白翔：华科本硕博，后来当院长，拍照识字算法CRNN全球公认牛，论文被引7万次，带出博士生拿到华为天才少年最高档

白翔：华科本硕博，后来当院长，拍照识字算法CRNN全球公认牛，论文被引7万次，带出博士生拿到华为天才少年最高档

AI人物 | 感受他们为世界做出的贡献

有一件事，白翔奇怪了好几年。

我们2015年底提出来CRNN算法，为什么工业界现在还在用？

这是他2020年接受采访时说的。CRNN是他和学生做的一个算法，干的事情是让电脑读出照片里的一行字。他们后来又做了好几个更稳的新算法，工业界反而不用。工业界的朋友告诉他：一般情况下，CRNN就够用了。像BAT这样的大公司，每天要处理上亿张图片。

白翔是华中科技大学的教授，2023年起当软件学院院长。他的论文在谷歌学术上被引用了7万多次，2020年那次采访时，这个数还是1.5万多。

2025年12月，IEEE公布2026年新当选的Fellow，全世界350人，中国大陆53人，他在里面，理由是"对文档图像处理和理解的贡献"。IEEE是全球最大的电子电气工程师学会，Fellow是它给会员的最高一级称号。

▲白翔在华中科技大学软件学院讲台上（图源：网络）

百度做了一个免费的识字工具包，叫PaddleOCR，在程序员常用的代码网站GitHub上被收藏了9万多次。它找字的那一步，从第一版用到2026年的第六版，用的都是白翔团队的算法。

拍照识字，难在街上的字

把一页打印的文件扫进电脑，再变成能复制的文字，这件事早就有人做得很好。今天很多软件还在用的开源工具Tesseract，是惠普公司1985年到1994年间开发的，后来交给谷歌接着维护。

难的是街上拍的字。

店招、路牌、菜单、商品包装上的字，有中文有英文，颜色、字体、大小各不相同，有横排的、竖排的、斜着的、弯成一圈的。背景也捣乱，研究者专门写过：树叶、砖墙、窗户、栅栏，在电脑看来都长得像字。再加上拍的人站得远、角度歪、手一抖、光线暗、玻璃反光，字就更难认。

2011年有研究者拿当时一款商用识字软件ABBYY，去认从谷歌街景里截出来的单词。每个单词还给了50个候选答案让它挑，它只认对了35%。

华科读到博士，半路改行

白翔本科、硕士、博士都在华中科技大学读。

2015年腾讯写过一篇他的人物稿，说他小时候"成绩一般，还喜欢恶作剧"，可一旦迷上学习就收不住，喜欢物理和化学，"竟意外在全国数学竞赛中获得二等奖"。1999年，他考进华科的数理提高班。

读硕士时，他写了一篇论文投给《软件学报》，投出去之前，导师帮他改了至少15遍，最后还是被拒了。硕士毕业找工作，他进了一家国际知名企业的最后一轮面试，也没拿到offer。他后来说：

在找工作的时候，我发现我更喜欢研究我自己感兴趣的东西。我选择了继续攻读博士，因为我觉得前面的研究工作没有完成，这时候放弃比较可惜。

读博时，他做了一件胆子挺大的事：把一篇还没打磨好的论文草稿，直接发给了美国天普大学的Latecki教授。对方看了，主动请他去美国访问，一起做他手上的美国国家科学基金会项目。2006年到2008年，他先在天普大学待了一年多，又去加州大学洛杉矶分校联合培养了一年。博士期间，他以第一作者在TPAMI上发了3篇论文。TPAMI是计算机视觉领域分量最重的期刊之一。

2009年博士毕业，他留校任教。

他博士做的是形状方面的研究：比较两个轮廓像不像，用他的话说"相对来说比较基础"。2011年到2013年间，他特别想换个离实际用处更近的题目，想了相当一段时间，最后挑中了认街上的字。他留意到，照片里的字很多不是横平竖直的，"很多是倾斜甚至是弯曲的"。2013年，他破格升为教授。

刚进来那几年很难。他说，当时能参考的开源代码非常少，走了不少弯路，"这也是之后我们开源了多篇论文源码的重要原因"。他跟学生强调最多的一句是：

不要着急写论文，要静下心来解决实际问题。

不切字，从左往右读

在CRNN之前，电脑认一个单词，常见的办法是先切：把单词里的字母一个个找出来、切开，再一个一个地认。字挨得紧、斜着、粘在一起，切错一刀，后面全错。

还有一种办法是不切，把整个单词当成一张图来认，可英文单词就有好几万个，要一个个记住。换成中文，字和字能组成的词多到数不过来，这条路走不通。

2015年7月，白翔和他的学生石葆光、姚聪把CRNN的论文挂上了网，石葆光是第一作者。它的办法是不切字，像人用手指着一行字读那样，从左往右一小条一小条地看过去，每一小条都猜一下"这里是什么字母"。

▲论文里的例子：最下面是路牌上拍到的STATE，往上是电脑一层层提取的特征，最上面一行是它从左往右每一小条的猜测（图源：Shi、Bai、Yao，CRNN论文图1）

读STATE这个词，它每一小条的猜测排出来是"-s-t-aatte"，横杠的意思是"这一条什么都不是"。最后一步，把连着重复的字母并成一个，再去掉横杠，就得到了state。

这样做有两个好处。一是训练的时候，只要告诉电脑"这张图上写的是state"，不用一个个标出每个字母在哪，省下大量人工。二是它不靠背单词表，电话号码这种不成词的一串数字也能读。

整个模型只有33MB，差不多是手机里十来张照片的大小，论文里写着，它"可以很容易装进手机"。

还是谷歌街景那批单词，还是给50个候选答案，ABBYY只认对三成多，CRNN认对了96.4%。

论文里还顺手做了个实验：认五线谱。拿手机对着乐谱书拍下来的谱子，两款商用识谱软件整段认对的比例是43.5%和20.4%，CRNN是84.0%。

先得找到字在哪

一张照片里，字往往只占一小块。读之前，电脑得先找出字在哪。

白翔团队2019年底挂出的DB算法，先给照片上每个点打一个"像不像字"的分，再划一条线：分数过线的连成一片，就是一块字。以前这条线全图统一划，字的边缘、两行字挨着的地方，常常划不准。DB让照片上每个地方自己学着定这条线该划多高。这篇论文的第一作者是他的博士生廖明辉，2021年毕业时拿到华为"天才少年"最高一档，年薪201万。

前面说的百度PaddleOCR，2020年发布第一版时写得清清楚楚：找字用DB，读字用CRNN。从第三版起，读字那一步换成了百度自己的新算法，找字的DB一直没换。全世界程序员最常用的图像处理工具库OpenCV，文字检测也内置了DB，读字给的预训练模型是CRNN。

华科的官方介绍里写着，白翔团队的文字检测与识别技术，用在华为、微信、阿里巴巴、美团等公司的产品里。

大模型会读字了，还卡在哪

这两年，ChatGPT这样的大模型也能看图了，拍张照片问它上面写的什么，它多半答得出来。专门认字的模型，还有必要吗？

2023年，白翔团队做了一套考卷，专门考大模型读字，叫OCRBench。

给大模型看一张写着Message的图，它认得出来。把字母顺序打乱，变成egaesMs，它就认不出了。这样打乱以后，大模型的准确率平均掉了57%，专门认字的模型只掉了4.6%。

原因是两种模型读字的方法不一样。专门认字的模型是一个字一个字看出来的；大模型更多是靠"这里大概是个什么词"猜出来的。字一旦不成词，猜就不灵了。

中文招牌更难。考卷里有一组中文招牌，测了7个大模型，7个都是0分，专门认中文的模型是94.8分。

论文的结论是：大模型离专门认字的模型还差得远，专门的方法还少不了，何况它们用的算力和数据都少得多。

让电脑读甲骨文

能读街上的字，能不能读三千多年前的字？

甲骨文发现了4500多个不同的字，认出来、找到对应现代汉字的，只有一千多个，剩下的三分之二还是谜。

白翔团队试了一个新办法：不让电脑直接说"这是什么字"，而是给它一个甲骨文字形，让它画出这个字今天大概长什么样，再交给识字软件去读。训练时，它学的是甲骨文和现代汉字在偏旁部件上的对应关系；测试用的字，都是训练时没见过的。

▲第一行是8个甲骨文字，第二行是对应的现代汉字，最后一行是这个方法画出来的字；中间几行是别的方法画的，大多不成字（图源：Guan等，甲骨文论文图9）

第一次画，就有41%画对了。同一个字让它画10次，画对的比例升到80%。

这篇论文拿下了2024年ACL的最佳论文。ACL是"让电脑理解人类语言"这个领域最重要的国际会议，那年收到约4835篇投稿，最佳论文评了7篇。第一作者管海粟是华科2021级的本科生，按学校的说法，他在白翔和刘禹良两位老师的指导下做古文字研究。上台领奖的，是刘禹良和管海粟。

论文最后也说了实话：这套分数只能拿已经认出来的字来打。真正没人认得的字，画出来对不对，没有标准答案，最后还得请甲骨文专家来判断。

2016年起，安阳的中国文字博物馆悬赏，破译一个甲骨文字，奖10万元。到2025年，领到这笔奖金的，只有三位古文字学者。