手写数字数据集

中科院CASIA数据集

1、CASIA-HWDB1.0-1.2
表 1. 离线孤立字符数据集统计

Dataset #writers #character samples
total Symbol Chinese/#class
HWDB1.0 420 1,680,258 71,122 1,609,136/3,866
HWDB1.1 300 1,172,907 51,158 1,121,749/3,755
HWDB1.2 300 1,041,970 50,981 990,989/3,319
Total 1,020 3,895,135 173,261 3,721,874/7,185

HWDB1.0包括3866个汉字和171个字母数字和符号。在3866个汉字中，GB2312-80一级集中有3740个汉字（共3755个汉字）。
HWDB1.1包括3755个GB2312-80一级汉字和171个字母数字和符号。
HWDB1.2包括3319个汉字和171个字母数字和符号。HWDB1.2（3319个类）中的汉字集是HWDB1.0的不相交集。
HWDB1.0和HWDB1.2共包含7185个汉字（7,185=3,866+3,319），其中包括GB2312中的全部6763个汉字。
2、CASIA-HWDB2.0-2.2。
表 3 离线手写文本数据集统计

Dataset #writers #pages #lines #character/#class #out-of-class sample
HWDB2.0 419 2,092 20,495 538,868/1,222 1,106
HWDB2.1 300 1,500 17,292 429,553/2,310 172
HWDB2.2 300 1,499 14,443 380,993/1,331 581
全部的 1,019 5,091 52,230 1,349,414/2,703 1,859

数据来源：http://www.nlpr.ia.ac.cn/databases/handwriting/Download.html

哈工大HIT-OR3C数据集

HIT-OR3C由5个子集组成 （GB1, GB2, Digit, Letter, 和Document），GB1和GB2是汉字标注库GB2312-80内2个子集的简写。GB1, GB2, Digit, 和 Letter子集已采集完成122套，共832,650 个手写汉字。Document子集包括10个从新浪网收集的文档，每个文档采集2套，共收集了20套。文档子集共有77,168个字符， 覆盖2,442个字符，其中2,286个来自GB1，97个来自GB2，49个来自Letter， 10个来自 Digit。
数据来源：http://icrc.hitsz.edu.cn/info/1037/1111.htm

华南理工SCUTCOUCH-2009数据集

SCUT-COUCH2009是一款包括12个子集的完整数据，它们分别是：中文词组、国标一级汉字、国标二级汉字、国标一级汉字对应的繁体字、汉语拼音、英文字母、阿拉伯数字、常用符号、Word8888、Word17366、Word44208和联机文本行数据。每套完整的SCUT-COUCH2009包括6,763个GB2312-80单汉字，5401个Big5繁体字，1384个和GB2312-80一级字库相对应的繁体字，8,888个常用的中文词组，17,366个常用中文词组，摘自《现代汉语大辞典》（第四版）的44,208个词组，2,010个汉语拼音，184个其他符号（包括字母、数字和常用符号）和8,809行联机文本行；现在版本的SCUT-COUCH2009使用PDA或手写屏进行采集，已完成了由190多人书写的完整的数据，字符总数超过3.6百万个。
数据来源：http://www.hcii-lab.net/data/scutcouch/CN/download.html

模型选择

该项目的本质并没有设计到OCR的核心技术-文本检测和文本识别。本质上来说这是一个多分类的项目，基本上所有的分类网络都可以对其进行建模。
经过挑选，选择了EasyOCR，该项目训练简单，效果不错。
CASIA-HWDB1.1数据集上的实验结果100个汉字30W步的情况下能够达到99%。
所有汉字一起训练10w步可以达到90%以上的准确率、

代码

训练
image.png

推演，
image.png
推演代码还有待完善，