OCR 光学字符识别是什么？把图片上的字变成文本

光学字符识别（Optical Character Recognition，OCR）是把图片中的文字识别并转换成电子文本的技术。扫描的合同、拍照的发票、截图里的文字，经过 OCR 就能变成可以编辑、复制、搜索的文字。手机的拍照取字、银行的票据录入、图书馆的古籍数字化、车牌识别，都离不开 OCR。

一段很长的历史

OCR 的历史比计算机还早。1914 年和 1929 年，物理学家埃马努埃尔·戈德堡和工程师古斯塔夫·陶舍克分别发明了早期的机械式和模板比对式字符识别装置。1950 年代，戴维·谢泼德创办的公司推出了商用的字符识别设备，此后 OCR 逐渐进入银行支票处理、邮政分拣等领域。早期的 OCR 主要基于模板匹配和人工设计的特征，只能识别特定字体的印刷字符，对手写、复杂版面和质量差的图片无能为力。

深度学习带来的变化

深度学习让 OCR 的准确率和适用范围大幅提升。2015 年提出的 CRNN 把卷积网络提取特征、循环网络建模序列、CTC 解码输出整合到一个端到端的网络里，不需要先把每个字符切开，就能识别整行文字，成为经典方案。此后，基于注意力和 Transformer 的方法进一步提升了对弯曲文字、手写体和多语言的识别能力。开源的 PaddleOCR、Tesseract 等工具让 OCR 成为人人可用的技术。

从识别字符到理解文档

现代的 OCR 已经不只是“认字”。文档解析模型能还原版面结构：标题、段落、表格、公式、图片，以及正确的阅读顺序，直接输出结构化的 Markdown 或 JSON。多模态大模型更进一步，可以直接看图回答问题。不过对于需要高速、大批量、端侧运行的场景，专门的 OCR 模型仍然更高效、更便宜。

仍然存在的难点

手写体、古籍和繁体竖排、低分辨率或模糊的照片、复杂的跨页表格、印章遮挡，仍然是常见的识别难点。金融、法律等关键场景，OCR 结果通常需要人工复核或用校验规则检查。