施漪涵, 仝明磊

(上海电力大学 电子与信息工程学院, 上海 200090)

文字作为人类交流思想、传承文化的重要媒介,从古至今一直发挥着重要的作用。利用文字所包含的高级语义,可以更有效地利用场景信息,提高文字检测的精度。

现有的文字检测方式主要分为3类:传统区域建议方法、基于目标检测方法以及基于图像分割检测方法[1]。传统区域建议方法包括滑动窗口方法和连通域方法,在环境背景复杂和噪声污染的情况下,效果较差。因此,相关学者将深度学习引入文字检测领域,利用大量的数据进行学习训练,并通过不断迭代和调整权重,提取更多有用的特征[2]。基于目标检测方法的主要思路是将文字区域作为一项特殊的目标检测,一般先在图像上提取多个候选区域,然后再通过分类器对候选区域进行分类筛选,最后再对其进行精修。通常在提取多个候选区域时较为耗时。基于目标检测的方法,在Faster R-CNN[3-4]后,SSD[5]和YOLO[6]等网络结构被相继提出。基于图像分割检测方法通常利用卷积神经网络提取图像中的特征,再对图像进行像素级的文字/背景的标注,能较好地检测倾斜文字及不规则文字,且避免受文字区域框长宽比变化的影响。ZHANG Z等人[7]将文字区域作为一个特殊的分割目标,首次提出利用全卷积网络从像素层面对图像进行处理,而后PixelLink[8],Inceptext[9],PSENet(Progressive Scale Expansion Network)[10]等基于实例分割的网络结构被相继提出。

为了进一步优化文字检测领域的算法和网络,本文主要在学习PSENet网络的基础上,进一步优化评判指标,将改进后的PSENet对自然场景中的文字进行检测,通过标准文字数据集的实现对比进行结果分析,证明此算法的可行性。……