滑动窗口

滑动窗口用于在图像中寻找目标区域。

基本做法：

1. 固定一个窗口大小。
2. 在图像上从左到右、从上到下滑动。
3. 对每个窗口运行分类器。
4. 判断该窗口是否包含目标。

如果目标尺寸变化较大，需要使用多个窗口大小。

滑动窗口也可以用于行人检测、文本检测等任务。

18.3 获取大量数据和人工数据

机器学习系统常常受益于更多数据，但前提是模型和特征有能力利用这些数据。

获取数据的方式：

• 收集真实数据。
• 人工标注数据。
• 通过已有样本生成合成数据。

例如字符识别中，可以用不同字体生成大量字符图像，也可以对已有图像做旋转、缩放、扭曲等变换。

生成人工数据时要注意：合成数据应该接近真实测试场景，否则帮助有限。

18.4 上限分析

上限分析用于决定系统中哪个模块最值得优化。

做法：

1. 记录当前完整系统表现。
2. 人工把某个模块的输出替换成完美结果。
3. 观察整体性能提升多少。
4. 提升最大的模块，优先优化。

例如 Photo OCR 中，可以分别把文本检测、字符切分、字符识别替换成完美输出，比较系统准确率提升。

上限分析可以避免把时间花在对整体效果帮助很小的模块上。