4. OCR基本概念
在进入Halcon的OCR工具链之前，我们必须先厘清一组基础但极易混淆的概念。很多初学者直接跳到read_ocr_trainf或do_ocr_multi_class_svm函数，却对“字符”与“字体”、“文本区域”与“ROI”、“训练”与“识别”之间的关系缺乏结构化认知，导致后续调参时无从下手。本章将围绕五个核心概念展开，并重点剖析它们之间的依赖链条。
4.1 字符与字体：从像素到语义的最小单元
字符（Character）是OCR系统处理的最小语义单元。在Halcon中，一个字符通常被表示为一个区域（Region）或一个灰度图像块。字符可以是数字、字母、符号，甚至是由多个连通域组成的复杂字形（如汉字“国”的内部与外部轮廓分离）。
字体（Font）则是一组具有统一视觉风格的字符集合。字体决定了字符的笔画粗细、衬线有无、宽高比例等几何属性。在Halcon的OCR体系中，字体并非指操作系统中的TTF文件，而是指训练样本的集合——即一组带有标注信息的字符图像。例如，Industrial_0-9_NoRej是Halcon预置的工业数字字体，而Universal_0-9_NoRej则覆盖更广泛的数字书写风格。
理解字体概念的关键在于：OCR模型本质上是对特定字体的统计描述。如果待识别图像中的字符风格与训练字体差异过大（如将衬线字体图像输入给基于无衬线字体训练的模型），识别率会急剧下降。因此，在实际项目中，我们往往需要针对现场字体采集样本并重新训练，而非盲目使用预置字体。
write_ocr_trainf将当前样本追加到现有字体文件中，实现增量训练。
4.2 文本区域：从图像到候选区域的定位
文本区域（Text Region）是指图像中可能包含字符的矩形或任意形状区域。它不等同于“文本行”——一个文本区域可以包含单个字符、一个单词、一行文字，甚至是一段文字。在Halcon的典型流程中，文本区域通常由find_text算子自动生成，或由reduce_domain配合手动ROI指定。
文本区域的质量直接影响后续识别效果。常见问题包括：
- 区域过紧：字符笔画被截断，导致特征提取不完整；
- 区域过松：包含背景噪声或相邻字符，干扰分类器决策；
- 倾斜文本：未做旋转校正，字符特征发生畸变。
Halcon提供了text_line_orientation和find_text的Orientation参数来处理倾斜问题。对于严重透视畸变的场景，还需要先进行hom_vector_to_proj_hom_mat2d矫正。
4.3 OCR模型：特征空间中的决策边界
OCR模型（OCR Model）是训练阶段产出的分类器参数集合。Halcon支持多种模型类型，包括：
| 模型类型 | 核心原理 | 适用场景 | 训练速度 |
|---|---|---|---|
| MLP（多层感知机） | 基于灰度值特征的全连接神经网络 | 印刷体、字体单一 | 快 |
| SVM（支持向量机） | 基于形状特征的最大间隔分类 | 工业字符、噪声较多 | 中 |
| CNN（卷积神经网络） | 自动提取层次化视觉特征 | 复杂背景、多字体混合 | 慢（需GPU） |
模型文件以.omc格式存储，包含特征提取参数、分类器权重、类别标签列表等。在Halcon中，通过create_ocr_class_mlp或create_ocr_class_svm创建模型句柄，训练完成后用write_ocr_class_mlp持久化。
需要特别强调的是：模型与字体文件是分离的。字体文件（.trf）存储训练样本的原始图像和标签，而模型文件存储学习到的参数。这意味着你可以用同一批样本训练不同结构的模型，也可以在不同阶段向字体文件中追加新样本后重新训练。
4.4 训练与识别的关系：先有样本，后有模型，再有预测
训练与识别不是并列关系，而是严格的先后依赖关系。整个流程可以概括为以下五个阶段：
- 样本采集：从实际生产图像中裁剪字符图像，确保覆盖所有类别和常见变形；
- 样本标注：为每个字符图像指定正确的类别标签（如“0”-“9”或“A”-“Z”）；
- 特征提取与训练：Halcon自动从样本中提取特征（如梯度直方图、形状描述子），并优化分类器参数；
- 模型评估：使用独立的测试集计算混淆矩阵和识别率；
- 在线识别：加载模型，对新的文本区域执行
do_ocr_multi_class_svm等算子，输出字符类别和置信度。
下面是一个典型的训练与识别代码骨架：
* 训练阶段
read_image (TrainImage, 'train_sample.png')
threshold (TrainImage, Region, 0, 128)
connection (Region, ConnectedRegions)
sort_region (ConnectedRegions, SortedRegions, 'character', 'true', 'row')
create_ocr_class_svm (8, 10, 'constant', 'default', 'rbf', 0.01, 'one-versus-one', 'normalization', 10, OCRHandle)
trainf_ocr_class_svm (OCRHandle, SortedRegions, TrainImage, '0123456789', 'train_font.trf')
write_ocr_class_svm (OCRHandle, 'my_model.omc')
* 识别阶段
read_ocr_class_svm ('my_model.omc', OCRHandle)
read_image (TestImage, 'test_sample.png')
find_text (TestImage, TextModel, TextRegions, TextResultID)
get_text_object (TextRegions, TextResultID, 'all_lines', TextLines)
do_ocr_multi_class_svm (TextLines, TestImage, OCRHandle, Class, Confidence)trainf_ocr_class_svm内部会进行交叉验证，但外部独立测试仍然必不可少。
4.5 案例：药瓶生产日期识别中的概念落地
我们以一个药瓶喷码识别项目为例，说明上述概念如何串联。药瓶底部喷印的“2025-08-15”为激光蚀刻数字，字体为等线体，背景为玻璃反光噪声。
第一步：字体分析。采集100瓶样本，每瓶裁剪出10个数字字符，共1000个样本。观察发现数字“1”存在两种宽度变体，“0”存在内部污渍干扰。此时预置字体Industrial_0-9_NoRej无法覆盖这些变体，因此需要创建自定义字体Pharma_Date_NoRej。
第二步：文本区域定位。由于喷码位置固定，使用reduce_domain限定一个矩形ROI，再通过threshold结合connection分离出每个字符区域。注意，玻璃反光导致部分字符断裂，需要先执行closing_circle形态学操作合并断裂笔画。
第三步：模型训练与验证。将800个样本用于训练SVM模型，200个样本用于测试。首次训练后识别率为94.3%，混淆矩阵显示“8”与“3”存在混淆。分析原因是两者在低分辨率下形状相似。解决方案是增加“8”的样本量，并开启preprocessing参数中的'character_height'归一化。
第四步：在线识别。将模型部署到产线，每瓶检测耗时约15ms。实际运行中遇到新问题：部分药瓶的喷码被标签遮挡，导致文本区域不完整。此时通过find_text的Minimum_Size参数过滤过小区域，并设置Return_Text_Components为'character'以获取单字符级结果，便于后续质量追溯。
4.6 误区与复盘：五个高频认知偏差
在多年教学与项目实践中，我总结了以下五个高频误区，它们往往导致项目延期或识别率不达标：
- 误区一：认为预置字体“开箱即用”。Halcon的预置字体是在理想条件下训练的，实际工业场景中的光照、噪声、形变都会降低其表现。正确做法是始终基于现场样本重新训练。
- 误区二：混淆“文本区域”与“字符区域”。文本区域是输入给
find_text的搜索范围，字符区域是connection后的单个连通域。若直接对文本区域执行OCR，分类器会因输入尺寸不一致而报错或误判。 - 误区三：忽视字符分割质量。OCR模型的输入是字符图像，如果分割阶段将两个字符粘连在一起，再好的模型也无法正确识别。应优先优化分割逻辑，而非盲目更换模型结构。
- 误区四：训练样本数量不足。对于SVM模型，每个类别至少需要50个样本；对于CNN模型，建议每类不少于200个。样本不足时，模型会记住噪声而非泛化特征。
- 误区五：忽略置信度阈值。
do_ocr_multi_class_svm返回的置信度是0到1之间的浮点数。实际项目中应设置阈值（如0.7），低于阈值的识别结果标记为“拒识”，而非强行输出错误类别。