V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
qinyui
V2EX  ›  Python

ocr 识别身份证后如何对文本块进行排序?

  •  
  •   qinyui ·
    shanghaobo · 2023-10-24 17:18:37 +08:00 · 1667 次点击
    这是一个创建于 375 天前的主题,其中的信息可能已经有所发展或是发生改变。

    在使用 PaddleOCR 对身份证图片进行 OCR 识别时,识别到的文本是一块一块的,并且是乱序的

    现在识别到的文本块列表是这样的: ['姓名张小明', '出生 1997 年 2 月 7 日', '性别男', '民族汉','荣街金明路 12', '住址', '河南省平顶山市卫东区繁', '号', '公民身份号码', '410221199702071234']

    同时还有每个文本块对应的四个点的坐标信息,如: [[283.0,581.0],[396.0,573.0],[398.0,613.0],[285.0,620.0]]

    为了后续的关键信息提取更方便,现在想对文本块先进行排序处理

    根据坐标信息,如何对文本块按照从上到下从左到右的顺序进行排序?

    比如示例的数据,排序后预期应该输出如下: ['姓名张小明', '性别男', '民族汉','出生 1997 年 2 月 7 日', '住址', '河南省平顶山市卫东区繁', '荣街金明路 12', '号', '公民身份号码', '410221199702071234']

    或者有没有其他更好的思路?

    19 条回复    2024-05-11 14:10:00 +08:00
    woodfizky
        1
    woodfizky  
       2023-10-24 17:30:42 +08:00
    反过来想,姓名、民族、性别、身份证号码,这些格式都是固定的,可以固定判断拿出来。

    剩下的就是住址,按 x 坐标排序后拼接得到原始住址。
    woodfizky
        2
    woodfizky  
       2023-10-24 17:33:13 +08:00
    另外,没用过这个 OCR ,但是一般 OCR 不都是同一行是一块文本吗,而且为什么你这里的符号被干掉了。。
    noyidoit
        3
    noyidoit  
       2023-10-24 17:36:41 +08:00
    调公有云身份证 OCR 接口,直接从 key-value 的响应里取值 XD ;这个提取出来的文本块列表感觉有点太乱了,而且对少数民族身份证可能会支持不太友好
    edward1987
        4
    edward1987  
       2023-10-24 17:38:57 +08:00
    先自己裁切每一部分图片后再去识别,地址的话就分两行两部分识别
    qinyui
        5
    qinyui  
    OP
       2023-10-24 17:43:30 +08:00
    @woodfizky 一般一块的文本是连着的,示例的地址是因为太长在身份证上占了三行,这种识别出来就是三个文本块
    qinyui
        6
    qinyui  
    OP
       2023-10-24 17:49:34 +08:00
    @woodfizky 现在麻烦的就是识别出来的地址文本是被拆分的,并且”姓名“和名字有时也是分开的,还有性别民族等文本的干扰,直接提取是很难区分的
    qinyui
        7
    qinyui  
    OP
       2023-10-24 17:52:42 +08:00
    @edward1987 是个思路,就是实现成本有些高,需要先裁剪出身份证图片再定位每个区域,精度可能会是个问题,还有分多次识别的话整体速度也可能会变慢
    qinyui
        8
    qinyui  
    OP
       2023-10-24 17:59:20 +08:00
    @noyidoit 现在用的就是百度云的身份证 OCR 识别,就是长期使用成本有点高,才想自己研究下的
    mMartin
        9
    mMartin  
       2023-10-25 09:12:37 +08:00
    paddleocr 有 ser 啊 自动对应关系的
    mMartin
        10
    mMartin  
       2023-10-25 09:13:42 +08:00
    关键信息提取 paddleocr 本身就支持的 尤其是身份证这种场景简单的
    tarasha
        12
    tarasha  
       2023-10-25 11:24:54 +08:00
    我也是用的百度的 ocr-kie 。kie 可以将识别出的文本分类,例如:
    {'NAME_KEY': [], 'NAME_VALUE': ['姓名张三'], 'SEX_KEY': ['性别男民族汉'], 'SEX_VALUE': [], 'NATION_KEY': [], 'NATION_VALUE': []}
    唯一需要排序的场景是地址的提取,因为地址可能会换行。
    我的办法是通过对比地址和证件号码的位置关系,确定照片的角度是哪一种,然后再依据每种角度来排序
    0°:左上角 Y 点从小到大
    90°:左上角 X 点从大到小
    180°:左上角 Y 点从大到小
    270°:左上角 X 点从小到大

    # points 结构为 [[左上角 X, 左上角 Y], [右上角 X, 右上角 Y], [右下角 X, 右下角 Y], [左下角 X, 左下角 Y]]
    # X 从左至右增大,Y 从上至下增大
    # 计算地址文本块水平宽度 右上角 X - 左上角 X
    x_length = address_points[1][0] - address_points[0][0]
    # 计算地址文本块垂直高度 左下角 Y - 左上角 Y
    y_length = address_points[3][1] - address_points[0][1]
    # 判断图片是否水平
    # 若地址文本块水平宽度大于垂直高度则说明图片处于 0°或 180°,否则处于 90°或 270°
    is_horizontal = x_length > y_length
    # 判断图片是否反转
    # 若水平且地址文本块左上角 Y 点大于证件号码文本块左上角 Y 点 (即地址位于号码下方)则处于 180°
    # 若非水平且地址文本块左上角 X 点大于证件号码文本块左上角 X 点 (即地址位于号码右侧),则处于 90°
    is_reverse = (is_horizontal and address_points[0][1] >= number_points[0][1]) or \
    (not is_horizontal and address_points[0][0] >= number_points[0][0])
    # 执行排序
    sorted_address_data = sorted(
    address_data, reverse=is_reverse,
    key=lambda x: x['points'][0][1 if is_horizontal else 0],
    )
    rev1si0n
        13
    rev1si0n  
       2023-10-25 13:15:40 +08:00
    PaddleOCR 应该会返回文字对应坐标的吧,根据坐标对应不就行了吗
    qinyui
        14
    qinyui  
    OP
       2023-10-25 13:45:14 +08:00
    @tarasha 我找到了个 PP-StructureV2 模型,是这个吗?还是说要自己训练模型呢?
    tarasha
        15
    tarasha  
       2023-10-25 13:57:09 +08:00
    @qinyui 还是需要训练下的,需要自定义字典文件。也就是分类。看下这个:
    https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/doc/doc_ch/kie.md
    tarasha
        16
    tarasha  
       2023-10-25 14:00:13 +08:00
    @qinyui 我这边有训练好的,不知道你要不要。
    NoOneNoBody
        17
    NoOneNoBody  
       2023-10-25 14:00:49 +08:00
    身份证这种格式都是固定的图片,且跨时间长度和跨项目的,可以用固定参数来写就好了
    可以前置一个标准化步骤,把输入的图片旋转、裁切、缩放到固定的尺寸和方向
    qinyui
        18
    qinyui  
    OP
       2023-10-25 14:09:42 +08:00
    @tarasha 我的使用场景中身份证图片是没有经过裁剪的(可能有外界其他信息干扰),不知道通用不?我先自己研究试试
    DarylDiao
        19
    DarylDiao  
       175 天前
    @tarasha 兄弟,训练好的模型可以发一个吗
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   2755 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 24ms · UTC 15:21 · PVG 23:21 · LAX 08:21 · JFK 11:21
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.