ocr 识别身份证后如何对文本块进行排序？

[qinyui]

在使用 PaddleOCR 对身份证图片进行 OCR 识别时，识别到的文本是一块一块的，并且是乱序的

现在识别到的文本块列表是这样的： ['姓名张小明', '出生 1997 年 2 月 7 日', '性别男', '民族汉','荣街金明路 12', '住址', '河南省平顶山市卫东区繁', '号', '公民身份号码', '410221199702071234']

同时还有每个文本块对应的四个点的坐标信息，如： [[283.0,581.0],[396.0,573.0],[398.0,613.0],[285.0,620.0]]

为了后续的关键信息提取更方便，现在想对文本块先进行排序处理

根据坐标信息，如何对文本块按照从上到下从左到右的顺序进行排序？

比如示例的数据，排序后预期应该输出如下： ['姓名张小明', '性别男', '民族汉','出生 1997 年 2 月 7 日', '住址', '河南省平顶山市卫东区繁', '荣街金明路 12', '号', '公民身份号码', '410221199702071234']

或者有没有其他更好的思路？

[woodfizky]

反过来想，姓名、民族、性别、身份证号码，这些格式都是固定的，可以固定判断拿出来。

剩下的就是住址，按 x 坐标排序后拼接得到原始住址。

[woodfizky]

另外，没用过这个 OCR ，但是一般 OCR 不都是同一行是一块文本吗，而且为什么你这里的符号被干掉了。。

[noyidoit]

调公有云身份证 OCR 接口，直接从 key-value 的响应里取值 XD ；这个提取出来的文本块列表感觉有点太乱了，而且对少数民族身份证可能会支持不太友好

[edward1987]

先自己裁切每一部分图片后再去识别，地址的话就分两行两部分识别

[qinyui]

@woodfizky 一般一块的文本是连着的，示例的地址是因为太长在身份证上占了三行，这种识别出来就是三个文本块

[qinyui]

@woodfizky 现在麻烦的就是识别出来的地址文本是被拆分的，并且”姓名“和名字有时也是分开的，还有性别民族等文本的干扰，直接提取是很难区分的

[qinyui]

@edward1987 是个思路，就是实现成本有些高，需要先裁剪出身份证图片再定位每个区域，精度可能会是个问题，还有分多次识别的话整体速度也可能会变慢

[qinyui]

@noyidoit 现在用的就是百度云的身份证 OCR 识别，就是长期使用成本有点高，才想自己研究下的

[mMartin]

paddleocr 有 ser 啊 自动对应关系的

[mMartin]

关键信息提取 paddleocr 本身就支持的 尤其是身份证这种场景简单的

[mMartin]

https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/ppstructure/kie/README_ch.md

[tarasha]

我也是用的百度的 ocr-kie 。kie 可以将识别出的文本分类，例如：
{'NAME_KEY': [], 'NAME_VALUE': ['姓名张三'], 'SEX_KEY': ['性别男民族汉'], 'SEX_VALUE': [], 'NATION_KEY': [], 'NATION_VALUE': []}
唯一需要排序的场景是地址的提取，因为地址可能会换行。
我的办法是通过对比地址和证件号码的位置关系，确定照片的角度是哪一种，然后再依据每种角度来排序
0°：左上角 Y 点从小到大
90°：左上角 X 点从大到小
180°：左上角 Y 点从大到小
270°：左上角 X 点从小到大

# points 结构为 [[左上角 X, 左上角 Y], [右上角 X, 右上角 Y], [右下角 X, 右下角 Y], [左下角 X, 左下角 Y]]
# X 从左至右增大，Y 从上至下增大
# 计算地址文本块水平宽度 右上角 X - 左上角 X
x_length = address_points[1][0] - address_points[0][0]
# 计算地址文本块垂直高度 左下角 Y - 左上角 Y
y_length = address_points[3][1] - address_points[0][1]
# 判断图片是否水平
# 若地址文本块水平宽度大于垂直高度则说明图片处于 0°或 180°，否则处于 90°或 270°
is_horizontal = x_length > y_length
# 判断图片是否反转
# 若水平且地址文本块左上角 Y 点大于证件号码文本块左上角 Y 点 （即地址位于号码下方）则处于 180°
# 若非水平且地址文本块左上角 X 点大于证件号码文本块左上角 X 点 （即地址位于号码右侧），则处于 90°
is_reverse = (is_horizontal and address_points[0][1] >= number_points[0][1]) or \
(not is_horizontal and address_points[0][0] >= number_points[0][0])
# 执行排序
sorted_address_data = sorted(
address_data, reverse=is_reverse,
key=lambda x: x['points'][0][1 if is_horizontal else 0],
)

[rev1si0n]

PaddleOCR 应该会返回文字对应坐标的吧，根据坐标对应不就行了吗

[qinyui]

@tarasha 我找到了个 PP-StructureV2 模型，是这个吗？还是说要自己训练模型呢？

[tarasha]

@qinyui 还是需要训练下的，需要自定义字典文件。也就是分类。看下这个：
https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/doc/doc_ch/kie.md

[tarasha]

@qinyui 我这边有训练好的，不知道你要不要。

[NoOneNoBody]

身份证这种格式都是固定的图片，且跨时间长度和跨项目的，可以用固定参数来写就好了
可以前置一个标准化步骤，把输入的图片旋转、裁切、缩放到固定的尺寸和方向

[qinyui]

@tarasha 我的使用场景中身份证图片是没有经过裁剪的（可能有外界其他信息干扰），不知道通用不？我先自己研究试试