Task1 赛题理解

本章节主要对赛题背景以及使用的数据进行讲解，并给出解题思路。
赛题链接：https://tianchi.aliyun.com/competition/entrance/531795/information

1、赛题背景

赛题以计算机视觉中字符识别为背景，预测真实场景下的字符识别，这是一个典型的字符识别问题。通过这道赛题可以引导大家走入计算机视觉的世界，上手视觉赛题，提高对数据建模能力。

2、赛题数据

赛题来源自Google街景图像中的门牌号数据集（The Street View House Numbers Dataset, SVHN），并根据一定方式采样得到比赛数据集。该数据来自真实场景的门牌号。训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位置。

*数据集样本展示

2.1、数据标签

所有的数据（训练集、验证集和测试集）的标注使用JSON格式，并使用文件名进行索引。如果一个文件中包括多个字符，则使用列表将字段进行组合。
对于训练数据每张图片将给出对于的编码标签，和具体的字符框的位置（训练集、测试集和验证集都给出字符位置），可用于模型训练：

Field	Description
top	左上角坐标X
height	字符高度
left	左上角坐标Y
width	字符宽度
label	字符编码

字符的坐标具体如下所示：

注：数据集来源自SVHN（http://ufldl.stanford.edu/housenumbers/）。一共五个文件，2个json文件，3个数据集的zip文件。分别为train.json, val.json, train.zip, val.zip, test_a.zip train为训练集，用于训练模型；val为验证集，用于验证模型的效果；test_a为最终测试集。

• 在比赛数据（训练集、测试集和验证集）中，同一张图片中可能包括一个或者多个字符，因此在比赛数据的JSON标注中，会有两个字符的边框信息：

原始图片	图片JSON标注

3、评测标准

评价标准为准确率，结果与实际图片的编码进行对比，以编码整体识别准确率为评价指标，结果越大越好，具体计算公式如下：
$score=\frac{编码识别正确的数量}{测试集图片数量}$

4、下载数据

import pandas as pd
import requests
import zipfiledata=pd.read_csv('data/mchar_data_list_0515.csv')
output='./data/'#下载数据
for i,file in enumerate(data['file']):link=data['link'][i]response = requests.get(link, stream=True)with open( output+file, 'wb') as f:for chunk in response.iter_content(chunk_size=1024):f.write(chunk)#解压数据
zip_list = ['mchar_train.zip', 'mchar_test_a.zip', 'mchar_val.zip']
for zips in zip_list: zip_file = zipfile.ZipFile(output + zips , 'r')zip_file.extractall(path = output )

5、读取数据

import json
import cv2
import numpy as np
import matplotlib.pyplot as plt# 数据标注处理
def parse_json(d):arr = np.array([d['top'], d['height'], d['left'],  d['width'], d['label']])arr = arr.astype(int)return arrinpass='./data/mchar_train/'
pic='000000.png'#读取json
train_json = json.load(open('./data/mchar_train.json'))#读取图片和标签
#img = cv2.imread(inpass + pic)  #cv2.imread读取中文路径下的图像为空
img=cv2.imdecode(np.fromfile(inpass + pic,dtype=np.uint8),-1)
arr = parse_json(train_json[pic])#plt.figure(figsize=(10, 10))
plt.subplot(1, arr.shape[1]+1, 1)
plt.imshow(img)
plt.xticks([]); plt.yticks([])for idx in range(arr.shape[1]):# 多个标注字符plt.subplot(1, arr.shape[1]+1, idx+2)plt.imshow(img[arr[0, idx]:arr[0, idx]+arr[1, idx],arr[2, idx]:arr[2, idx]+arr[3, idx]])plt.title(arr[4, idx])plt.xticks([]); plt.yticks([])plt.show()

结果：

000000.png	000100.png	001000.png

6、解题思路

本质是分类问题，需要对图片的字符进行识别。但给定的数据图片中不同图片中包含的字符数量不等，如下图所示。有的图片的字符个数为2，有的图片字符个数为3，有的图片字符个数为4。

字符属性	图片
字符：42 字符个数：2
字符：241 字符个数：3
字符：7358 字符个数：4

本次赛题的难点是需要对不定长的字符进行识别。我们提供了一些解题思路供大家参考：

1. 简单入门思路：定长字符识别
   可以将赛题抽象为一个定长字符识别问题，在数据集中大部分图像中字符个数为2-4个，最多的字符个数为6个。因此可以将所有的图像都抽象为6个字符的识别问题，字符23填充为23XXXX，字符231填充为231XXX。
   
   经过填充之后，原始赛题简化为6个字符的分类问题。在每个字符的分类中会进行11个类别的分类，假如分类为填充字符，则表明该字符为空。
2. 专业字符识别思路：不定长字符识别
   
   在字符识别研究中，有特定的方法来解决此种不定长的字符识别问题，比较典型的有CRNN字符识别模型。本次赛题中给定的图像数据都比较规整，可以视为一个单词或者一个句子。
3. 专业分类思路：检测再识别
   在赛题数据中已经给出了训练集、验证集中所有图片中字符的位置，因此可以首先将字符的位置进行识别，利用物体检测的思路完成。此种思路需要构建字符检测模型，对测试集中的字符进行识别。可以参考物体检测模型SSD或者YOLO来完成。