王德青，吾守尔·斯拉木，许苗苗

1.新疆大学 信息科学与工程学院，乌鲁木齐 830046

2.新疆大学 新疆多语种信息技术重点实验室，乌鲁木齐 830046

1 引言

文字作为人类文明的标志，是记录思想、文化和历史的载体，是信息交流的途径，也是人类感知世界的重要手段。文字是不同于普通视觉元素的信息来源，可以和其他视觉元素信息形成互补。文字中包含的高层语义，使得场景信息可以被高效地利用，这对理解图像具有非凡的学术意义。自然场景中的图像通常包含丰富的文字信息，对分析和理解场景图像的内容有着重要作用。当前，随着互联网的快速发展，越来越多的领域需要利用图像中的文字信息[1]。

光学字符识别（Optical Character Recognition，OCR）[2]技术是指运用电子设备对图像中的文字进行检测，然后识别出图像中的文字内容。场景文字识别（Scene Text Recognition，STR）[3]是在自然场景中图像分辨率低、背景复杂、字体多样等情况下，将图像信息转化为文字序列的过程。当前，很多人定义OCR 技术不仅包括传统意义上对简单二值图像中的的文字识别，还包括复杂的自然场景图像中的文字检测和识别。近年来，OCR 技术的应用使得人们工作与生活的效率大幅提升，OCR技术也是当前计算机视觉领域的热点研究方向。近年来，图像里的文本检测与识别技术发展迅速，但是由于受到识别文本的语种、数据集的大小及公开时间等限制，场景图像文字检测识别技术目前尚不能满足实际应用中的需求，为此该技术的应用前景非常广阔。……