企业官网建设流程全解析

简介：这套基于Python实现的图像文字检测与识别工程，以Keras和TensorFlow搭建，整合EAST/AdvancedEAST文字检测模型与CRNN+CTC文字识别模型。适合希望学习OCR技术的小白及进阶学习者，也可用于毕业设计、课程设计、工程实训或初期项目立项，帮助理解自然场景下的文字定位与识别流程。压缩包共32个文件，包含19个Python源码、8张样例图片、3份说明文档和2个环境配置文件，整体仅957KB，模块划分清楚，便于按需查看。EAST模型可检测90°到-90°间任意角度的中英文、数字及符号，采用目标检测框形式返回坐标；CRNN模型联合CTC算法支持不定长文字识别，覆盖数据、网络、模型、测试等常用模块；环境配置文本可帮助快速准备运行依赖。已有164人学习浏览，适合作为参考资料进行调试、排错和二次开发。

1. 自然场景文字检测与识别：这份Keras资源到底能干什么

做了几年OCR相关的落地项目，我越来越认同一个判断：自然场景下的文字检测和识别，从来不是"调个库"就能解决的问题。光线、倾斜、遮挡、模糊，任何一样都能让传统的图像处理方案当场翻车。这份基于Python实现的资源，用Keras + TensorFlow组合实现了完整的"检测 + 识别"两段式方案——EAST/AdvancedEAST负责检测，CRNN+CTC负责识别，代码全是Python，依赖清晰，适合做毕设、课程设计、工程实训的起点。和那些"开箱即用"的黑盒OCR不同，它把模型结构、预测脚本、测试图片全部摊开放在你面前。你拿到的不是成品，是完整可改的实验框架，前提是你得会看代码、会调参。

2. 环境搭建与工程结构：Python 3.6 + TensorFlow 1.14 的兼容性细节

2.1 environment.txt 与版本组合的底层逻辑

这个资源的开发环境写得很明确：Python 3.6 + TensorFlow 1.14.0 + Keras 2.1.6。这三个版本号不是随手写的，它们之间存在强绑定关系。Keras 2.1.6发布于2018年左右，走的是"独立Keras + 后端TensorFlow"路线，和后来内置在TensorFlow 2.x里的tf.keras完全是两种生态。TF 1.x时代用的是静态图 + Session.run()模式，而很多从Python 3.8以后才入行的开发者，可能连tf.Session长什么样都没见过。

先看依赖安装，项目里带了environment.txt，按官方README的说法：

pip install -r environment.txt

我的建议是不要直接在全局环境里执行，先建虚拟环境。常见做法是先用conda把Python版本锁死：

conda create -n ocr_env python=3.6 conda activate ocr_env pip install -r environment.txt

这里有一个必须提前说明的坑：这个环境组合在Python 3.6上才能稳定跑通。TensorFlow 1.14官方支持的是Python 3.4到3.7，Python 3.8及以上版本直接装不上1.14.0轮子。你要是机器上只有Python 3.10，第一步就卡住了。我一般会先确认python --version，再决定是装3.6还是用Docker拉一份旧镜像。资源正文里出现的environment.txt在压缩包里是真实存在的，装完依赖后可以用pip list | grep tensorflow核对版本，不是1.14开头就说明装错环境了。

还有一点：如果你想在这个环境里用OpenCV读图，注意装的是opencv-python而不是opencv-contrib-python，两个包的API在基础用法上差别不大，但contrib版本体积更大、且会和某些预编译的TensorFlow轮子产生依赖冲突。我在复现时用的是opencv-python==4.5.4.60，这个版本在Python 3.6下还能正常装。

2.2 工程目录：east、crnn、asset各管什么

解压开ocr_chinese-master.zip之后，你能看到一个分得很清楚的结构。整个项目不复杂，但目录划分是典型的"检测/识别独立成包"模式。把文件列表整理成这张表：

east目录下的net和model一般分别放网络结构定义和权重加载逻辑，test目录里是单元测试或调试脚本。crnn目录结构类似。asset里的23_re.jpg、51_re.jpg是原始测试图，51_0_.jpg、23_0_.jpg是检测后的裁剪图，res.jpg是最终可视化结果，我拿到后会先看这几张图——能看出项目作者预期的输出长什么样，比先读代码高效得多。

2.3 跑通predict.py：从测试图到标注框

环境装好后，第一步不是改代码，而是先用测试图跑一遍完整流程。一般来说，项目根目录下直接执行：

python predict.py --image_path asset/23_re.jpg

这个命令的含义是：用默认权重对23_re.jpg执行完整的"检测→识别"流程。如果你在Windows环境，注意路径分隔符；如果报找不到模型文件，多半是权重路径写死了相对路径。这时打开predict.py看一眼，把模型加载部分改成os.path.join(os.path.dirname(__file__), 'east/model/xxx.h5')这种形式，避免从其他目录启动时报错。

跑通之后，你的屏幕上应该会打印检测框坐标和识别出的文字，或者在asset/下生成一张带框的结果图。这一步的意义在于验证环境，不代表项目没问题——很多人在这一步能跑通，但换成自己的图片就开始出各种幺蛾子，后面的章节会把典型的坑一个个拆开。

3. EAST/AdvancedEAST文字检测：四坐标框输出与角度回归

3.1 EAST网络结构：U型特征融合与RBOX输出

EAST（Efficient and Accurate Scene Text Detector）解决的核心问题是：在自然场景下，文字可能以任意角度出现，普通的目标检测矩形框装不下倾斜文本。EAST的思路很直接——不搞候选区域，不做文本框修正，直接做像素级预测，输出文本框的几何信息。

网络主干是一个类似U-Net的结构，通过卷积层逐级提取特征，再在多个尺度的特征图上做融合，输出的特征图最后分成两条分支：一条是分类分支（Score Map），判断每个像素是否属于文本框内部；另一条是几何分支（Geometry Map），预测文本框的位置和角度。在RBOX模式下，一个文本区域会输出4个距离值（上、右、下、左到文本框边界的距离）加上1个旋转角度，一共5个通道。这也是EAST的资源文件里预测结果经常是"文本框四个顶点坐标"的原因——从RBOX解码时，把中心点和距离、角度换算回四角坐标就行了。

实际在predict_east.py里，加载模型后输入一张图，中间会做一次resize。EAST默认的输入尺寸常见是320×320或512×512，代码里通常用cv2.resize把长边缩到固定值，保持宽高比。这里有个细节：如果你的测试图长宽比很极端（比如超宽横幅），直接resize会导致文字被压扁。我一般会改成按长边等比例缩放，做完检测后再把坐标映射回原图尺寸。

3.2 AdvancedEAST：角度回归的稳定性改进

AdvancedEAST在原始EAST基础上做了几个改进，最核心的一条是把角度回归的表示方式调整了。原始EAST用单个角度值来代表文本框旋转角，但在接近90°和接近-90°的边界区域，角度值会发生跳变，导致模型训练不稳定。AdvancedEAST改用两个正交距离或改用四个距离值配合更平滑的角度编码，来缓解这个问题。

这份资源标题里写的是"EAST/AdvancedEAST"，说明两个版本都能在当前代码里切换。你可以在east/net目录下找网络定义文件里的advanced开关，或者在predict_east.py里看到两个分支。我的建议是直接默认用AdvancedEAST分支，它在倾斜文本上的鲁棒性更好，尤其是处理中文招牌、广告条幅这类"歪着写"的文字时。

一个直观的经验：用原始EAST分支识别45°左右倾斜文字，框往往贴不紧文本；切到AdvancedEAST后，框的四个顶点能更精准地贴合文字四角。损失函数的差别主要在几何分支的平滑项上。用这个项目做毕设时，"AdvancedEAST对倾斜文本的回归优化"本身就是一个很好的论文切入点。

3.3 predict_east.py：调用方式与坐标输出说明

east模块的推理入口在east/predict_east.py。看文件名就知道，它独立于识别模块，可以单独跑。调用方式通常是：

python east/predict_east.py --img asset/51_re.jpg

如果没有传参逻辑，你也可以在脚本内部改成直接调用predict函数。我复现时的习惯是写一个小的封装：

# 参考结构，实际以代码为准 import cv2 from east.model import EASTModel model = EASTModel(weight_path='east/model/weights.h5') img = cv2.imread('asset/51_re.jpg') # 假设模型提供 predict 方法，返回文本框坐标和置信度 boxes, scores = model.predict(img, threshold=0.5) for box in boxes: # box 是4个顶点的 (x, y) 集合 print(box)

threshold是置信度阈值，决定哪些候选框会保留下来。这个参数在自然场景下非常敏感：调太高（如0.9）容易漏检，调太低（如0.1）会多出一堆背景误检。我一般从0.5起步，根据测试图的效果上下浮动。坐标输出的格式，EAST系列通常是[左上, 右上, 右下, 左下]四个点的顺序，但不同实现可能不同，拿到输出后建议先打印第一个框确认顶点顺序，再画框验证。

画框验证这一步至关重要。用cv2.polylines就能画，但如果你直接用cv2.rectangle画外接正矩形，就把EAST的角度信息丢了，看不出效果。正确的画法是用cv2.polylines把四边形的四条边连起来。

4. CRNN+CTC文字识别：不定长文本序列解码的完整链路

4.1 CRNN三件套：CNN特征 → BiLSTM → CTC

EAST把文字区域框出来了，接下来要做的就是把框里的内容转成字符串。CRNN（Convolutional Recurrent Neural Network）是这里的选择，它的结构可以拆成三段理解。

第一段是卷积层，相当于视觉特征抽取器，把输入图片转成一系列特征列。图片被竖直切分成多个"片"，每片对应一个时间步的特征。第二段是双向LSTM，对特征序列做上下文建模。第三段是CTC损失/解码层，负责解决"特征序列和文本序列长度不对齐"的问题。这套组合在自然场景OCR里是经典方案，字符识别只是它能力的子集。

由于这是不定长文本识别，没有预先定义文本长度，所以训练时用的是CTC Loss而不是普通的交叉熵。CTC的核心思想是引入一个"空白符"（blank token），允许模型在每帧上独立预测，然后在解码阶段用合并规则把重复字符和blank去掉，恢复出原始文本。

4.2 CTC解码：pred_idx到文本的映射过程

CTC解码是识别模型里最容易让人困惑的部分。模型输出的是一串帧级预测，每帧预测的是"某个字符的概率分布"，但相邻帧可能预测同一个字符，CTC的处理规则是：

• 先把相邻帧中重复的字符合并
• 再把blank位置删除

举个例子，模型输出的字符序列是['空', '中', '中', '文', '空', '文', '个', '个']，其中"空"表示blank。先去重合并相邻项，得到['空', '中', '文', '空', '文', '个']，再删除blank，最终结果是"中文文个"。注意，如果序列里同一个字符被blank隔开，它们不能合并，这是一步关键逻辑。

predict_crnn.py里，解码部分一般长这样：

# 伪代码：CTC贪心解码 def ctc_decode(pred_seq): # pred_seq 形状为 [time_steps, num_classes] result = [] prev = None for frame in pred_seq: char_idx = frame.argmax(axis=-1) # 每一帧取概率最大的字符 if char_idx == blank_index: # blank 跳过 prev = None continue if char_idx != prev: # 相邻去重 result.append(char_idx) prev = char_idx return ''.join([index_to_char[i] for i in result])

这段代码的argmax是贪心解码，简单直接，适合做流程验证。如果要更高精度，需要用beam search，但在这个资源里贪心够用。参数方面，blank_index一般设为0或最后一个类别索引，具体看字符集文件的定义顺序。

我用过一个更稳妥的调试方法：把模型输出的pred_seq维度打印出来，time_steps应该和输入图像的宽度正相关，如果time_steps太小（比如小于文本长度），那多半是输入图像在宽度方向被压得太狠，信息丢了。

4.3 检测+识别串联：predict.py的完整工作流

项目根目录的predict.py是真正的入口，它把east和crnn串了起来。流程不复杂：先加载EAST模型，读入原图，得到文本框坐标；再对每个框做透视变换，把倾斜框拉成水平矩形；然后把裁剪后的矩形区域送入CRNN识别，得到文本；最后把文本字符串和坐标画回原图。

这里有一个常见错误认知：很多人以为识别模型的输入是原始检测框的像素截图，模型负责"智能地"处理倾斜。实际上，CRNN的输入必须是水平方向排列的文本行，因为它的特征提取方式是按列切分的。所以倾斜的检测框一定要先做仿射变换转正，这一步通常在predict.py里完成。

串联时的关键参数有两个：一个是检测阶段的threshold，决定框的数量；另一个是识别阶段的max_text_length，决定识别序列最大长度。如果检测框漏了，识别再好也没用；如果max_text_length设太小，长句子会被截断。我在复现时一般把max_text_length设为32，遇到套餐名、地址这种一长串的中文，再往上调。

5. 避坑指南：环境、模型、图片预处理三个方向的踩坑记录

5.1 现象：TensorFlow 2.x环境直接跑代码，报AttributeError: module 'tensorflow' has no attribute 'Session'

原因：代码里大量使用tf.Session()、tf.placeholder等TF 1.x API，TensorFlow 2.0移除了这些接口。很多人在新环境里装了个tensorflow 2.x，跑项目秒挂。

解决：严格按resources里要求的版本来。创建Python 3.6环境，pip install tensorflow==1.14.0 keras==2.1.6。如果你必须在TF 2.x下运行，可以在程序开头加：

import tensorflow.compat.v1 as tf tf.disable_v2_behavior()

但这只是"能跑"层面的应急方案，模型权重的兼容性、Keras后端绑定都可能出问题。我的建议是直接用旧环境，不要跟版本较劲。

5.2 现象：检测框角度明显不对，水平文字框成了斜框，或者斜体文字框成了正框

原因：EAST对角度回归的敏感度受输入图片resize方式影响大。直接cv2.resize改变了文本的长宽比，模型在训练时见过的是等比缩放后的特征分布，一旦比例失配，角度预测就偏。

解决：修改检测脚本，按长边等比缩放，记录缩放比例，检测完再把坐标还原。伪代码：

h, w = img.shape[:2] scale = 512.0 / max(h, w) resized = cv2.resize(img, (int(w * scale), int(h *scale))) boxes = model.predict(resized) boxes /= scale # 坐标映射回原图

5.3 现象：CRNN识别结果全是空白，或者输出了一堆不相关的符号

原因：输入图像的高度不满足CRNN的卷积下采样要求。CRNN经过卷积层后，特征图高度会被压缩到一个很小的值（比如原本32像素高变成1像素高），如果输入图高度不足16像素，特征高度直接归零，模型输出全是无效帧。

解决：在送入CRNN之前，强制把文本行图片高度resize到32像素，宽度按比例缩放。此外，检查检测框是否把文字裁得太紧，留出的边距不够。我一般会在裁剪矩形上下各多切4个像素。

5.4 现象：中文字符识别准确率低，常见字都错

原因：模型权重是在特定字符集上训练的，如果项目里的字符集文件（通常是label.txt或char_dict.json）覆盖不全，生僻字、特殊符号就会映射到错误的索引位置。还有一个常见原因：图片没有做灰度预处理，CRNN的输入通道数不符合训练时的设定。

解决：先确认识别模型训练时的输入格式，是单通道灰度还是三通道RGB。然后查看字符集长度，和模型输出层的类别数是否匹配。字符集不足时，要么换权重，要么用现有权重在自己的数据上做微调。

5.5 现象：运行中内存持续增长，批量预测时直接OOM

原因：EAST和CRNN两个模型同时常驻内存，再加上TensorFlow 1.x的图模式会缓存中间结果，批量处理时图片叠堆，很容易把显存或内存吃满。

解决：限制TensorFlow的显存占用，按需增长而不是一次性占满：

import tensorflow as tf config = tf.ConfigProto() config.gpu_options.allow_growth = True sess = tf.Session(config=config)

当然很多时候你根本不是在GPU上跑——CPU版本不会显存OOM，但会在RAM上爆。这时候把一次处理的图片数量降下来，每次只处理一张图，并且调用完及时del大数组。这是最朴素也最管用的方案。

6. 进阶使用：批量推理、自定义字符集与性能调优

最后说点能直接抄的进阶操作。我拿到项目后的第二个习惯，是把它的单张测试脚本改造成目录级批量推理，这样一整批测试图就能一次跑完。常见做法是加一段遍历逻辑：

import os import cv2 img_dir = 'asset' for name in os.listdir(img_dir): if not name.endswith(('.jpg', '.png')): continue path = os.path.join(img_dir, name) img = cv2.imread(path) boxes, texts = ocr_pipeline(img) print(name, texts)

这里的ocr_pipeline是封装好的"检测+透视变换+识别"函数。如果原项目只提供了单张入口，你就需要自己写这个封装，正好把前面章节讲到的串联逻辑练一遍。

自定义字符集是很多人忽略的一个点。crnn/data下的字符集文件决定了模型能识别哪些字，如果你做的是中文项目，但默认字符集只有几千个常用字，地名、人名里的生僻字就会全部变成"口"或"？"。换字符集之后，模型输出层的类别数会改变，必须重新训练或微调才能生效，不要指望直接换文件就能用。

性能调优方面，如果纯CPU上跑觉得慢，优先检查是不是每次预测都在重复加载权重。正确做法是进程启动时加载一次模型，后续对所有图片复用同一个模型实例。另外，把图片缩放参数统一起来，避免每张图都触发重新计算scale逻辑。这些小改动合在一起，吞吐量能提升好几倍。

这套项目做完，我最大的一个习惯变化是：拿到OCR资源后，先看环境版本，再逐行读预测脚本，最后才跑测试图。顺序反过来的话，报错会让你误以为模型有问题，其实只是环境不匹配。血泪经验换来的教训。希望帮到你。

本文还有配套的精品资源，点击获取