광학 문자 인식(OCR)이란 무엇인가요?

최종 검토: 2026-08-08 · 적용 대상: 문서 자동화 / 데이터 추출 / 컴퓨터 비전

범위: 이 정의는 문서 데이터 추출에 사용되는 광학 문자 인식(OCR)을 다룹니다. 즉, 스캔한 문서, 사진, 이미지 전용 PDF를 다운스트림 시스템에서 검색, 편집, 처리할 수 있는 기계 판독 가능 텍스트로 변환하는 것입니다. 지능형 문서 처리(IDP) 플랫폼, 컴퓨터 비전의 전체 분야, 또는 문서 워크플로가 아닌 일반 이미지 처리에서의 OCR 사용 등 관련은 있지만 다른 개념은 다루지 않습니다.
다른 이름: "텍스트 인식" 또는 "문서 디지털화"라고도 합니다.

광학 문자 인식(OCR)은 인쇄, 필기 또는 타이핑된 텍스트의 이미지를 기계가 읽을 수 있는 텍스트로 변환하는 기술로, 컴퓨터가 스캔한 문서, 사진, PDF의 내용을 수동으로 다시 입력하지 않고도 검색, 편집, 처리할 수 있게 해줍니다.

OCR 작동 방식

OCR은 네 단계로 작동합니다. 첫째, 스캐너나 카메라가 문서를 이미지로 캡처합니다. 이는 빛과 어둠을 기록한 픽셀 격자입니다. 둘째, 전처리 과정에서 해당 이미지를 정리합니다. 기울기 보정(비스듬히 스캔된 페이지를 바로잡음), 얼룩과 노이즈 제거, 대비 교정, 그리고 텍스트가 배경에서 깔끔하게 분리되도록 모든 것을 흑백으로 변환합니다. 셋째, 인식 엔진이 각 형태를 알려진 문자 패턴이나 특징 규칙과 비교하여 분석합니다. 마지막으로 후처리 과정에서 사전과 문맥을 활용해 명백한 오류를 교정합니다. 예를 들어 원시 매칭 결과인 "cl0ud"를 "cloud"로 되돌립니다. 사전에 0으로 시작하는 단어는 없기 때문입니다.

인식 단계 내부에는 두 가지 고전적 알고리즘이 있습니다(IBM Think). 패턴 인식(패턴 매칭)은 스캔된 각 문자를 알려진 모든 글리프의 저장된 템플릿과 비교합니다. 여기서 "글리프"란 문자의 고유한 모양/크기/글꼴 조합 하나를 의미하며, 가장 근접한 일치를 반환합니다. 훈련된 글꼴에서는 빠르고 정확하지만, 익숙하지 않은 것에는 실패합니다. 반면 특징 인식(특징 추출)은 문자의 구조에 대한 규칙을 적용합니다. 예를 들어 몇 개의 사선, 교차점, 고리, 곡선이 있는지, "A"는 두 개의 대각선이 수평 막대로 연결된 형태라는 식입니다. 이를 통해 한 번도 본 적 없는 글꼴도 인식할 수 있습니다. 현대 시스템은 두 가지를 결합한 뒤, 문법과 단어 빈도 문맥을 활용해 남은 오류를 수정하는 언어 모델에 텍스트를 통과시킵니다.

핵심적인 차이점은 OCR이 의미 없는 텍스트를 생성한다는 것입니다. OCR은 페이지에 어떤 문자가 있는지 알려줄 뿐, 문서가 무엇을 의미하는지는 알려주지 않습니다. 전통적인 OCR 엔진은 "INVOICE TOTAL: $1,250.00"을 문자 문자열 "INVOICE TOTAL: $1,250.00"으로 변환하지만, 이것이 청구서라는 점이나 $1,250.00이 총액이라는 점을 이해하지는 못합니다. 인식된 텍스트를 구조화된 필드로 바꾸는 이 이해 계층은 AI 시대에 들어서야 실용화된 별개의 기술입니다.

OCR이 중요한 이유

OCR은 사실상 모든 문서 자동화 워크플로의 입력 계층이며, 시장도 이를 반영합니다. 글로벌 OCR 시장은 2025년 158억 달러로 평가되었고 2034년까지 481억 달러에 이를 것으로 전망됩니다(IMARC Group, 2025). OCR 이전에는 스캔한 청구서, 양식, 계약서가 모두 이미지에 불과했습니다. 검색도, 편집도 불가능하고 사람만 읽을 수 있었습니다. 미국 의회도서관의 Chronicling America 프로그램은 OCR이 열어주는 규모를 보여줍니다. 1789~1963년 미국 역사 신문 1,600만 페이지 이상을 기계 판독 가능한 OCR 텍스트 레이어와 함께 디지털화하여, 누구나 2세기에 걸친 신문을 키워드로 검색할 수 있게 했습니다(Library of Congress).

OCR이 중요한 두 번째 이유는 정확도 주장이 모호해지는 지점이기 때문이며, 공급업체들은 이 모호함을 일상적으로 악용합니다. 유럽 데이터 보호 위원회(EDPB)의 기술 지침에 따르면 깨끗한 인쇄 문서의 경우 95~99%의 OCR 정확도가 일반적으로 달성 가능하며, 100% 정확도를 제공하는 시스템은 없다고 명시합니다. 정확성을 보장하는 유일한 방법은 사람의 검토입니다(EDPB, 2024). "99% 정확도"라는 주장은 무엇을 측정했는지 알 때만 의미가 있습니다. 깨끗한 인쇄물의 문자인지, 실제 현장의 복잡한 문서의 필드인지에 따라 전혀 다른 수치입니다(정확도 주장 평가에 대해서는 아래 FAQ를 참조하십시오).

OCR의 역사와 발전

OCR은 1914년으로 거슬러 올라갑니다. 물리학자 에마누엘 골드버그가 문자를 읽어 표준 전신 부호로 변환하는 기계를 만들었는데, 이는 가장 초기에 기록된 문자 판독 장치 중 하나입니다. 1920년대 후반과 1930년대에 그는 이를 마이크로필름 아카이브 검색용 "통계 기계"로 개량하여 1931년 미국 특허 제1,838,389호를 받았고, 이 특허는 이후 IBM이 인수했습니다(Wikipedia). IBM은 1959년에 이 용어를 공식화했고 1966년 IBM 1287을 출시했는데, 이는 손으로 쓴 숫자를 읽을 수 있는 최초의 상용 스캐너였습니다(RPA Technologies).

전환점은 1974년에 찾아왔습니다. 레이 커즈와일이 Kurzweil Computer Products를 설립하고 최초의 범용 폰트 OCR을 개발했는데, 이는 거의 모든 폰트로 인쇄된 텍스트를 인식할 수 있는 시스템이었습니다. 1976년 그는 이를 시각 장애인용 판독기로 출시하여 전미 시각 장애인 연합회와 함께 공개했고, 1978년 상용 버전이 뒤따랐으며 1980년 제록스가 이 회사를 인수했습니다(Veriff). 1990년대와 2000년대에 OCR은 대규모 디지털화의 엔진이 되었습니다. 전미 디지털 신문 프로그램과 미국 의회도서관은 OCR을 기반으로 Chronicling America를 구축하여 수천만 페이지의 검색 가능한 신문 페이지를 확보했고, 미국 국립표준기술연구소(NIST)는 1989~1998년 미국 국세청(IRS) 및 미국 인구조사국과 협력하여 자체 OCR 연구 프로그램을 운영하며 1990년과 2000년 인구 조사를 직접 지원했습니다(NIST).

2010년대에는 딥러닝이 등장했습니다. 신경망이 수작업 특징 규칙을 대체하면서 인쇄체 인식 정확도가 90% 후반대로 올라갔고, 필기체 인식도 실용화되었습니다. 2020년대에는 비전-언어 모델(VLM)이 등장했습니다. 이는 시각적 이해와 언어 이해를 결합한 멀티모달 AI 시스템으로, 단일 모델이 텍스트를 읽는 동시에 문서의 구조와 의미까지 파악할 수 있게 해줍니다. GPT-4V에 대한 학술 평가에서는 라틴 문자 텍스트 인식과 표 구조 이해에서 강력한 성능을 보였지만, 다국어 및 복잡한 레이아웃에서는 한계도 드러났습니다. 이는 VLM이 OCR을 단순히 대체하기보다 그 역할을 재편하고 있음을 보여줍니다(SCUT-DLVCLab, 2023).

OCR의 유형

OCR은 하나의 기술이 아니라 네 가지 인식 접근법의 집합체이며, 단순한 것부터 정교한 것 순으로 나열됩니다. IBM과 Coursera 모두 동일한 네 가지 구분을 설명합니다(IBM Think; Coursera):

단순 OCR

저장된 글꼴 템플릿과 문자 단위로 패턴 매칭합니다. 깨끗하고 알려진 글꼴과 표준 인쇄 문서에서는 빠르고 안정적이지만, 학습되지 않은 대상—흔치 않은 글꼴, 손상된 스캔, 필기체—에는 취약합니다.

광학 마크 인식(OMR)

문자가 아닌 마크를 감지합니다. 양식의 채워진 버블, 체크박스, 틱 박스 및 기타 사전 정의된 마크를 인식합니다. 표준화 시험, 설문조사, 투표 집계에 활용되며, 이때 중요한 것은 해당 영역이 채워졌는지 여부이지 그 내용이 아닙니다.

지능형 문자 인식(ICR)

OCR의 머신러닝 변형으로, 필기체 인쇄체(분리된 글자)를 한 번에 하나의 글리프씩 읽으며 고정 템플릿이 아닌 예시에서 학습합니다. 사람 필기의 자연스러운 변형을 처리하지만, 문자 경계가 흐려지는 필기체는 여전히 어렵습니다.

지능형 단어 인식(IWR)

고립된 문자가 아닌 전체 단어나 구문을 단위로 읽으며 문맥을 활용합니다. 특히 개별 글자 경계가 모호하지만 전체 단어는 인식 가능한 필기체에 유용합니다. 네 가지 접근법 중 가장 발전된 방식입니다.

대부분의 실제 문서 처리 스택은 하이브리드 방식입니다. OMR은 체크박스를, 단순 OCR은 깨끗한 인쇄체를, ICR/IWR(또는 최신 AI 모델)은 필기 필드를 처리하며, 이는 종종 동일한 양식에서 이루어집니다.

OCR이 사용되는 분야

OCR은 거의 모든 다른 인식 기술보다 더 많은 산업에 걸쳐 있습니다. 가장 영향력이 큰 다섯 가지 응용 분야는 다음과 같습니다.

  • 매입채무/재무: OCR은 공급업체 인보이스, 구매 주문서, 경비 영수증을 디지털화하여 자동 추출함으로써 인보이스당 몇 시간씩 걸리던 수동 입력을 몇 초로 단축하고 재입력 오류를 줄입니다.
  • 의료: 환자 접수 양식, 의료 기록, 처방전, 보험 청구서를 스캔하여 OCR로 판독함으로써 다시 입력할 필요 없이 전자의무기록과 청구 시스템으로 정보가 흘러 들어갑니다.
  • 법률: 계약 검토와 eDiscovery는 OCR에 의존하여 스캔된 증거 개시 문서를 검색 가능하게 만듭니다. 수백만 페이지에 걸친 키워드 검색은 모든 페이지에 기계 판독 가능한 텍스트 레이어가 있어야만 가능합니다.
  • 물류: 배송 라벨, 추적 번호, 번호판, 컨테이너 코드는 운송 중에 OCR로 판독되어, 사람이 따라잡을 수 없는 벨트 속도로 패키지를 처리하는 분류 및 추적 시스템에 공급됩니다.
  • 은행: 휴대폰으로 입금하는 수표는 계좌 번호, 라우팅 번호, 금액까지 OCR로 처음부터 끝까지 판독되며, 이것이 원격 수표 입금이 작동하는 방식입니다. KYC(고객 확인) 문서 검증도 같은 기술을 사용합니다.
  • 정부 기록 보관소: 인구조사 기록, 부동산 문서, 신문이 대규모로 디지털화됩니다. Chronicling America만 해도 1,600만 페이지가 넘는 OCR 처리된 신문 페이지를 보유하여 수백 년의 역사를 온라인에서 검색할 수 있습니다.
  • 접근성: OCR은 시각 장애인과 저시력 사용자를 위한 텍스트 음성 변환의 판독 레이어입니다. 레이 커즈와일이 1976년 최초의 읽기 기계를 만들 때 기반으로 삼은 바로 그 기술이 오늘날 화면 읽기 프로그램과 읽기 앱의 토대가 되고 있습니다.

흔한 오해

  • 오해: "OCR은 AI이므로 문서를 이해한다."
  • 실제: OCR은 문자를 인식할 뿐 의미를 이해하지는 못합니다. 전통적인 OCR 출력은 맥락 없는 텍스트입니다. 페이지에 "$1,250.00"이 있다는 것은 알려주지만 그것이 청구서 합계라는 것은 알려주지 못합니다. 읽기와 이해는 별개의 기능이며, 이해 계층(구조화 추출)이 바로 현대 AI 시스템이 OCR 위에 추가하는 부분입니다(IBM Think).
  • 오해: "정확도 99%는 문서의 99%가 완벽하게 처리된다는 뜻이다."
  • 실제: "99%"라는 수치는 일반적으로 깨끗한 인쇄 텍스트에 대한 문자 수준 정확도입니다. 문서에는 문자가 많기 때문에 문자 정확도가 99.9%여도 빽빽한 페이지에는 여러 오류가 있을 수 있으며, 문서 추출에서는 청구서 번호나 금액의 문자 하나만 틀려도 해당 필드 전체가 무효가 됩니다. EDPB 지침은 단호합니다. 어떤 OCR 시스템도 100% 정확도를 달성하지 못하며, 유일한 보장은 사람의 검토입니다(EDPB, 2024).
  • 오해: "OCR은 인쇄물을 읽는 만큼 손글씨도 잘 읽는다."
  • 실제: 전통적인 OCR은 인쇄 및 타이핑된 텍스트를 대상으로 하며, 손글씨는 ICR(분리된 손글씨) 또는 IWR(필기체)이 필요한 별개의 문제 영역이고, 그마저도 인쇄 텍스트 정확도에는 미치지 못합니다. 공급업체의 인쇄 문서 정확도 수치는 손글씨 양식을 어떻게 처리하는지에 대해 아무것도 알려주지 않습니다.
  • 오해: "OCR은 최근의 AI 발명품이다."
  • 실제: OCR은 100년이 넘었습니다. 에마누엘 골드버그의 텍스트 판독 기계는 1914년으로 거슬러 올라가며, 상업용 OCR 시스템은 1950년대에 이미 존재했습니다. 새로운 것은 딥러닝이 실제 워크플로를 자동화할 만큼 정확하게 만든 것이며, 기술 자체는 현대 컴퓨팅보다 앞서 있습니다(Wikipedia).

자주 묻는 질문

OCR은 무엇의 약자입니까?

OCR은 광학 문자 인식(Optical Character Recognition)의 약자로, 인쇄되거나 손으로 쓰거나 타이핑한 텍스트의 이미지를 기계가 읽을 수 있는 텍스트로 변환하는 기술입니다. "텍스트 인식"이라고도 합니다.

OCR과 ICR의 차이는 무엇입니까?

OCR은 인쇄 및 타이핑된 텍스트를 읽고, ICR(지능형 문자 인식)은 손글씨를 읽습니다. OCR은 문자를 저장된 글꼴 템플릿과 대조하는 반면, ICR은 머신러닝을 사용해 사람 손글씨의 자연스러운 변형을 해석합니다. 다만 ICR은 분리된 손으로 인쇄한 글자에 작동하며 필기체에는 적용되지 않습니다. 필기체의 경우 관련 방식인 IWR(지능형 단어 인식)이 문맥 속에서 단어 전체를 읽습니다.

OCR의 정확도는 어느 정도입니까?

깨끗한 인쇄 문서의 경우 EDPB 기술 지침에 따르면 95–99%의 OCR 정확도를 일반적으로 달성할 수 있으며, 100%에 도달하는 시스템은 없습니다. 유일한 보증은 사람의 검토입니다(EDPB, 2024). 스캔 품질, 특이한 글꼴, 손글씨, 복잡한 레이아웃에서는 정확도가 급격히 떨어집니다. 깨끗한 인쇄물의 문자 수준 정확도는 실제 문서의 필드 수준 정확도와 다릅니다. 청구서 합계에서 문자 하나만 잘못 읽어도 문자의 99%가 정확하더라도 해당 필드 전체가 틀리게 됩니다.

OCR 정확도 주장은 어떻게 평가해야 합니까?

어떤 정확도 수치든 신뢰하기 전에 세 가지를 물어보십시오. (1) 어느 수준을 측정했습니까? 문자 수준, 단어 수준, 필드 수준인지 확인해야 합니다. 99%라는 문자 수준 주장은 80%의 필드 추출률을 감출 수 있는데, 오류가 가장 중요한 숫자와 코드에 집중되기 때문입니다. (2) 어떤 문서를 테스트했습니까? 깨끗한 디지털 PDF와 구겨진 감열식 영수증은 전혀 다른 수치를 낳습니다. 주장은 귀하의 문서 유형과 연결되어야 합니다. (3) 어떤 조건이었습니까? EDPB는 해상도, 기울기, 대비, 노이즈를 정확도 결정 요인으로 나열합니다(EDPB, 2024). 또한 공급업체가 신뢰도 점수(문자별/필드별 확실성 등급)를 공개하는지, 신뢰도가 낮은 결과를 어떻게 처리하는지 확인하십시오. 검토용으로 표시된 출력이 조용히 틀린 출력보다 더 신뢰할 수 있기 때문입니다.

OCR은 AI와 같은 건가요?

아닙니다. 전통적인 OCR은 패턴 매칭과 특징 규칙에 기반한 인식 기술로, 현대 AI보다 수십 년 앞서 등장했습니다. AI 시대에 달라진 점은 머신러닝(그리고 최근에는 비전-언어 모델)이 손글씨나 복잡한 레이아웃처럼 까다로운 입력에서 OCR의 정확도를 크게 높이고, 인식된 텍스트를 구조화된 데이터로 변환하는 이해 계층을 추가한다는 것입니다. OCR은 하나의 구성 요소이며, AI 기반 문서 이해가 그 위에 구축됩니다.

오늘날 OCR은 어디에 사용되나요?

OCR은 문서 자동화의 수집 계층으로, 송장, 영수증, 양식, 계약서를 이미지에서 검색 가능하고 편집 가능한 기계 판독용 텍스트로 변환합니다. 실제로는 은행의 모바일 수표 입금, 법률 분야의 eDiscovery 검색, 의료 및 정부의 기록 디지털화(Chronicling America의 1,600만 페이지 이상 신문), 물류의 배송 라벨 판독, 접근성을 위한 텍스트 음성 변환 등에 활용됩니다.

출처

  1. IBM Think — "광학 문자 인식(OCR)이란 무엇인가?". IBM의 공식 해설: 정의, 패턴 인식 대 특징 인식 알고리즘, 전처리 파이프라인, 그리고 네 가지 OCR 유형. 정의와 작동 원리 분석의 주요 출처.
  2. Wikipedia — "광학 문자 인식". OCR 정의, 역사(골드버그 1914, 커즈와일 1974, 제록스 1980), 네 가지 유형 분류에 대한 개요. 역사 타임라인과 유형 분류의 주요 출처.
  3. 유럽 데이터 보호 위원회(EDPB) — "AI 가능 위험 및 완화: 광학 문자 인식" (2024). EU 공식 기술 지침: 인쇄 문서에서 일반적으로 달성 가능한 95–99% 정확도, 100%를 달성한 시스템은 없음, 신뢰도 점수 메커니즘, 정확도에 영향을 미치는 요인. 모든 정확도 관련 주장의 주요 출처.
  4. 미국 의회도서관 — Chronicling America 컬렉션. 전미 디지털 신문 프로그램 아카이브: 기계 판독 가능한 OCR 텍스트 레이어가 포함된 1,600만 페이지 이상의 디지털화된 신문 페이지. 디지털화 규모 관련 주장의 주요 출처.
  5. 미국 국립표준기술연구소(NIST) — 광학 문자 인식(OCR) 연구 프로그램. 미국 정부 연구 역사: 1989–1998년 미국 국세청(IRS) 및 미국 인구조사국과 함께한 NIST의 OCR 및 필기 인식 연구. NIST의 OCR 관련 활동에 대한 주요 출처.
  6. SCUT-DLVCLab — "대규모 멀티모달 모델에서 OCR의 숨겨진 미스터리" (2023). 장면 텍스트, 필기, 표 구조, 문서 추출 전반에 걸친 GPT-4V의 OCR 성능에 대한 동료 심사 평가. 비전-언어 모델 시대 관련 주장의 주요 출처.
  7. IMARC Group — 광학 문자 인식 시장 보고서 (2025). 시장 조사: 2025년 시장 규모 $15.8B, 2034년까지 $48.1B 전망. 시장 규모 관련 주장의 주요 출처.
  8. Veriff — "광학 문자 인식(OCR)이란 무엇인가?". 골드버그 1914, 1931년 특허, 커즈와일 1974, 1976년 낭독기를 다루는 역사 서술. Wikipedia 역사 타임라인을 뒷받침.
  9. Coursera — "광학 문자 인식이란 무엇인가?". 네 가지 유형 분류(단순 OCR, OMR, ICR, 지능형 단어 인식)를 확인하는 교육 해설. IBM 유형 분류를 뒷받침.
  10. RPA Technologies — "OCR 기술: 전신 부호에서 AI 지능까지". IBM이 1959년 OCR이라는 명칭을 붙인 것과 IBM 1287(1966)이 필기 숫자를 읽은 최초의 상용 스캐너임을 확인하는 역사 서술. 초기 IBM 역사 관련 주장을 뒷받침.

관련 글: ABBYY 기존 OCR과 최신 AI OCR 비교 · AI가 손글씨를 처리하는 방식과 템플릿 기반 OCR의 차이 · 손글씨 문서를 위한 AI OCR

📮 contact email: [email protected]