赵 凡，张 琳，闻治泉，杨林林，蔺广逢

西安理工大学 印刷包装与数字媒体学院 信息科学系，西安 710048

近年来，自然场景文字信息提取已越来越广泛地用于多语言翻译、自主导航、信息检索、产品识别和对象识别中。文字提取主要包括文本检测和文本识别两个环节，作为文本识别的重要前提，文本检测在很大程度上吸引了众多学者和行业研究人员的关注，近几十年来已经取得了许多可喜的成果。在早期的研究中连接成分分析（CCA）主要用于场景图像中的文字检测，代表性的方法是笔划宽度变换（SWT）[1]和最大稳定极值区域（MSER）[2]，对于譬如ICDAR2013[3]聚焦良好的数据集检测性能很好，然而，由于手动特征的局限性，这些方法不适用于更具挑战性的数据集ICDAR2015[4]和MSRA-TD500[5]。随着卷积神经网络（CNN）的兴起，许多基于深度学习的方法在文本检测方面取得了令人瞩目的改进，然而，一方面由于文字在场景中呈现的多样性，另一方面由于深度网络设计的复杂性和对训练数据的依赖性，研究高精度、实时性和强泛化性的文字信息提取方法仍然是一个研究热点问题。

基于深度学习的文字检测方法大致可以分为自上而下、自下而上和端到端的方法。

自顶向下的方法也被称为基于回归的方法[6-15]，通常采用流行的目标检测器在单词或行级注释的监督下对文字所在的矩形、四边形或多边形进行位置回归。YOLO、SSD和Faster R-CNN是最具代表性的通用目标检测方法，在文本检测任务上也取得了很好的效果[6]。……