快速识别潦草字的技巧有迅捷文字识别APP、仔细观察、关注字体的倾斜角度和笔画弯曲程度等等。

1、迅捷文字识别APP

首先，打开迅捷文字识别APP，点击手写识别，将需要识别的从相册中导入，然后点击识别即可。

2、仔细观察

仔细观察字的形状和结构，特别是各个笔画的起笔、落笔和连接方式。潦草的字往往线条粗细不一致，有时会出现颠簸或颤抖的情况。

3、关注字体的倾斜角度和笔画弯曲程度

潦草的字常常会有倾斜角度和笔画弯曲程度的变化，需要注意观察这些细节特征。

快速纠正潦草书写的方法：

1、书写和坐姿要正确

首先，写作时，坐姿要端正，父母应该让孩子保持放松，他们应该坐在桌子前面，双腿微微张开，上半身应该抬起来，尸体应该离桌子一拳，左手拿着书，右手拿着笔。这样正确的写作姿态是写作的前提，如果坐姿不规范，不仅写的字不好看，还会让孩子变得驼背。如果发现孩子的书写姿势不规范，一定要及时适应孩子。

2、正确握笔

如果你想写一手好字，握笔也是一门学问。有的孩子乱写主要是因为拿笔姿势不正确，有的孩子喜欢把笔举得很远，这样写字本身就爱飘浮，写的字容易弯曲。有些孩子喜欢用钢笔写字，所以用力过猛很容易，也会影响孩子的视角，当然，文字并不好看。用笔写字就像用筷子吃饭，你必须掌握正确的姿势才能顺利进行。

3、让孩子多写多练

写字也是熟能生巧，孩子刚学会写字的时候字体肯定不漂亮，不整洁。即使孩子的坐姿、握笔姿势、笔触都是正确的，但字迹有点怪。这个时候，孩子们需要多写多练。父母可以每天抽出一个小时，让孩子练习正确的写作。这样，久而久之，孩子的书写技巧、字体自然会好看。

4、用复印本复印

如果孩子的笔画不正确或书写不好看，家长可以使用一些辅助工具，如“字帖”。孩子在书法上练习写字，可以更有效地练习工整的书法，也可以掌握每一笔的顺序，在书法练习中，一定会让孩子的书写有质变。

1、在百度搜索引擎下输入ABBYY或OCR文字识别软件，点击搜索，都可以找到。下载后安装在电脑上。

2、打开安装的的ABBYY软件，选择第二个或最后一个都可以（将中文字转换到Word中）。

3、然后在弹出的对话框中选择要转换文字的，单击“打开”。

4、此时可以看到在左侧有一条绿色的线向下移动，这是进度条，当移动到最下方时候，转换完成。

5、转换完后显示如下图，左边是原图，右边上部分是识别的结果，下方点击关闭按钮即可。

6、识别完成后，会多少有一部分识别错误的文字，会呈现蓝色底，取决于原图的清晰度，原图越清晰识别正确率越高。识别完成后，可以进行验证，点击上部的验证按钮。

7、此时会弹出对话框，上部分是原图，中间是识别后的结果，下方是根据系统识别给出的正确文字的选项可选择，如果正确直接点击键盘上的回车键，如果不正确需要在下方点击正确的文字再回车，对下一个文字进行验证，直至验证完整段文字。

8、也可以在截面上直接点击“上一个错误”或“下一个错误”按钮，直接在识别结果处做更改。

9、更改完毕后，可以直接在上面全选后复制、粘贴到Word文档中。

10、也可以点击菜单栏中的“Send”发送按钮后面的下拉箭头，然后选择“send to Microsoft Word”选项。

11、此时系统自动打开Word文档，并将识别改正后的文字显示在Word文档中。

姓名:吴兆阳  学号:14020199009

转自机器人学习研究会

嵌牛导读:OCR（Optical Character Recognition，光学字符识别）的概念早于1920年代便被提出，一直是模式识别领域中重要的研究方向。近年来，随着移动设备的快速更新迭代，以及移动互联网的快速发展，使得OCR有更为广泛的应用场景，从以往的扫描文件的字符识别，到现在应用到自然场景中文字的识别，如识别身份证、银行卡、门牌、票据及各类网络中的文字。

嵌牛鼻子:ORC技术

嵌牛提问:什么是ORC，如何使用？

嵌牛正文:

以深度学习兴起的时间为分割点，直至近五年之前，业界最为广泛使用的仍然是传统的OCR识别技术框架，而随着深度学习的崛起，基于这一技术的OCR识别框架以另外一种新的思路迅速突破了原有的技术瓶颈（如文字定位、二值化和文字分割等），并已在工业界得到广泛应用。

笔者针对业务中的身份证照片文字识别需求分别尝试了传统OCR识别框架及基于深度学习的OCR识别框架。下面就以身份证文字识别为例分别简要介绍两种识别框架。

传统OCR技术框架

如上图所示，传统OCR技术框架主要分为五个步骤：

首先文本定位，接着进行倾斜文本矫正，之后分割出单字后，并对单字识别，最后基于统计模型（如隐马尔科夫链，HMM）进行语义纠错。可按处理方式划分为三个阶段：预处理阶段、识别阶段和后处理阶段。其中关键在于预处理阶段，预处理阶段的质量直接决定了最终的识别效果，因此这里详细介绍下预处理阶段。

预处理阶段中包含了三步：

定位中的文字区域，而文字检测主要基于连通域分析的方法，主要思想是利用文字颜色、亮度、边缘信息进行聚类的方式来快速分离文字区域与非文字区域，较为流行的两个算法分别是：最大极值稳定区域(MSER)算法及笔画宽度变换(SWT)算法，而在自然场景中因受到光照强度、拍摄质量和类文字背景的干扰，使得检测结果中包含非常多的非文字区域，而目前从候选区域区分出真正文字区域主要两种方法，用规则判断或轻量级的神经网络模型进行区分；

文本区域图像矫正，主要基于旋转变换和仿射变换；

行列分割提取出单字，这一步利用文字在行列间存在间隙的特征，通过二值化并在投影后找出行列分割点，当在文字与背景的区分度较好时，效果很好，而拍摄的中光照、摄像质量的影响，并且文字背景难以区分时，常造成错误分割的情况。

下面介绍基于传统OCR框架处理身份证文字识别：

身份证识别技术流程与上述框架稍微有所差异。对该问题，已知先验信息：a证件长宽固定；b字体及大小一致；c文本相对于证件位置固定；d存在固定文字。因此，处理该问题的思路为：先定位目标物体（证件），矫正后提取文字进行识别，最后进行语义纠错，如下图：

目标物体定位并矫正。基于现有的先验信息，定位最后的方法为采用模板关键点特征匹配的方法，并利用模板上特征点及目标图像特征点坐标之间的关系进行透视变换，以定位目标物体，如下图所示。接着，基于四角的坐标，进行旋转、仿射、尺寸的变换，并提取出目标物体的俯视图。

因文字位置相对固定，接着便分割出文字区域，二值化后，行列分割出单个字符。这里的技术难点在于二值化，二值化效果的好坏直接影响字符分割，并最终影响识别结果。受光照和拍摄质量的影响，全局二值化难以设置统一的阈值，而自适应二值化算法易受到阴影及模糊边界的干扰。所以在这边尝试过许多方法，测试下来未发现在任何情形下效果都满足要求的方法。

分割出单字后接着用分类器进行识别，并在这步基于统计上的先验信息定义了一个简单的优化函数，可看做1-gram语言模型。先验信息为：2400（总共660273）汉字的使用频率之和为99%以上。定义的优化函数为：

式中，Pi为该字出现的概率，confi为置信度值。

下图给出了示例：

因上述的优化过程中假定各状态相互独立并与上一状态没有联系，故不可避免存在语义上的错误。而如何基于现有的输出序列，对序列进行语义上的修正，那么最直观的想法就是用隐马尔可夫模型（Hidden Markov Model，HMM）解决这个问题，其基于观察序列，求出最优隐序列。其可以抽象为如下图的过程。在给定O序列情况下，通过维特比算法，找出最优序列S：

传统OCR冗长的处理流程以及大量人工规则的存在，使得每步的错误不断累积，而使得最终识别结果难以满足实际需求。接下来讨论基于深度学习的OCR。

基于深度学习的OCR识别框架

目前，从技术流程上来说，主要分为两步，首先是检测出图像中的文本行，接着进行序列识别。 可见，基于深度学习的OCR识别框架相比于传统OCR识别框架，减少了三个步骤，降低了因误差累积对最终识别结果的影响。

文本行检测，其又可分为水平行文字检测算法与倾斜文字行检测算法。这里主要介绍下Tian提出算法CTPN，其算法框架如下图。主要思路是将文本行识别看做一个序列识别问题，不同于一般的目标检测问题，引入RNN来利用上下文的信息。

具体流程为：

用VGG16的5个卷积层得到特征图（feature map，WHC）；

在Conv5的feature map的每个位置上取33C的窗口的特征，这些特征将用于预测该位置k个anchor（anchor的定义和Faster RCNN类似）对应的类别信息，位置信息；

将每一行的所有窗口对应的33C的特征（W33C）输入到RNN（BLSTM）中，得到W256的输出；

将RNN的W256输入到512维的fc层；

fc层特征输入到三个分类或者回归层中。第二个2k scores 表示的是k个anchor的类别信息（是字符或不是字符）。第一个2k vertical coordinate和第三个k side-refinement是用来回归k个anchor的位置信息。2k vertical coordinate表示的是bounding box的高度和中心的y轴坐标（可以决定上下边界），k个side-refinement表示的bounding box的水平平移量。这边注意，只用了3个参数表示回归的bounding box，因为这里默认了每个anchor的width是16，且不再变化（VGG16的conv5的stride是16）。回归出来的box如Fig1中那些红色的细长矩形，它们的宽度是一定的；

用简单的文本线构造算法，把分类得到的文字的proposal（图Fig1（b）中的细长的矩形）合并成文本线。

上图为给出基于CTPN的例子，框线部分是算法识别出的文字行，可见在光照不均、人工合成及文字背景对比不明显的情形下均有很好的效果。 相比于传统文字定位方法，具有更好的鲁棒性及明显的优势。

文字行识别。近两年比较受关注的主要有两种，一种是CNN+RNN+CTC的方法，另外一种是用attention model+CNN+RNN的方法。这里主要介绍下CNN+RNN+CTC，算法框架由图给出。分为三层，CNN层、RNN层及解码（transcription）层。在CNN层，用于提取图像特征，利用Map-to-Sequence表示成特征向量；在RNN层，用双向LSTM识别特征向量，得到每列特征的概率分布；在解码层，利用CTC和前向后向算法求解最优的label序列。因此，该方法能够识别不定长的文字行。

两个例子：

Out：辽宁省长海县广鹿乡沙尖

Out：河南省邓州市九龙乡姚营

文字识别是利用计算机自动识别字符的技术，是模式识别应用的一个重要领域。文字识别一般包括文字信息的采集、信息的分析与处理、信息的分类判别等几个部分。70年代主要研究文字识别的基本理论和研制高性能的文字识别机，并着重于汉字识别的研究。利用计算机自动识别字符的技术，是 模式识别应用的一个重要领域。人们在生产和生活中，要处理大量的文字、报表和文本。为了减轻人们的劳动，提高处理效率，50年代开始探讨一般文字识别方法，并研制出光学 字符识别器。60年代出现了采用磁性墨水和特殊字体的实用机器。60年代后期，出现了多种字体和手写体文字识别机，其识别精度和机器性能都基本上能满足要求。如用于信函分拣的 手写体数字识别机和印刷体英文数字识别机。70年代主要研究文字识别的基本理论和研制高性能的文字识别机，并着重于汉字识别的研究。

识别系统

文字识别一般包括文字信息的采集、信息的分析与处理、信息的分类判别等几个部分。

信息采集 将纸面上的文字灰度变换成电信号，输入到计算机中去。信息采集由文字识别机中的送纸机构和光电变换装置来实现，有飞点扫描、摄像机、光敏元件和激光扫描等光电变换装置。

信息分析和处理 对变换后的电信号消除各种由于印刷质量、纸质（均匀性、污点等）或书写工具等因素所造成的噪音和干扰，进行大小、偏转、浓淡、粗细等各种正规化处理。

信息的分类判别 对去掉噪声并正规化后的文字信息进行分类判别，以输出识别结果。

识别方法

文字识别方法 文字识别方法基本上分为统计、逻辑判断和句法三大类。常用的方法有模板匹配法和几何特征抽取法。

① 模板匹配法 将输入的文字与给定的各类别标准文字（模板）进行相关匹配，计算输入文字与各模板之间的相似性程度，取相似度最大的类别作为识别结果。这种方法的缺点是当被识别类别数增加时，标准文字模板的数量也随之增加。这一方面会增加机器的存储容量，另一方面也会降低识别的正确率，所以这种方式适用于识别固定字型的印刷体文字。这种方法的优点是用整个文字进行相似度计算，所以对文字的缺损、边缘噪声等具有较强的适应能力。

② 几何特征抽取法 抽取文字的一些几何特征，如文字的端点、分叉点、凹凸部分以及水平、垂直、倾斜等各方向的线段、闭合环路等，根据这些特征的位置和相互关系进行逻辑组合判断，获得识别结果。这种识别方式由于利用结构信息，也适用于 手写体文字那样变型较大的文字文字识别可应用于许多领域，如阅读、翻译、文献资料的检索、信件和包裹的分拣、稿件的编辑和校对、大量统计报表和卡片的汇总与分析、银行支票的处理、商品发票的统计汇总、商品编码的识别、商品仓库的管理，以及水、电、煤气、房租、人身保险等费用的征收业务中的大量信用卡片的自动处理和办公室打字员工作的局部自动化等。以及文档检索，各类证件识别，方便用户快速录入信息，提高各行各业的工作效率。

可以上传到求字体网识别，输入内容，找原字体。还有其他字体识别网站功能相似。识字体目前一次只可以识别一种字体，以免对识别算法进行误判。如果中存在多种字体，只需输入想找的某种字体的文字，其他文字直接忽视。然后依次识别当中其他字体。

有时候很多网站是没有办法正确识别出字体的。因为输入所有文字且当中有部分文字没有明显特征，可能会降低识别准确率或者上传的并非字体，例如：创意字（文字是纯粹设计，或在某个字体的基础上做了较大修改）、纯手写文字，以及未开发成字体的古籍文字。这些情况都有可能导致字体识别不出来。所以上传的是有要求的，当然选择的识别网站也是非常重要的。

使用迅捷文字识别该软件我们在不需要借助扫描仪就可以实现照片扫描、文件扫描、文字提取等工作，让转文字识别校对变得更加简单便捷。对于识别后的文字我们还可以进行在线编辑、内容复制、翻译、实时校对、重新识别、导出。

更多问题欢迎咨询互盾客服！

使用手机扫描文件操作步骤如下：

1、手机安装扫描全能王软件。

2、打开软件，点击右下角拍照按钮。

3、进行拍照，注意照片的清晰度。

4、拍完后，你会发现有几个圆点，这几个点后面就会对进行切割，帮助摆正角度。点的位置可以直接移动点来调整。

5、方向调整下，点的位置调整下，满意后点击右下角的勾。

6、选择模式，一般选择自动比较接近扫描效果。

7、完成了，打开，点击右上角第二个分享图表，就可以以PDF或者格式分享给别人了。