在移动端 OCR 场景下，核心挑战不是“识别”，而是 “采集”。 我们要解决的是：如何在不可控的光照环境下，获取一张清晰、无反光、正对的文档图像。

1. 放弃“单张拍照”，拥抱“视频流多帧融合”

传统的相机 App 逻辑是：按下快门 -> 捕捉一帧 -> 处理。 但在反光场景下，单帧图像往往是废片。 我们需要利用 视频流（Video Stream） 的优势：手机摄像头每秒能吐出 30 帧画面。

核心算法：多帧去反光 (Multi-frame Reflection Removal)

  • 原理： 当用户稍微移动手机角度时，文字的位置（相对于执照边缘）是不变的，但 反光光斑的位置是移动的。
  • 交互引导： APP 不再显示“拍照”按钮，而是显示“扫描中，请轻微晃动手机”。
  • 算法流程：
    1. 特征点对齐 (Feature Alignment)：SDK 在视频流中连续抓取 5 帧图像。利用 SIFT/ORB 特征点，将这 5 帧图像中的“执照文字”对齐。
    2. 光斑检测：比较这 5 帧图像。如果在某一个像素点上，第 1 帧是高亮的（白色 255），但第 3 帧是正常的（灰色 100），说明第 1 帧那个点是反光。
    3. 像素融合 (Pixel Fusion)：利用 中值滤波 (Median Filter) 或 加权平均，取 5 帧中“非高亮”的像素值，合成一张全新的图片。
    结果：合成后的图片，像变魔术一样，反光消失了，底下的文字清晰可见。

2. 解决“歪脖子”难题：透视变换 (Perspective Correction)

为了避开反光，销售往往不敢正对着拍，而是站在侧面 45 度角斜着拍。 这就导致拍出来的执照是 梯形 的，远处的字很小，近处的字很大。OCR 很难处理这种畸变。

工程解决方案：

  1. 边缘检测 (Edge Detection)： 在视频流中，运行一个轻量级的 HED (Holistically-Nested Edge Detection) 或基于传统 CV 的 LSD (Line Segment Detector)，实时寻找执照的 4 个角点。
  2. 透视变换 (Homography Warping)： 一旦锁定 4 个角点，SDK 利用 OpenCV 的 getPerspectiveTransform 函数，将梯形图像“拉伸”为标准的矩形（正视图）。
  3. 超分辨率 (Super Resolution)： 因为斜着拍会导致远处的文字分辨率降低（模糊）。在矫正后，可以接一个轻量级的 SRCNN (Super-Resolution CNN) 模型，把模糊的文字“锐化”一下，提升 OCR 准确率。

3. 交互设计的“防呆”指引

除了算法，UI 交互 也是解决问题的关键。

  • 光照检测与提示： 利用手机的光线传感器（Light Sensor）或图像直方图分析。
    • 环境太暗：自动开启闪光灯（Torch Mode），但同时提示“请保持距离，避免过曝”。
    • 环境太亮（逆光）：提示“请避开强光直射”。
  • ROI 区域锁定： 在屏幕中央画一个半透明的“绿色框”。
    • 逻辑：只有当营业执照的 4 个边缘完全进入框内，且清晰度（Laplacian Variance）达标时，框才变绿，并自动触发识别。
    • 价值：强迫销售人员把手机拿稳、拿正，从源头保证图片质量。

4. 离线优先：弱网环境下的生存法则

地推经常要去地下商场、菜市场深处，那里信号极差（甚至无服务）。 如果 OCR 依赖云端 API，销售拍完照转圈 30 秒上传失败，他会想摔手机。

技术选型： 必须采用 端侧 OCR (On-device OCR)。

  • 模型轻量化：使用 MobileNetV3 或 ShuffleNet 作为骨干网络，将检测+识别模型压缩到 10MB 以内。
  • NPU 加速：利用 Android NNAPI 或 iOS CoreML，调用手机的 NPU/GPU 进行推理。
  • 性能指标：在千元机（低端 Android）上，单次识别耗时应控制在 300ms 以内。

5. 总结

在 B2B 地推业务中，营业执照 OCR 是销售录入信息的“第一公里”。

通过 “多帧去反光 + 透视变换 + 离线识别” 的组合拳，我们解决的不仅仅是一个图像处理问题，而是 地推人员的尊严问题。

让他们不需要像“修空调的”一样爬高上低找角度，也不需要像“审犯人”一样让老板把执照取下来。 随手一拍，即刻录入。 这才是顶级 CRM 该有的体验。