刘宗凡

编者按：光学字符识别（OCR），是将图像中的文字识别为可编辑的文字的技术。OCR技术极大地推动了纸质书籍数字化的进程，使得浩如烟海的存量书籍转化为数字版本成为可能，是数字化图书馆建立过程中当之无愧的最大功臣。当OCR技术插上人工智能的翅膀，更是將应用拓展到很多行业，如场景文字识别、手写识别、车牌识别、证件识别、汽车VIN码识别、发票识别、智能交通……使相应领域的工作方式和效率得到了前所未有的革新。因此，我们将分两期探讨光学字符识别（OCR）的发展以及使用。

OCR（Optical Character Recognition，光学字符识别）是指电子设备（如扫描仪或数码相机）检查字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程，即采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。传统的OCR技术已经发展了几十年，如今在人工智能（AI）的推动下，OCR技术又焕发出了新的活力。

● 汉字OCR发展沿革

我国使用汉字的历史源远流长，汉字的识别远比数字、西文要棘手，主要体现在以下三个方面。

1.数量庞大

和10个数字、26个英文字母相比较，汉字的数量可以说是一个天文数字。1994年出版的《中华字海》收录了87019个汉字，目前计算机上最全的字库，收录了91251个汉字。国标GB2312-80字符集有6763个汉字，其中一级汉字3755个，使用频度已经覆盖99.7%的使用范围，二级汉字3008个，两级汉字总使用频度达到了99.99%。