Vision VNTextObservationを文字列に変換する
Appleの Vision APIドキュメント を調べていると、UIImagesのテキスト検出に関連するクラスがいくつかあります。
1） class VNDetectTextRectanglesRequest
彼らは文字を検出できるように見えますが、私は文字で何かをする手段がわかりません。文字が検出されたら、 NSLinguisticTagger で解釈できるものに変換するにはどうすればよいですか？
Vision の簡単な概要である投稿はこちらです。
読んでくれてありがとう。
AppleはついにVisionを更新してOCRを実行しました。プレイグラウンドを開き、Resourcesフォルダーにいくつかのテストイメージをダンプします。私の場合、「demoDocument.jpg」と「demoLicensePlate.jpg」と呼びました。
新しいクラスはVNRecognizeTextRequestと呼ばれます。これを遊び場に捨てて旋回させます：
import Vision
enum DemoImage: String {
case document = "demoDocument"
case licensePlate = "demoLicensePlate"
}
class OCRReader {
func performOCR(on url: URL?, recognitionLevel: VNRequestTextRecognitionLevel) {
guard let url = url else { return }
let requestHandler = VNImageRequestHandler(url: url, options: [:])
let request = VNRecognizeTextRequest { (request, error) in
if let error = error {
print(error)
return
}
guard let observations = request.results as? [VNRecognizedTextObservation] else { return }
for currentObservation in observations {
let topCandidate = currentObservation.topCandidates(1)
if let recognizedText = topCandidate.first {
print(recognizedText.string)
}
}
}
request.recognitionLevel = recognitionLevel
try? requestHandler.perform([request])
}
}
func url(for image: DemoImage) -> URL? {
return Bundle.main.url(forResource: image.rawValue, withExtension: "jpg")
}
let ocrReader = OCRReader()
ocrReader.performOCR(on: url(for: .document), recognitionLevel: .fast)
詳細な議論 WWDC19からのこれがあります
SwiftOCR
SwiftOCRで小さなテキストセットを操作できるようになりました。
https://github.com/garnele007/SwiftOCR
使用する
https://github.com/Swift-AI/Swift-AI
neuralNet-MNISTモデルをテキスト認識に使用します。
TODO：VNTextObservation> SwiftOCR
一度接続すると、VNTextObservationを使用してその例を投稿します。
OpenCV + Tesseract OCR
OpenCV + Tesseractを使用しようとしましたが、コンパイルエラーが発生し、SwiftOCRが見つかりました。
参照：Google Vision iOS
Google Visionテキスト認識-Android sdkにはテキスト検出がありますが、iOS cocoapodもあります。したがって、最終的にiOSにテキスト認識を追加する必要があるので、注意してください。
https://developers.google.com/vision/text-overview
//修正：試してみましたが、AndroidバージョンのSDKのみがテキスト検出をサポートしています。
https://developers.google.com/vision/text-overview
リリースをサブスクライブする場合： https://libraries.io/cocoapods/GoogleMobileVision
CocoapodのiOS部分にTextDetectionが追加されたときに確認できるリリースに登録をクリックします
誰かがより良い解決策を持っている場合、これに自分の進歩を追加する：
画面にリージョンボックスとキャラクターボックスを正常に描画しました。 AppleのビジョンAPIは、実際には非常に高性能です。ビデオの各フレームを画像に変換し、認識機能にフィードする必要があります。カメラからピクセルバッファーを直接供給するよりもはるかに正確です。
if #available(iOS 11.0, *) {
guard let pixelBuffer = CMSampleBufferGetImageBuffer(sampleBuffer) else {return}
var requestOptions:[VNImageOption : Any] = [:]
if let camData = CMGetAttachment(sampleBuffer, kCMSampleBufferAttachmentKey_CameraIntrinsicMatrix, nil) {
requestOptions = [.cameraIntrinsics:camData]
}
let imageRequestHandler = VNImageRequestHandler(cvPixelBuffer: pixelBuffer,
orientation: 6,
options: requestOptions)
let request = VNDetectTextRectanglesRequest(completionHandler: { (request, _) in
guard let observations = request.results else {print("no result"); return}
let result = observations.map({$0 as? VNTextObservation})
DispatchQueue.main.async {
self.previewLayer.sublayers?.removeSubrange(1...)
for region in result {
guard let rg = region else {continue}
self.drawRegionBox(box: rg)
if let boxes = region?.characterBoxes {
for characterBox in boxes {
self.drawTextBox(box: characterBox)
}
}
}
}
})
request.reportCharacterBoxes = true
try? imageRequestHandler.perform([request])
}
}
今、私は実際にテキストを調整しようとしています。 Appleは、組み込みOCRモデルを提供しません。そして、私はそれを行うためにCoreMLを使用したいので、Tesseractのトレーニング済みデータモデルをCoreMLに変換しようとしています。
Tesseractモデルはここで見つけることができます： https://github.com/tesseract-ocr/tessdata 次のステップはcoremltoolsコンバーターを書くことだと思いますこれらのタイプの入力をサポートし、.coreMLファイルを出力します。
または、TesseractiOSに直接リンクして、Vision APIから取得したリージョンボックスとキャラクターボックスをフィードに入力することもできます。
これはそれを行う方法です...
//
// ViewController.Swift
//
import UIKit
import Vision
import CoreML
class ViewController: UIViewController {
//HOLDS OUR INPUT
var inputImage:CIImage?
//RESULT FROM OVERALL RECOGNITION
var recognizedWords:[String] = [String]()
//RESULT FROM RECOGNITION
var recognizedRegion:String = String()
//OCR-REQUEST
lazy var ocrRequest: VNCoreMLRequest = {
do {
//THIS MODEL IS TRAINED BY ME FOR FONT "Inconsolata" (Numbers 0...9 and UpperCase Characters A..Z)
let model = try VNCoreMLModel(for:OCR().model)
return VNCoreMLRequest(model: model, completionHandler: self.handleClassification)
} catch {
fatalError("cannot load model")
}
}()
//OCR-HANDLER
func handleClassification(request: VNRequest, error: Error?)
{
guard let observations = request.results as? [VNClassificationObservation]
else {fatalError("unexpected result") }
guard let best = observations.first
else { fatalError("cant get best result")}
self.recognizedRegion = self.recognizedRegion.appending(best.identifier)
}
//TEXT-DETECTION-REQUEST
lazy var textDetectionRequest: VNDetectTextRectanglesRequest = {
return VNDetectTextRectanglesRequest(completionHandler: self.handleDetection)
}()
//TEXT-DETECTION-HANDLER
func handleDetection(request:VNRequest, error: Error?)
{
guard let observations = request.results as? [VNTextObservation]
else {fatalError("unexpected result") }
// EMPTY THE RESULTS
self.recognizedWords = [String]()
//NEEDED BECAUSE OF DIFFERENT SCALES
let transform = CGAffineTransform.identity.scaledBy(x: (self.inputImage?.extent.size.width)!, y: (self.inputImage?.extent.size.height)!)
//A REGION IS LIKE A "Word"
for region:VNTextObservation in observations
{
guard let boxesIn = region.characterBoxes else {
continue
}
//EMPTY THE RESULT FOR REGION
self.recognizedRegion = ""
//A "BOX" IS THE POSITION IN THE ORIGINAL IMAGE (SCALED FROM 0... 1.0)
for box in boxesIn
{
//SCALE THE BOUNDING BOX TO PIXELS
let realBoundingBox = box.boundingBox.applying(transform)
//TO BE SURE
guard (inputImage?.extent.contains(realBoundingBox))!
else { print("invalid detected rectangle"); return}
//SCALE THE POINTS TO PIXELS
let topleft = box.topLeft.applying(transform)
let topright = box.topRight.applying(transform)
let bottomleft = box.bottomLeft.applying(transform)
let bottomright = box.bottomRight.applying(transform)
//LET'S CROP AND RECTIFY
let charImage = inputImage?
.cropped(to: realBoundingBox)
.applyingFilter("CIPerspectiveCorrection", parameters: [
"inputTopLeft" : CIVector(cgPoint: topleft),
"inputTopRight" : CIVector(cgPoint: topright),
"inputBottomLeft" : CIVector(cgPoint: bottomleft),
"inputBottomRight" : CIVector(cgPoint: bottomright)
])
//PREPARE THE HANDLER
let handler = VNImageRequestHandler(ciImage: charImage!, options: [:])
//SOME OPTIONS (TO PLAY WITH..)
self.ocrRequest.imageCropAndScaleOption = VNImageCropAndScaleOption.scaleFill
//FEED THE CHAR-IMAGE TO OUR OCR-REQUEST - NO NEED TO SCALE IT - VISION WILL DO IT FOR US !!
do {
try handler.perform([self.ocrRequest])
} catch { print("Error")}
}
//APPEND RECOGNIZED CHARS FOR THAT REGION
self.recognizedWords.append(recognizedRegion)
}
//THATS WHAT WE WANT - PRINT WORDS TO CONSOLE
DispatchQueue.main.async {
self.PrintWords(words: self.recognizedWords)
}
}
func PrintWords(words:[String])
{
// VOILA'
print(recognizedWords)
}
func doOCR(ciImage:CIImage)
{
//PREPARE THE HANDLER
let handler = VNImageRequestHandler(ciImage: ciImage, options:[:])
//WE NEED A BOX FOR EACH DETECTED CHARACTER
self.textDetectionRequest.reportCharacterBoxes = true
self.textDetectionRequest.preferBackgroundProcessing = false
//FEED IT TO THE QUEUE FOR TEXT-DETECTION
DispatchQueue.global(qos: .userInteractive).async {
do {
try handler.perform([self.textDetectionRequest])
} catch {
print ("Error")
}
}
}
override func viewDidLoad() {
super.viewDidLoad()
// Do any additional setup after loading the view, typically from a nib.
//LETS LOAD AN IMAGE FROM RESOURCE
let loadedImage:UIImage = UIImage(named: "Sample1.png")! //TRY Sample2, Sample3 too
//WE NEED A CIIMAGE - NOT NEEDED TO SCALE
inputImage = CIImage(image:loadedImage)!
//LET'S DO IT
self.doOCR(ciImage: inputImage!)
}
override func didReceiveMemoryWarning() {
super.didReceiveMemoryWarning()
// Dispose of any resources that can be recreated.
}
}
完全なプロジェクトが見つかります here 含まれているのは訓練されたモデルです！
GitHubユーザーのおかげで、例をテストできます。 https://Gist.github.com/Koze/e59fa3098388265265e578dee6b3ce89dd8
- (void)detectWithImageURL:(NSURL *)URL
{
VNImageRequestHandler *handler = [[VNImageRequestHandler alloc] initWithURL:URL options:@{}];
VNDetectTextRectanglesRequest *request = [[VNDetectTextRectanglesRequest alloc] initWithCompletionHandler:^(VNRequest * _Nonnull request, NSError * _Nullable error) {
if (error) {
NSLog(@"%@", error);
}
else {
for (VNTextObservation *textObservation in request.results) {
// NSLog(@"%@", textObservation);
// NSLog(@"%@", textObservation.characterBoxes);
NSLog(@"%@", NSStringFromCGRect(textObservation.boundingBox));
for (VNRectangleObservation *rectangleObservation in textObservation.characterBoxes) {
NSLog(@" |-%@", NSStringFromCGRect(rectangleObservation.boundingBox));
}
}
}
}];
request.reportCharacterBoxes = YES;
NSError *error;
[handler performRequests:@[request] error:&error];
if (error) {
NSLog(@"%@", error);
}
}
つまり、結果は、検出された各文字の境界ボックスの配列です。 Visionのセッションから収集したことから、CoreMLを使用して実際の文字を検出することになっていると思います。
推奨されるWWDC 2017の講演： Vision Framework：Core MLでの構築 （まだ見終わっていない）、MNISTVisionと呼ばれる同様の例について25:50を見てください
もう1つの気の利いたアプリCoreMLを使用した手書き認識のためのMNISTモデルのトレーニングのためのKeras（Tensorflow）の使用のデモンストレーション： Github
Firebase MLキットは、iOS（およびAndroid）でオンデバイス Vision API を使用して実行し、TesseractおよびSwiftOCRよりも優れています。
GoogleのTesseract OCRエンジンを使用して、画像を実際の文字列に変換しています。 cocoapodsを使用してXcodeプロジェクトに追加する必要があります。 Tesseractはテキストを含む画像を単純にフィードする場合でもOCRを実行しますが、より良い/高速に実行する方法は、検出されたテキストの長方形を使用して、実際にテキストを含む画像の一部をフィードすることです。便利になります。エンジンへのリンクは次のとおりです。 Tesseract OCR そして、テキスト検出+ OCRが既に実装されているプロジェクトの現在の段階へのリンクは次のとおりです。 Out Loud-Camera to Speech Hopeこれらはいくつかの用途があります。幸運を！
まだ解決策を探している人のために、私は簡単に library を書いてこれを行いました。 Vision APIとTesseractの両方を使用し、質問が説明するタスクを1つの方法で実現するために使用できます。
func sliceaAndOCR(image: UIImage, charWhitelist: String, charBlackList: String = "", completion: @escaping ((_: String, _: UIImage) -> Void))
このメソッドは、画像内のテキストを検索し、見つかった文字列と、テキストが見つかった場所を示す元の画像のスライスを返します