AOE工程實踐 銀行卡OCR里的圖像處理
近期我們開發了一個銀行卡 OCR 項目。需求是用手機對著銀行卡拍攝以后，通過推理，可以識別出卡片上的卡號。
工程開發過程中，我們發現手機拍攝以后的圖像，并不能滿足模型的輸入要求。以 Android 為例，從攝像頭獲取到的預覽圖像是帶 90 度旋轉的 NV21 格式的圖片，而我們的模型要求的輸入，只需要卡片區域這一塊的圖像，并且需要轉成固定尺寸的 BGR 格式。所以在圖像輸入到模型之前，我們需要對采集到的圖像做圖像處理，如下圖所示：
在開發的過程中，我們對 YUV 圖像格式和 libyuv 進行了研究，也積累了一些經驗。
下文我們結合銀行卡 OCR 項目，講一講里面涉及到的一些基礎知識：
- 什么是YUV格式
- 如何對YUV圖像進行裁剪
- 如何對YUV圖像進行旋轉
- 圖像處理中的Stride
- 如何進行縮放和格式轉換
- libyuv的使用
想要對采集到的YUV格式的圖像進行處理，首先我們需要了解什么是 YUV 格式。
什么是YUV格式
YUV 是一種顏色編碼方法，YUV，分為三個分量：“Y” 表示明亮度(Luminance或Luma)，也就是灰度值;“U”和“V” 表示的則是色度(Chrominance或Chroma)。主流的采樣方式有三種YUV4:4:4YUV4:2:2YUV4:2:0這部分專業的知識，網絡上有詳細的解釋。我們簡單理解一下，RGB 和 YUV 都使用三個值來描述一個像素點，只是這三個值的意義不同。通過固定的公式，我們可以對 RGB 和 YUV 進行相互轉換。
工程里常見的I420，NV21，NV12，都是屬于YUV420，每四個Y共用一組UV分量。YUV420主要包含兩種格式，YUV420SP 和YUV420P。★YUV420SP，先排列Y分量，UV分量交替排列，例如：NV12: YYYYYYYY UVUV 和★NV21: YYYYYYYY VUVU (上文中我們在安卓上采集到的圖像就是這種格式)。
YUV420P，先排列U(或者V)分量，再排列V(或者U)分量。例如：I420: YYYYYYYY UU VV 和 YV12: YYYYYYYY VV UU。
了解了YUV的圖像格式以后，我們就可以嘗試對圖片進行裁剪和旋轉了。
我們的想法是先在圖片上裁剪出銀行卡的區域，再進行一次旋轉。
如何對YUV圖像進行裁剪
YUV420SP 和 YUV420P 裁剪的過程類似，以 YUV420SP 為例，我們要裁剪圖中的這塊區域：
在圖上看起來就非常明顯了，只要找到裁剪區域對應的Y分量和UV分量，按行拷貝到目標空間里就可以了。
我們再來看一張圖，是否可以用上面的方法來裁剪圖中的這塊區域呢?
答案是否定的，如果你按照上面說的方法來操作，最后你會發現你保存出來的圖，顏色基本是不對的，甚至會有內存錯誤。原因很簡單，仔細觀察一下，當 ClipLeft 或者 ClipTop 是奇數的時候，會導致拷貝的時候UV分量錯亂。如果把錯誤的圖像數據輸入到模型里面，肯定是得不到我們期望的結果的。所以我們在做裁剪的時候，需要規避掉奇數的場景，否則你會遇到意想不到的結果。
如何對YUV圖像進行旋轉
對上文裁剪后的圖像做順時針90度旋轉，相比裁剪，轉換要稍微復雜一些。
基本方法是一樣的，拷貝對應的 Y 分量和 UV 分量到目標空間里。
在了解了裁剪和旋轉的方法以后，我們發現在學習的過程中不可避免地遇到了 Stride 這個詞。
那它在圖像中的作用是什么呢?
圖像處理中的Stride
Stride 是非常重要的一個概念，Stride 指在內存中每行像素所占的空間，它是一個大于等于圖像寬度的內存對齊的長度。如下圖所示：
回過頭來看我們上面說到的裁剪和旋轉，是否有什么問題?
以 Android 上的YV12為例，Google Doc 里是這樣描述的：
- YV12 is a 4:2:0 YCrCb planar format comprised of a WxH Y plane followed by (W/2) x (H/2) Cr and Cb planes.
- This format assumes
- • an even width
- • an even height
- • a horizontal stride multiple of 16 pixels
- • a vertical stride equal to the height
- y_size = stride * height
- c_stride = ALIGN(stride / 2, 16)
- c_size = c_stride * height / 2
- size = y_size + c_size * 2
- cr_offset = y_size
- cb_offize = y_size + c_size
所以在不同的平臺和設備上，需要按照文檔和 stride 來進行計算。例如計算 Buffer 的大小，很多文章都是簡單的 “*3/2” ，仔細考慮一下，這其實是有問題的。
如果不考慮 stride ，會有帶來什么后果?如果 “運氣” 足夠好，一切看起來很正常。“運氣”不夠好，你會發現很多奇怪的問題，例如花屏，綠條紋，內存錯誤等等。這和我們平常工作中遇到的很多的奇怪問題一樣，實際上背后都是有深層次的原因的。
經過裁剪和旋轉，我們只需要把圖像縮放成模型需要的尺寸，轉成模型需要的BGR格式就可以了。
如何進行縮放和格式轉換
以縮放為例，有臨近插值，線性插值，立方插值，蘭索斯插值等算法。YUV 和 RGB 之間的轉換，轉換的公式也有很多種，例如量化和非量化。這些涉及到專業的知識，需要大量的時間去學習和理解。
這么多的轉換，我們是否都要自己去實現?
很多優秀的開源項目已經提供了完善的 API 給我們調用，例如 OpenCV，libyuv 等。我們需要做的是理解基本的原理，站在別人的肩膀上，做到心里有數，這樣即使遇到問題，也能很快地定位解決。
經過調查和比較，我們選擇了 libyuv 來做圖像處理的庫。libyuv 是 Google 開源的實現各種 YUV 與 RGB 之間相互轉換、旋轉、縮放的庫。它是跨平臺的，可在 Windows、Linux、Mac、Android 等操作系統，x86、x64、arm 架構上進行編譯運行，支持 SSE、AVX、NEON等SIMD 指令加速。
libyuv的使用
引入libyuv以后，我們只需要調用libyuv提供的相關API就可以了。
在銀行卡OCR工程使用的過程中，我們主要遇到了2個問題：
1.在Android開發的初期，我們發現識別率和我們的期望存在一定的差距。
我們懷疑是模型的輸入數據有問題，通過排查發現是使用libyuv的時候，沒注意到它是little endian。例如這個方法：int BGRAToARGB(...)，BGRA little endian，在內存里順序實際是ARGB。所以在使用的時候需要弄清楚你的數據在內存里是什么順序的，修改這個問題后識別率達到了我們的預期。
2.在大部分機型上運行正常，但在部分機型上出現了 Native 層的內存異常。
通過多次定位，最后發現是 stride 和 buffersize 的計算錯誤引起的。通過銀行卡 OCR 項目，我們積累了相關的經驗。另外，由于 libyuv 是 C/C++ 實現的，使用的時候不是那么的便捷。為了提高開發效率，我們提取了一個 Vision 組件，對libyuv封裝了一層 JNI 接口，包括了一些基礎的轉換和一些 sample，這樣使用起來更加簡單方便了。作為AOE SDK 里的圖像處理組件，還在不斷開發和完善中。
