关于HappyOCR之四

[benliud]

OCR一个很关键的问题是网络训练，字库越大训练时间越长，识别效果也越好。训练程序以前有一个，可以用，不过时不时会陷入极小点导致死循环训练不到结
果，需要手工干预。这次发布出来的是新写的，支持多CPU，改进了一些算法，希望能适当的提高速度，看起来训练也不太容易陷入极小，可以比较放心的让它
长时间跑。另外值得一提的是字体倒入到数据库是极其缓慢的过程，要倒入5万个字进入sqlite字库需要2个多小时，字库越大可能还会更慢，数据库的写
入就是比较慢的，sqlserver似乎要更快点，不太记得了，不过也是个慢过程。所以将来如果有人自己从头做起的话，要注意这一点。字体转换很快，但
倒入到数据库很慢。当然，训练网络就更慢了，那是核心部分。

关于BP网络，前面提到当前采用的是576*3*1的结构，即输入的是一个24*24的图象，输出是一个数值，正确输出确定为0.8，错误输出要求小于
0.6，在识别时，所有网络输出自己的独立识别结果，最接近0.8的就是识别结果，当只有一个识别结果处于0.8左右，而其他都<0.6时，基本可以确
定这个识别是准确的。结果在0.6-1.0之间的都是可疑识别，将这些可疑识别对0.8的距离排序，就可以得到一个识别序列供用户选择，正确的字基本上
都会在10个最优结果里面。

关于训练网络的方法是这样的，先训练正确的字，穿插训练随机样本做反面训练，当全部正确的字都可以识别后，识别所有字库里的字，不正确的字输出必须让他
小于0.5，否则就训练这个字直到所有不正确的字输出都小于0.5及所有正确的字输出都接近0.8为止，很多时间花在反复校验字库中所有字的识别上。字
库越多，这种校验所费时间就越大。