OCR在审核应用落地

本文字数：6686字

预计阅读时间：35分钟

01

背景

1、业务背景

在传统视频审核场景中，审核人员需要对进审视频中的文字内容进行逐一审核，避免在文字上出现敏感词、违禁词或者广告等相关词汇。这种人工审核费时费力，并且由于审核人员存在个体差异，审核尺度很难在整体上保持一致。针对当前问题我们提出以下解决方案：

• 首先，使用OCR对视频帧进行文字识别；

• 其次，使用审核系统当前关键词库对识别出来的文字进行关键词匹配；

• 然后，当匹配到关键词时，暂时将此视频进行屏蔽（机器审核拒绝），并纪录此文字对应视频截图，再对截图进行命中关键词标注；

• 最后，当人工审核时，参考OCR审核结果 输出最后人工审核结果。

当然，在实现上述OCR关键词检测方案的过程中，还有以下几个问题急需去解决：

1. **视频帧数据量巨大：**一般视频帧率为24fps，即每秒24帧图片。平均视频时长130s，而每天平均进审20万视频。所以，平均一天的图片处理量大概为794,950,148（7.9亿），数据量特别大；

2. **OCR识别算力要求高、耗时长：**OCR算法本身需要一定算力，导致每张图片处理时间较长，审核系统当前人工审核平均时间 30分钟内可以完成，所以OCR识别要在人审之前完成，才能产生效果；

3. **OCR识别算法需要不断升级：**随着使用会逐渐发现OCR在文字识别上的错误，OCR模型需要提供纠错、升级的能力。

2、技术选型

1）OCR技术背景

目前OCR技术普遍有两种实现方式：

1. 端到端： 即将整个文本图像作为一个序列输入到神经网络中，直接输出识别结果。常见模型例如pgnet：

   1）它的优势是检测一步到位，不需要格外的字符检测，并且对字符的图像质量要求较低，具有较好的鲁棒性；

   2） 劣势在于训练难度较高，需要大量训练数据。识别结果也不够准确，尤其是字符间距较小或字形复杂的情况下。

2. 二阶段： 即将OCR过程分成 文本检测、文本识别两个阶段。常见模型例如EasyOcr、chineseOcr、PaddleOcr ：

   1）它的优势是训练难度低，不需要大量的训练数据。同时识别准确度也较高；

   2）劣势在于需要额外的文字检测过程，过程复杂。

在实际测试中我们也发现pgnet的预训练权重文件大部分都是基于英文训练集的，少有高质量中文与训练文件，同时中文识别能力也较弱，并且这种方案更适合文字分布密集的业务场景，例如：车牌、仪表识别等。同我们现有的视频审核场景应用并不符合，所以我们不采用pgnet方案。

2）OCR推理效果对比

基于我们的业务场景，我们针对市面上常见的开源支持中文的OCR算法进行效果对比：

OCR框架	精确率	召回率	推理时间（ms）	支持自定义训练	开发语言
EasyOcr	88.15%	86.26%	42.76 ms	否	Python
ChineseOcr(lite)	91.61%	92.82%	21.85 ms	是	Python，C
PaddleOcr	98.90%	95.23%	17.51 ms	是	Python，Java

对比三种方案：
EasyOcr 由于不支持 自定义训练，每次都需要全参数重新全量训练模型，导致模型迭代周期过长 ，先将他排除。PaddleOcr 的性能和准确性比ChineseOcr 和ChineseOcrLite略好一些，同时最重要的是，模型支持ONNX（Open Neural Network Exchange）转换使得 模型可以直接在Java平台使用DJL（Deep Java Library）框架进行加载推理。而Java是我们部门常用技术栈，系统监控、问题排查工具较为全面，所以我们也比较倾向于使用PaddleOcr作为项目的OCR模型。

3）OCR模型进一步分析

带着上述对比效果，我们进一步分析了PaddleOcr 、ChineseOcr两种OCR模型的具体差异。

ChineseOcr整体流程图如下：

PaddleOcr整体流程图如下：

整体架构上两者非常相似，ChineseOcr是先使用VGG进行文本方向检测，然后交给Yolo3进行文本识别，由于Yolo3识别的是单个文字，则需要将Yolo3识别出来的文字进行合并整理，然后传给CRNN模型进行文本识别。而PaddleOcr使用DB模型进行文字检测，检测后进行了文字方向调整，调整后送入SVTR模型进行文字识别。

具体对比下他们使用的文字检测、文字识别模型。

文字检测模型对比：

YOLOv3是目标检测算法，可以检测包括文字在内的各种物体。YOLOv3的检测原理是将图像划分为多个网格，每个网格负责检测一个物体。如果网格内检测到物体，则会输出物体的类别和边界框。

DB是基于递归神经网络的文字检测算法，可以检测任意形状的文字。DB的检测原理是先使用卷积神经网络提取图像中的文字特征，然后使用递归神经网络预测文字的边界框。

YOLOv3和DB的区别在于：

• 检测原理不同。YOLOv3 使用目标检测的原理，DB使用递归神经网络的原理；

• 检测效果不同。YOLOv3的检测效果在一般应用中较好，DB的检测效果在复杂场景下较好；

• 速度不同。YOLOv3的速度较快，DB的速度较慢。

结合审核业务中，由于审核的视频场景较为复杂 同时我们的最终目的是使用OCR减轻人力成本，处理速度很重要但是相比于准确性来说，我们更加注重复杂场景中的文字识别能力。

所以，文字检测模型上，我们更倾向于DB模型。

文字识别模型对比：

CRNN是端到端的文字识别算法，将文字识别视为一个序列学习问题，将整个文本图像作为一个序列输入到神经网络中，直接输出识别结果。CRNN的优势在于：简洁易实现，不需要额外的字符分割等步骤。

SVTR是基于变分自编码器的文字识别算法，可以有效地捕捉字符之间的相关性。模型首先使用卷积神经网络提取图像中的字符特征，然后使用变分自编码器对字符特征进行编码。编码后的特征表示了字符的形状、位置和相关性。最后，使用线性回归模型将编码后的特征映射到文本序列。SVTR的优势在于：识别效果准确，尤其是在字符间距较小或字符形状复杂的情况下。

在查询资料的过程中，我们发现早期PaddleOcr版本在文本识别上使用的正式CRNN模型，但从PaddleOcrV3版本开始， 文字识别模型被替换成了SVTR模型。从官网的测试数据来看，替换后模型的文字识别率从74.8%增加到了80.1%增加了5.3%。

所以，在文字识别模型上，我们也是更倾向于SVTR。

综上所述，在进一步了解PaddleOcr 和ChineseOcr 各自文字检测、文字识别模型后，我们最终选择了准确率更高的PaddleOcr模型。

02

项目解决方案

确定了paddleOcr的技术选型之后，我们针对目前面临的问题逐一进行解决。

1、视频帧去重-解决视频帧数据量大的问题

1. 使用Md5对视频级别进行去重：通过对视频内容进行Md5散列，对视频整体进行去重。这部分去重平均可以过滤掉当天28%重复视频数据；

2. 提取关键帧：使用帧间差分法对视频进行关键帧提取。使用此方式，平均每个视频只需要取31帧关键帧图片，而每个视频平均137.2秒，如果取全部帧的话则需要3288帧图片，此方式 平均可以过滤掉 99.1% 的帧画面；

3. 关键帧特征提取去重：使用chinese_clip模型提取关键帧的特征信息，存储到Milvus数据库中，进行topK查询，如果前K条数据特征余弦相似度 小于阈值，则认为这两张图片重复，去掉重复的关键帧。经测算，使用此方法平均可以过滤掉30%的帧画面。

如此一来，经过上述三种去重方式，我们将一天的计算量 由7.9亿张图片，缩减到了360万左右。（794,950,148 * 72%*0.9%*70% ≈ 3,605,893）

2、使用工程化算法-解决OCR响应慢问题

1）当前技术背景

在描述如何解决响应时间的问题前，我们先来同步一下当前的技术背景：

1. 当前我们使用的OCR技术，会把OCR过程分为两个步骤：

   1）文字检测即找到图片中可能是文字的部分；

   2）文字识别即针对划定范围的图片，识别出对应的文字。

2. 当前OCR在CPU上单核心识别一张图，检测耗时在700ms左右，识别耗时平均300ms左右，平均一张图有3处可识别的文字，线性处理一张图片耗时700+1200 ≈ 1900ms。

2）审核场景下的需求

在审核场景下对OCR使用有两个核心需求：

1. 对视频关键帧进行OCR希望尽量的快；

2. 如果计算资源无法达到要求，则需要尽可能的对最新的视频完整的进行OCR检测。因为如果排队检测，往往队列先进先出，OCR处理的都是旧数据，拖延的时间过长之后，可能人工都已经审核完成了，再出OCR结果，这时候意义就不大了。另外，OCR检测的最小单位是一个视频的所有截图，因为如果检测不完整，漏掉了可能出现问题的截图，导致给出错误机审建议，那其实还不如不检测。

3）审核场景下OCR加速方案

整体思路：

1. 利用cpu多核心尽量并行化处理文字检测和文字识别；

2. 尽快完成新进审的一个视频，而不是将cpu算力分散给每个视频，因为 在算力有限的前提下，相同时间内即使完成少量视频的OCR，也比每个视频都进行一部分OCR检测要好。

具体方案：

1. 控制入口：

   1）使用MQ对OCR任务解耦： 视频进审时，发送待OCR数据到MQ，OCR服务通过订阅MQ接收任务。利用MQ可以在特殊审核时期（两会）或流量突增（搜狐活动）时，随时增减机器，快速应对突发流量；

   2）跟据自身算力优先处理近期OCR任务：

   （1）同过MQ收到消息后，缓存到Redis ZSet集合中，使用时间戳作为score进行排序，并维护队列最大长度淘汰时间久远且没来得及处理的OCR任务；

   （2）在服务实例内，从redis ZSet集合中轮询OCR任务进行处理。保证使用所有算力处理最新视频，但不受流量和算力程度影响。

2. 并行处理任务：

   1）配置线程池，保证cpu每个核心上只有一个计算任务执行，最大化利用cpu；

   2）每个计算线程既可以处理文字检测又可以处理文字识别，避免图像中文字数量导致线程需要线程等待，无法及时识别；

   举例：由于文字检测、文字识别存在先后顺序，如果按照传统方式 使用生产者消费者模式，配置文字检测、文字识别使用的线程数比例R，按比例执行的话，一旦出现比例同预期不同的话，会影响执行效果。

   比如：如果文字检测出来的任务多于预期文字识别的任务，这会导致 文字识别线程数少，无法及时识别 ；如果文字检测出来的任务少于预期文字识别的任务，这会导致文字识别线程池空闲，浪费资源，图片无法及时检测 。

   3） 任务队列中，每当处理完一张图片的文字检测后，所有线程优先处理文字识别，保证图片顺序上 每张图片即时处理，当出现命中屏蔽词的情况后，无需针对后续图片进行OCR，节约时间 ；

   4）在队列接近队尾时，即剩余图片数少于线程数时，优先处理文字检测。避免队列末尾时，出现只有一个线程在处理文字检测，其他线程等待文字检测结果再处理文字识别的情况，最大化利用计算资源。

4）方案效果

图片集合：https://monitor.bjcnc.scs.sohucs.com/ocr/files/433044128.zip （共11张图片，需要55次文字识别）

测试代码：https://monitor.bjcnc.scs.sohucs.com/ocr/files/OcrTimeTest.java

	文字检测总耗时	文字识别总耗时	OCR识别耗时	耗时减少
单线程	8028	18923	27014
文字检测-文字识别 生产消费模式 根据单线程效果，线程比例为1:3	8345	19725	10797	相较于单线程耗时减少 60.03%
当前优化方案 4个线程	10723	23921	8748	相较于单线程耗时减少 67.62% 相较于生产消费模式 耗时减少19%

可以看到在文字检测、文字识别均比生产者-消费者模式耗时多 的情况下，整体耗时上仍然较生产-消费模式有速度提升。

5）加速原因分析

分别比较生产消费、当前方案两种代码执行方式都以4个线程并发执行，假设文字检测、文字识别单独任务耗时相同，只比较方案带来的影响，如下图：

可以非常直观的看到：

生产消费模式由于其固定的生产消费模型，整体执行效率必然会被较慢的一方拖垮整体速度（图示中文字检测较慢，如果是文字识别较慢，效果也是一样的）。

整体速度收到了较慢的一方影响，导致线程执行时，会有一段时间的等待任务，从而导致时间浪费。

而当前方案中，

1. 每个线程既可以执行文字检测，又可以执行文字识别，无论真实数据是哪个步骤耗时长都不影响整体执行效率，提高执行效率；

2. 在任务快结束时，会优先处理文字检测（文字检测FGH是在文字识别前面执行的），以避免出现识别任务完成后，剩余线程都在等待识别结果的情况，提高资源利用率；

3. 文字识别时，优先处理有检测结果的任务，以保证一旦识别出来的文字内容命中审核屏蔽策略时，即时停止后续流程，避免资源浪费。

3、提供完整模型微调方案-提升OCR垂直领域精度

当前审核应用OCR的方式是在审核过程中对场景截图进行OCR检测，生成文字后进行关键词检测。如果命中关键词，会对视频进行机审风险处置，后续还会再进行一次人工审核。

我们每天会使用定时任务从前一天的审核记录中找出OCR机审风险但人审通过的数据，结合审核记录中的截图打包成待重新校对的数据包。微调时，人工从这些数据包中筛选出OCR漏检、误检的数据，进行微调。

1）数据标注

由于人工标注成本较高，所以我们在数据标注中采取了两种方式：

1. 针对普通场景，如字幕、视频中的画外音、店铺名称等。我们截取典型的背景图，并使用程序在这些背景图片中自动化生成随机文字，包括随机文字大小、颜色、倾斜角度、文字数等。这样可以大大降低数据标注成本，快速增强模型针对普通场景时OCR的能力。

例如：原图为

我们通过程序，在这个背景图中增加随机文字 包括了图片中随机文字数、随机文字内容、随机文字位置：

img5

随机文字颜色，随机文字倾斜角度：

最终生成：

并且由于是程序生成的文字，文字标注信息也会一并生成：

如此一来，大大降低了人工标注的成本。

1. 对于一些出现场景不多，但是文体和文字背景质地非常贴合，例如：锦旗、标语、跑马灯上的文字，程序就比较难模仿生成了。同时我们对于这些文字也是需要加强审核能力的，这种情况下，我们就会从审核记录中抽取针对性的图片，对图片进行标注。对于图片搜索，我们使用Clip模型对进审图片生成特征向量存储到Milvus向量库中，使用Clip是为了对齐文本和图片特征，这样我们搜索时，可以同时使用文字、图片进行搜索。

文字搜索：

图片搜索：

有了这些召回图片后，我们使用PPOCRLabel工具对数据进行半自动化标注，标注完成后，标注人员可以针对已标注的数据进行图片调整、文字内容调整，自动化生成可训练数据文件。

2）模型微调

1 文本检测模型

1.1数据选择

• 数据量：我们准备5000张的文本检测数据集用于模型微调；

• 数据标注：人工标注时检测框与实际语义内容一致。如在火车票场景中，姓氏与名字可能离得较远，但是它们在语义上属于同一个检测字段，这里也需要将整个姓名标注为1个检测框。

模型上使用官方预训练模型进行微调，其精度与泛化性能是目前提供的最优预训练模型。

1.2 训练参数说明

Global:
  pretrained_model: XXX.pdparams # 预训练模型路径
Optimizer:
  lr:
    name: Cosine
    learning_rate: 0.001 # 学习率
    warmup_epoch: 2  #预热轮次
  regularizer:
    name: 'L2' # 使用L2正则化 防止过拟合
    factor: 0 #学习率衰减系数
Train:
  loader:
    shuffle: True
drop_last: False #是否丢弃因数据集样本数不能被 batch_size 整除而产生的最后一个不完整的mini-batch    
batch_size_per_card: 4  # 单卡batch size
    num_workers: 4 #用于加载数据的子进程个数，若为0即为不开启子进程，在主进程中进行数据加载

如果是单卡训练 一般由于显存限制batch size设置为4就可以了学习率可以调整为5e-5左右。

1.3 微调流程

我们将标注好的数据以6：2：2 的比例分成三组，分别为训练集、验证集、测试集。

• 执行模型训练

在paddleocr release根目录下执行；

python tools/train.py -c configs/det/xxx.yml -o Global.pretrained_model="./pretrain_models/"

• 训练完成后进行评估模型

python tools/eval.py -c configs/det/xxx.yml -o Global.checkpoints="./output/det/best_accuracy"

评估会从Precision、Recall、Hmean（F-Score）多个角度进行评估。

• 执行模型导出

python tools/export_model.py -c ./output/det/xxx.yml -o Global.pretrained_model="./output/det/best_accuracy" Global.save_inference_dir="./output/det_inference/"

导出到./output/det_inference/ 目录下 就可以进行后续推理了。

1.4 微调成果

审核系统通过近5000条数据的微调后，新版本在实际数据验证中文字检测能力有了一定的提升。

原始图片：

微调前：

微调后：

红色箭头为方便标注 后续添加。可以看到对于一些在特定质地下的文字，文字检测的能力有了一定的提升。

2 文本识别模型

2.1 数据选择

• 数据量：我们准备了5000张的文本识别数据集用于模型微调；

• 数据标注：文本识别时，需要按照以上标注好的数据按照图片坐标进行截图，即一张图唯一对应一段文字。

2.2 训练参数说明

Global:
  pretrained_model: XXX.pdparams # 预训练模型路径
Optimizer:
  lr:
    name: Piecewise # 分段常熟衰减
    decay_epochs : [700, 800] #衰减轮次
    values : [0.001, 0.0001]  # 学习率
    warmup_epoch: 5 #预热轮次
  regularizer:
    name: 'L2'  # 使用L2正则化 防止过拟合
    factor: 0  #学习率衰减系数
Train:
  dataset:
    name: SimpleDataSet
    data_dir: ./train_data/
    label_file_list:
    - ./train_data/train_list.txt
    ratio_list: [1.0] # 采样比例，默认值是[1.0]
  loader:
    shuffle: True
    drop_last: False
    batch_size_per_card: 4 # 单卡batch size
    num_workers: 4 #用于加载数据的子进程个数，若

2.3 微调流程

同文字检测一样，我们将标注好的数据以6：2：2的比例分成三组，分别为训练集、验证集、测试集。流程同文本检测一样。

• 执行模型训

在paddleocr release根目录下执行：

python tools/train.py -c configs/rec/xxx.yml -o Global.pretrained_model="./pretrain_models/"

• 训练完成后进行评估模型

python tools/eval.py -c configs/rec/xxx.yml -o Global.checkpoints="./output/rec/best_accuracy"

评估会从Precision、Recall、Hmean（F-Score）多个角度进行评估。

• 执行模型导出

python tools/export_model.py -c ./output/rec/xxx.yml -o Global.pretrained_model="./output/rec/best_accuracy" Global.save_inference_dir="./output/rec_inference/"

导出到./output/rec_inference/ 目录下就可以进行后续推理了。

2.4 微调成果

审核系统通过近5000条数据的微调后，新版本在实际数据验证中文字识别能力有了一定的提升。

原始图片：

微调前后识别能力：

图片序号	微调前	微调后
1	pem all 川阔的百宝箱工棕号 CHUANKUOBAIBAOXIANG 然后用画笔涂抹掉 打上水印的部分 工棕号： 阔的百宝箱 十万+资源等你领	Open all 川阔的百宝箱工棕号 CHUANKUOBAIBAOXIANG 然后用画笔涂抹掉 打上水印的部分 工棕号： 川阔的百宝箱 十万+资源等你领
2	羽生结弦宣布结 chang2018.com 羽生结弦和他的妻子可能会 被媒体过度追踪	羽生结弦宣布结 OLYMPICCHANNEL chang2018.com 羽生结弦和他的妻子可能会 被媒体过度追踪

可以看到在文字识别微调后，对一些艺术字、特殊背景下的文字 识别能力也有一些增强。

03

项目成果与未来展望

1、项目成果

截止2023年9月累计OCR识别904606个视频，日均处理视频7K+, 相当于人工3个人每日审核量，日均检测出异常视频230+。

2、未来展望

当前审核系统对OCR的应用较为保守，后续业务稳定运行后还有以下几点需要跟进：

1. 提高OCR速度 ，使用GPU代替当前CPU版本，保留CPU的调度逻辑，但是执行逻辑由GPU执行，利用GPU的多个Cuda核心加速OCR识别；

2. 当前CPU调度能力局限于同一个实例内，当视频时长较长，（例如直播回放类视频），关键帧较多，导致一个实例的算力全都集中到了一个视频上，影响整体进度。后续考虑升级OCR调度能力，一来实现跨实例GRPC调度，充分利用集群算力，二来根据视频时长实现快慢队列，将较长的视频隔离开，避免影响整体OCR识别速度。