Ocr Document Scanner

OCR Document Scanner

Workflow en 8 étapes

1. Prétraitement d'image

Corriger l'image AVANT d'envoyer à l'OCR — c'est l'étape qui impacte le plus la précision.

import cv2
import numpy as np

def preprocess_document(img: np.ndarray) -> np.ndarray:
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # CLAHE pour le contraste adaptatif
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    enhanced = clahe.apply(gray)
    # Débruitage
    denoised = cv2.fastNlMeansDenoising(enhanced, h=10)
    # Binarisation Otsu
    _, binary = cv2.threshold(denoised, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    return binary

Critères qualité à vérifier avant OCR :

• Variance Laplacien ≥ 100 (sinon flou → rejeter)
• Document occupe ≥ 60 % de l'image
• Aucune zone RGB > 250 (reflet)
• Rotation ≤ 5° (sinon deskew via Projection Profile Method)

Si l'image ne passe pas les critères → demander une nouvelle capture avec feedback précis ("document trop petit", "image floue", "reflet détecté").

2. Détection du type de document

Classifier avant d'appliquer les regex/modèles spécialisés.

Heuristiques rapides (sans ML) :

Avec ML Kit (on-device) : utiliser un MobileNetV2 TFLite quantifié INT8 pour ≤ 15 ms d'inférence. Retourner { "document_type": "CIN_MA_RECTO", "confidence": 0.94 }.

3. Extraction OCR — choix du moteur

Tesseract — configuration minimale pour documents marocains :

tesseract image.png output --oem 3 --psm 3 -l ara+fra \
  --dpi 300 -c preserve_interword_spaces=1

ML Kit (Kotlin) :

val recognizer = TextRecognition.getClient(
    TextRecognizerOptions.Builder()
        .setExecutor(Dispatchers.Default.asExecutor())
        .build()
)
val result = recognizer.process(InputImage.fromBitmap(bitmap, 0)).await()
result.textBlocks.forEach { block ->
    val text = block.text
    val boundingBox = block.boundingBox
}

4. Parsing MRZ (Machine Readable Zone)

Formats ICAO 9303 à connaître :

• TD3 : 2 lignes × 44 chars → passeport marocain (P<MAR...)
• TD1 : 3 lignes × 30 chars → CIN biométrique marocaine
• Checksum : algorithme pondéré 7-3-1 sur chaque champ critique

# Lib recommandée : passporteye ou mrz-python
from mrz.checker.td3 import TD3CodeChecker

checker = TD3CodeChecker("P<MARBENBRAHIM<<KHALIL<<<<<<<<<<<<<<<<<<<<<\nAB1234567MAR9001011M3012315<<<<<<<<<<<<<<02")
if checker.valid():
    fields = checker.fields()
    print(fields.surname, fields.name, fields.date_of_birth)

Pièges MRZ :

• OCR-A mal reconnu : 0 vs O, 1 vs I → normaliser avant parse
• Ligne MRZ souvent en bas du document : crop la zone y > 80% avant OCR MRZ
• Checksum invalide → ne jamais valider le document, demander retry

5. Extraction de champs structurés

Regex par document marocain :

import re

# CIN marocaine
CIN_PATTERN = re.compile(r'\b([A-Z]{1,2}[0-9]{5,6})\b')

# Numéro passeport marocain
PASSPORT_PATTERN = re.compile(r'\b([A-Z]{2}[0-9]{7})\b')

# Date format DD/MM/YYYY ou DD-MM-YYYY
DATE_PATTERN = re.compile(r'\b(\d{2})[/-](\d{2})[/-](\d{4})\b')

# CIN recto — extraction NER via spaCy (fr_core_news_md)
import spacy
nlp = spacy.load("fr_core_news_md")
doc = nlp(raw_text)
names = [ent.text for ent in doc.ents if ent.label_ == "PER"]

Pour les champs structurés complexes (LayoutLM) :

• Donut (Microsoft) : modèle end-to-end sans OCR séparé, efficace sur documents uniformes
• LayoutLMv3 : requiert paires texte + coordonnées bounding box en entrée

6. Post-processing et validation

def clean_ocr_field(value: str, field_type: str) -> dict:
    value = value.strip().upper()
    # Corrections OCR typiques
    ocr_fixes = {"0": "O", "1": "I", "5": "S", "8": "B"}
    if field_type in ("NAME", "SURNAME"):
        for wrong, right in ocr_fixes.items():
            value = value.replace(wrong, right)
    # Dates → format ISO
    if field_type == "DATE":
        match = re.match(r'(\d{2})[/-](\d{2})[/-](\d{4})', value)
        if match:
            value = f"{match.group(3)}-{match.group(2)}-{match.group(1)}"
    confidence = compute_field_confidence(value, field_type)
    return {"value": value, "confidence": confidence, "needs_review": confidence < 0.7}

Seuils de confiance recommandés :

• MRZ : < 0.99 → retry obligatoire
• Champs imprimés : < 0.80 → marquer pour review
• Champs manuscrits : < 0.65 → rejeter, saisie manuelle

7. Feedback UX mobile en temps réel

Implémenter un live preview overlay dans CameraX (Kotlin) :

val imageAnalysis = ImageAnalysis.Builder()
    .setTargetResolution(Size(1280, 720))
    .setBackpressureStrategy(ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST)
    .build()

imageAnalysis.setAnalyzer(executor) { imageProxy ->
    val laplacianVariance = computeBlurScore(imageProxy.toBitmap())
    runOnUiThread {
        when {
            laplacianVariance < 100 -> showOverlay("Image floue — stabilisez l'appareil", RED)
            documentCoverage < 0.60 -> showOverlay("Rapprochez l'appareil du document", YELLOW)
            else -> showOverlay("Capture prête", GREEN)
        }
    }
    imageProxy.close()
}

8. Intégration API backend

Format d'entrée recommandé (REST) :

POST /api/v1/ocr/scan
Content-Type: multipart/form-data

image: <fichier JPEG/PNG/WebP, max 5 MB>
document_type: CIN_MA | PASSPORT_MA | DRIVING_LICENSE | INVOICE | AUTO

Format de sortie :

{
  "document_type": "CIN_MA_RECTO",
  "mrz_valid": true,
  "extracted_fields": {
    "cin_number": { "value": "AB123456", "confidence": 0.98 },
    "surname": { "value": "BENBRAHIM", "confidence": 0.95 },
    "date_of_birth": { "value": "1990-01-01", "confidence": 0.92, "needs_review": false }
  },
  "processing_ms": 340,
  "image_quality": { "blur_score": 210, "coverage": 0.73 }
}

Garde-fous et anti-patterns

Ne jamais faire :

• Envoyer l'image brute à Tesseract sans prétraitement → précision -20 à -30 %
• Ignorer le checksum MRZ → faux positifs en KYC
• Utiliser --psm 6 (bloc uniforme) sur des documents bilingues arabe/français → segmentation cassée
• Stocker les images de documents en clair côté serveur → violation RGPD / loi 09-08 (Maroc)
• Valider un document uniquement sur la confiance OCR sans vérification de checksum

Pièges fréquents :

• CIN marocaines anciennes (format I<chiffres>) : regex [A-Z]{2}[0-9]{6} ne match pas → ajouter pattern legacy [A-Z][0-9]{7}
• Arabe RTL avec Tesseract : ajouter --psm 6 ET charger ara.traineddata depuis tessdata_best, pas tessdata_fast
• Images HEIC (iPhone) : convertir en JPEG avant envoi, ML Kit ne supporte pas HEIC directement
• ML Kit v2 sur Android < API 23 : non supporté → fallback Tesseract

Limites de précision par type :

Bonnes pratiques 2026

• On-device first : ML Kit v3 (2025) supporte 100+ scripts ; préférer au cloud pour KYC afin de respecter la confidentialité
• Donut vs Tesseract : pour les formulaires avec layout fixe (CIN, passeport), Donut donne de meilleurs résultats sans étape OCR séparée
• Liveness check couplé : coupler l'OCR document avec une vérification de vivacité (liveness) pour les flux KYC — ne pas traiter l'OCR seul comme preuve d'identité
• Versioning des modèles : toujours versionner les modèles TFLite embarqués et prévoir un mécanisme de mise à jour OTA (Firebase Remote Config ou équivalent)
• Rate limiting : appliquer un rate limit par userId côté backend (ex. 10 scans/min) pour éviter les abus et les coûts cloud OCR
• Audit trail : loguer les tentatives OCR (sans stocker l'image) avec hash SHA-256 de l'image et le résultat de validation pour audit KYC