王大千， 崔荣一， 金璟璇

延边大学工学院，吉林延吉133002

在场景图像中通常包括较多的文本，这些文本信息具有比图像更丰富的语义信息，能够帮助理解场景内容.对场景图像中的文本进行检测是指在给定的图像中找出文本所在位置，并准确定位出文本区域即单词或文本行.文本检测技术在车牌定位、盲人辅助系统、图像搜索等领域有着广泛应用[1].虽然自然场景下的文本检测问题具有极大的研究价值，但自然场景本身具有很多复杂多变的因素，例如背景复杂、模糊、受到不同光照等情况；而且文字本身也具有多样性，例如不同颜色、大小、形状、方向以及不同语言混合的文本情况，这些都给文本检测增加了更多的技术难题.

目前，针对自然场景的文本检测技术主要分为3 类：基于滑动窗口的方法、基于连通域的方法以及深度学习的方法.基于滑动窗口的方法是指通过滑动窗口在文本图像上滑动，提取一系列如局部二值模式（local binary pattern, LBP）、方向梯度直方图（histogram of oriented gridients, HOG）等特征后再设计分类器，找到最有可能存在文本的区域.但滑动窗口的过程会带来很高的计算成本，从而影响检测效率；如果图像中存在不同大小的文本，则需要利用多尺度滑动窗口对图像进行处理，这进一步增加了计算的复杂度.基于连通域的方法是把文本看作是独立的字符区域，根据事先设计的颜色、边缘等特征形成大量的字符候选连通区域，再利用分类器得到最终结果……