OCR是英文 Optical Character Recognition的缩写，指的是光学字符识别。目前在软件开发领域通常指的是文字识别，具体应用场景有车牌识别、智能手写笔、考卷打分等。在机器学习、神经网络学习里是一块相对成熟的领域，对于常见的自然语言，识别准确率很高。
人工智能
百度这几年往人工智能方向发力，开源了飞浆框架。官网上提供了测试用的地址，只需要上传一张带文字的图片，右侧就会返回识别到的文字，文字在图片中的位置，置信率。放出来的开源训练模型体积不到10MB，是相当优异的。以前我自己训练过一个GAN模型，能生成一些人脸图像，有几百MB大小。
机器学习和神经网络学习，理论上采用了截然不同的思路。机器学习采用非常严谨的数学算法，而神经网络学习则是模拟神经信号传递。从目前工业界的效果来说，神经网络训练出来的模型准确率更高。神经网络可以嵌套多层网络模型，训练的数据越多，拟合的越好。
正如上图的高斯正态分布，数学必须保持严谨性。机器学习里常见的线性回归、逻辑回归算法，背后的数学推理无懈可击。
科学家研究神经元，发现其受到刺激之后会发送强弱不等的电信号给其他神经元。受此启发，可以简单地把这个过程理解为一个数学公式。 \(y = ax + b\) x作为输入，y作为输出，类比电信号。神经网络的训练就是找到这个方程里的a和b的最优解。
计算机从广义的角度来讲，一直在重复做两件事：识别和反馈。比如网上购物，用户添加进了购物车，用户就有了购买意向。当用户提交了订单，后台就会检查订单能否正常进行下去，是否有货，可以的话让用户支付，还要判断支付成功与否。只不过这里的识别和反馈是开发者早已定义好的业务模型，程序员只要按部就班按照约定开发就行。
但是对于真实的世界而言，很多东西是没有定义好的。比如下面的图片
这是百度飞浆网站上的测试图片。文字的大小、字体、颜色，是不确定的，表达的内容对计算机而言也是未知的。怎么让计算机了解这张图片要表达何种含义呢？
点阵图
现在很多小学生买了智能识别笔，把笔对着书本、试卷扫一扫，就能识别内容，给小朋友找到相关学习视频。此类识别是相对简单的，计算机里采用点阵图技术识别。比较厉害的是大漠插件提供的文字识别
它能使用字体文件，生成特定字号的点阵图文件，识别文字相当高效。智能识别笔使用的正是这个技术，内置了多种字体的点阵图。通过蓝牙或者WiFi连接到学习机，展示通过联网查找到的解答给小朋友。
对于标准的字体，方方正正，颜色单一，这种技术识别没问题。若是遇到字体混合了多种颜色，扭曲变形，夹杂干扰信息，这种方案就无能为力了。车牌识别就属于这种，目前大多数是使用的机器学习模型。
文字识别以后做什么呢？如果是简单的车牌，有特定的规则，按部就班就行。如果是给考生的作文打分呢？计算机怎么去理解一大段文字，它表达的主旨是什么？它和标准答案相差有多大？这便是自然语言处理的范畴了，是个很有意思的方向。
同OCR相对的，有ASR(Audio Speech Recognition)语音识别。现在常用的微信语音转汉字使用的就是这门技术，背后是神经网络学习模型在支撑。中国那么多方言、土话，能转换得像模像样是相当不错了。
总结
这篇文章是对最近接触到的文字识别技术做一个粗略的总结。若干年后，它会变成一种习以为常的事。计算机的理解能力会越来越强，人会越来越懒。期待终结者里的机器人面世！
