如何从Google Document AI获取正确的文档方向信息？

问题概述 #

使用Google Document AI的pretrained-ocr-v1.2-2022-11-10处理器做OCR识别时，OCR功能正常，但页面orientation字段始终返回PAGE_UP，无法正确识别文档是否颠倒或旋转；颠倒文档返回的transforms字段值无规律，无法直接解析旋转信息。

解决方案 #

1. 升级到最新预训练OCR处理器 #

旧版本的pretrained-ocr-v1.2在方向检测逻辑上存在局限性，建议替换为最新的预训练OCR处理器（如pretrained-ocr-v3.0-2023-06-02）。新版本会准确返回页面实际方向：

• 正向文档返回PAGE_UP
• 颠倒文档返回PAGE_DOWN
• 90/270度旋转文档返回对应PAGE_RIGHT/PAGE_LEFT值

2. 解析旧版本返回的transforms字段 #

若暂时无法升级，可通过transforms中的matrix数组推导旋转角度。该数组是3x3仿射变换矩阵，格式为[a, b, c, d, e, f, 0, 0, 1]，旋转对应的矩阵特征如下：

• 180度旋转（文档颠倒）：矩阵为[-1, 0, 页面宽度, 0, -1, 页面高度, 0, 0, 1]，特征是a=-1且d=-1
• 90度顺时针旋转：矩阵为[0, 1, 0, -1, 0, 页面宽度, 0, 0, 1]，特征是a=0、d=0且b=1
• 270度顺时针旋转（90度逆时针）：矩阵为[0, -1, 页面高度, 1, 0, 0, 0, 0, 1]，特征是a=0、d=0且b=-1

3. 显式启用方向检测功能 #

在POST请求的processDocumentRequest中，显式添加ORIENTATION_DETECTION特征，确保方向检测逻辑被触发：

{
  "document": {
    "content": "base64编码的图片内容",
    "mime_type": "image/jpeg"
  },
  "features": [
    {
      "type": "ORIENTATION_DETECTION"
    }
  ]
}

内容的提问来源于stack exchange，提问作者André Kops