项目概述

这个项目用于生成OCR印刷体样本。

实现了以下功能：

• 可以基于字库随机生成，并且可以配置数字、日期、汉字、混英文等各自的生成概率
• 可以基于语料生成，从语料中随机截取片段文字进行生成
• 可以支持多种效果进行增强：变形、剪切、噪音、模糊等
• 可以支持多种字体和多种背景（可定制）
• 可以支持只产生文本样本，也支持带有每个字坐标标注的样本

此项目更适合印刷、打印纸质样本的模拟，不适合自然场景下的文本生成。 此项目缘起于本人印刷体、打印体文字识别的场景下的样本增强。

参考

此项目参考了以下的开源项目：

• https://github.com/mdbloice/Augmentor
• https://github.com/wang-tf/Chinese_OCR_synthetic_data
• https://github.com/JarveeLee/SynthText_Chinese_version
• https://github.com/Belval/TextRecognitionDataGenerator.git
• https://github.com/Sanster/text_renderer

此项目直接使用了一下开源项目：

• imgaug项目，作为样本增强效果的实现。

设计思路

样本生成主要需要做一下工作：

• 加载资源，如（字体、背景图）
• 支持多进程，提高效率
• 各种策略来生成文字
• 各种策略来增强生成的图片

所以，实现的大抵思路也是如此：

1、先加载字体、背景、字符集、字库

2、生成一个串文本

3、画文本到背景上，并确定bbox

4、使用开源项目imgaug做增强

5、保存图片、标签、和bbox

两种生成方式

目前，项目实现了两种样本的生成：

1、仅生成图片和对应的文字标签

2、生成图片和对应的文字标签，还要包含每个字的bbox信息

生成识别样本（仅有字符标注）

这种标注，对每个文件，仅提供其对应的字符串，不靠谱中文中的全角半角，需要程序自己进行转换。

标注文件只有一个，如train.txt。文件分为2列：文件路径、对应文字。

样例：

data/train/abc.jpg 你好，世界
data/train/bcd.jpg 毁灭吧，世界！累了~
......

生成带位置信息的识别样本

这种样本，是标注了每个字符的轮廓的，每个字的轮廓采用4点标注。 第一行是样本对应的字符串，第2行至最后一行，是每个汉字的4点标注，和对应的汉字。

样例：

所有样例存放在一个文件夹里，每张图片有唯一的名字，而标注的文件名字一样，只是后缀为.txt。

图像文件名：abc.jpg

标注文件名：abc.txt

标注文件样例：

你好，世界                      <---- 第1行，标注结果
11,12,21,22,31,32,41,42 你     <---- 第2行-最后一行，标注每个文字的框
11,12,21,22,31,32,41,42 好
11,12,21,22,31,32,41,42 ，
11,12,21,22,31,32,41,42 世
11,12,21,22,31,32,41,42 界

使用

运行程序

运行bin/run.sh可以生成图像，格式如下：

bin/run.sh --dir output_dir --num number --config config/config.yml <--debug>

• dir：样本生成目录
• num：生成多个张
• debug：是否显示更多的运行信息
• config: 使用的配置文件

配置

为了控制运行细节，需要配置config.yml：

• 做随机生成

COMMON:
    TEXT_GENERATOR : random     # 随机生成:random, 语料生成:corpus

• 基于语料生成

COMMON:
    TEXT_GENERATOR : corpus     # 随机生成:random, 语料生成:corpus

• 只生成文本

COMMON:
    GENERATOR : text         # 保存轮廓的:contour, 只保存标签: text

• 生成文本，和每个字的坐标

COMMON:
    GENERATOR : contour         # 保存轮廓的:contour, 只保存标签: text

以上配置都可以组合使用，更详细的配置，可直接参考配置文件中的注释。

预制配置文件

【三种默认配置】

目前提供了3种默认配置，方便各类样本生成：

• config/config.contour.yml: 生成带有轮廓标注的随机文本
• config/config.corpus.yml: 生成基于语料的，仅有文本标注的样本
• config/config.captcha.yml: 生成仅包含数字和字母的用于验证码识别的样本，当时长度固定
• config/config.alphabeta.yml: 生成仅包含数字和字母，跟captcha验证码很像，但是长度不固定，用作英文+数字的样本

你还可以根据给出的配置，微调你的生成参数。

字符集

目前提供3个字符集：

• charset.txt 这个是一级字库和英文、数字和全角、半角标点符号
• charset.4100.txt 在charset.txt的基础上，增加了一些地名、人名的常用字
• charset.alphabeta.txt 仅包含数字和英文的字符集，用于制作验证码或者英文样本

相关资源

运行前，需要先下载背景（各类白纸）和字体资源：

百度云盘下载 提取码: 2rbd

并放置到 data/目录下。

其他说明

• 背景都是白纸，为了增加样本真实性，如果不使用背景，默认会生成纯白色背景。
• 字体同背景的作用，如果不提供，将使用系统默认字体
• 字符串的长度、空格的多少等等，都可以通过修改配置文件达成，可以详细参考配置文件的注释
• 目前不支持固定尺寸的图片生成，未来考虑增加这个特性