水印去除文字識別技術(shù)研究

董浪　李發(fā)海　魏孟濤

摘 要：為維護用戶版權(quán)，提高圖片文字的輸入速度，本文提出了“GAN+CTPN+CRNN+CTC”的水印去除文字識別技術(shù)，經(jīng)過GAN去除圖片中的水印，然后通過CTPN對圖片中的文字進行檢測，最后通過CRNN和CTC進行文字的預測和識別。實踐證明，該研究提高了帶水印圖片的文字識別效率。

關(guān)鍵詞：水印去除；文字識別技術(shù)

隨著互聯(lián)網(wǎng)的快速發(fā)展，人們選擇網(wǎng)絡(luò)辦公逐步成為主流，時長會涉及到圖片的發(fā)送，因為版權(quán)和原創(chuàng)性的原因，這些圖片被賦予了水印。隨著水印技術(shù)的廣泛應用，各種去水印技術(shù)在網(wǎng)上魚龍混雜，如何準確有效的提取水印下的文字內(nèi)容，正在成為越來越多學者的研究方向，受到學術(shù)界和工業(yè)界的普遍重視[1]。

本文研究了一種以生成對抗網(wǎng)絡(luò)（GAN）、文字檢測（CTPN）和（CRNN+CTC）模型來針對水印環(huán)境情況下如何進行文字提取的技術(shù)。

一、總體設(shè)計與實現(xiàn)

文字識別技術(shù)是計算機視覺研究領(lǐng)域的一個重要分支，被廣泛應用于票據(jù)的提取，證件的識別以及人工智能等領(lǐng)域。然而識別環(huán)境的復雜多變導致了識別的文字數(shù)據(jù)往往不可靠，圖片水印就是其中之一。

應對水印下的文字識別采用GAN網(wǎng)絡(luò)來達到去水印的目的。相對于普通的神經(jīng)網(wǎng)絡(luò)而言GAN采用兩個不同網(wǎng)絡(luò)模型進行對抗性訓練，而且G的梯度的信息來自于判別器而并非數(shù)據(jù)的樣本集。再將去除水印的圖片利用CTPN定位文字的位置達到文字檢測的效果，最終使用CRNN模型端對端的識別文字的序列。CRNN模型是一種簡單高效的文字識別模型，該模型由圖片特征提取層（CNN）提取圖像卷積特征，然后序列化建模層（RNN）使用BiLSTM進一步預測圖像卷積特征中的序列特征，最后引入解碼層（CTC）對齊輸出的文本。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，它可以直接從序列標簽中學習，而無需詳細標記;不再需要預處理步驟和手工特征;易于部署，結(jié)構(gòu)簡單，適用于文本長度變化較大的生產(chǎn)環(huán)境。CRNN模型是目前流行的圖形識別模型，可以識別較長的文章序列。它使用諸如BLSTM和CTC之類的組件來理解文章圖形中的上下文，從而有效地提高了文章識別的準確性，并使建模更加健壯。CRNN是一種卷積循環(huán)神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，一般用于處理基于圖像的序列信息識別問題，但更多地用作場景文本識別問題。

輸入的圖片通過GAN層進行水印的去除，將所得到的去除水印后的圖片作為CTPN層的輸入，在CTPN中輸入的圖像進行文字的檢測，將所得到的序列特征信息作為CRNN層的輸入，在CRNN層對特征序列信息進行識別，并在CTC中找到概率最高的一組組合標簽序列并將其進行預測輸出，實現(xiàn)原理圖如圖1所示。

（一）GAN去水印模型

GAN是一種訓練生成式的新的模型方法，包含兩個”對抗”模型，生成器模型和判別器模型[2]。生成器模型：用于進行數(shù)據(jù)的捕捉分布；判別器模型：用來進行判別樣本來自真實數(shù)據(jù)而并非生成的樣本的概率。

在GAN中輸入一張帶有水印的圖片，輸出則為不帶水印的圖片。判別器（D）用于判別是原始無水印圖片還是生成器（G）生成無水印圖片。在兩者不斷地對抗訓練的過程中，可以使得生成器（G）產(chǎn)生的無水印的圖片達到以假亂真的效果，從而達到去除水印的效果。對GAN生成器（G）和判別器（D）增加額外信息（y）并作為輸入層的一部分。對生成器（G）中將輸入噪聲p（z）和條件信息（y）聯(lián)合組和形成聯(lián)合隱層表征。

（二）CRNN+CTC文字識別

CRNN作為一種新型的神經(jīng)網(wǎng)絡(luò)模型，它結(jié)合了CNN、RNN和CTC三個網(wǎng)絡(luò)模型，主要用于對可變長度文本序列進行端到端的識別。CNN用于對輸入圖像的卷積特征提取并得到特征圖；雙向的RNN（BLSTM）用于對CNN輸出的特征序列進行預測，得到特征向量的標簽分布；CTC用于將RNN所獲得的標簽進行轉(zhuǎn)化，并確定最終的結(jié)果。

1、CTC卷積層。CRNN卷積層由標準CNN和最大池化層兩部分所組成，能夠?qū)斎雸D像的特征序列進行自動提取。與標準CNN不同的是，CRNN卷積層會保證圖像的寬度不變。

在卷積層中一共有四個最大池化層，其中最后兩個池化層窗口為1×2。也就是將圖像的高度減半4次，而寬度減半2次。由于大多數(shù)圖像高度較小而寬度較長，因此feature map也是一個與之相對應的矩形。同時隨著Batch Normalization模塊的加入使得模型快速進行收斂，從而減少模型的訓練過程。

2、CTC。CTC負責每一幀的預測，從而找到概率最高的一組標簽序列。端到端OCR的難點在于對不定長序列的處理的。RNN識別后輸出的定長序列，在對該序列進行識別時可能出現(xiàn)信息的冗余和信息的丟失。所以我們需要一套行之有效的方法來解決識別過程的冗余機制，而CTC的blank機制恰好能夠較好的解決此問題。

二、實驗

本次實驗的數(shù)據(jù)集是通過人工手動添加水印進行制作的100張帶有水印的照片，其中70張圖像作為訓練集，30張圖片作為測試集，實驗最終準確率可達到76.67%。

在實驗的過程中將原始圖片作為輸入，經(jīng)過GAN進行照片水印的去除，然后在通過CTPN進行文字的檢測，最終通過CRNN和CTC進行文字的識別輸出，如下圖3所示.

三、結(jié)語

本實驗采用自制的100張數(shù)據(jù)集進行訓練，通過GAN、CTPN、CRNN以及CTC從而實現(xiàn)端到端的圖片文字識別，將圖片中不定長度的文字作為一個整體，對改區(qū)域進行文字的預測識別，并返回該該區(qū)域文字的內(nèi)容。在訓練后該模型的識別率可以較為穩(wěn)定的達到76.67%。在后續(xù)我們將進一步對該模型的參數(shù)進行調(diào)整以及訓練數(shù)據(jù)集的豐富，從而達到更好的識別效果。

參考文獻：

[1] 張婷婷， 馬明棟， 王得玉. OCR文字識別技術(shù)的研究[J].計算機技術(shù)與發(fā)展， 2020， 30（4）：4.

[2] 曹仰杰， 賈麗麗， 陳永霞，等. 生成式對抗網(wǎng)絡(luò)及其計算機視覺應用研究綜述[J].中國圖象圖形學報， 2018， 23（10）：17.

作者簡介：董浪（2000－），男，漢族，湖北省大冶市人，本科，研究方向：人工智能、深度學習。

資助項目：2022年湖北省大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目（編號DC2022032）