方承志，火兴龙，程宥铖

南京邮电大学 电子与光学工程学院，南京210023

文本作为人类沟通和信息交流的主要载体，广泛地存在于自然场景图像中，例如商铺招牌、道路标志、产品包装等都含有大量文本。相较于图像中的其他自然场景内容，例如树木、行人、建筑等，自然场景文本（scene text）具有更丰富且明确的高层语义信息和更强的描述能力，因而准确地检测并识别图像中的文本将有助于场景内容的分析与理解。随着计算机图形处理能力的显著提升和互联网的高速发展，自然场景文本检测技术在许多场景中都有着广泛的应用，例如文档分析[1]、图像检索[2-3]、智能交通[4-5]等，因而该技术在计算机视觉领域正逐渐成为近年研究与应用的热点。

目前自然场景文本检测算法大致可分为两类，一类是基于字符检测的传统算法，另一类算法则基于近年来兴起的深度学习。传统算法主要沿用两条技术路线，基于连通成分（connected component）分析的算法和基于滑动窗口（sliding window）分类的算法。传统算法一般涉及多个处理步骤，为了让各部分相互协同工作，需要在参数调整和启发式规则（heuristic rules）设计方面付出大量努力。此外，步骤较多且计算量大导致其速度较慢，效率不高。基于深度学习的算法也主要沿用两条技术路线，基于位置回归（location regression based）的算法和基于分割（segmentation based）的算法。不同于传统算法的手工设计特征（handcraft feature），深度学习网络组合浅层特征形成抽象深层特征，特征语义信息丰富且表达力强。此外，端到端的模型结构训练过程简单高效且检测效率高。……