边 亮 屈亚东 周 宇

①(北京航空航天大学电子信息工程学院 北京 100191)

②(中国科学技术大学信息科学技术学院 合肥 230026)

1 引言

自然场景文本检测任务旨在定位自然场景中文本区域的位置，其在智能交通系统、可穿戴翻译装备、视觉辅助系统等智能系统中有着广泛的应用，近年来成为研究者关注的热门话题之一。然而由于自然场景环境的复杂性，文本图像的检测可能受到形状模糊、光照不均等影响，使得自然场景文本检测技术的发展相较于传统文档检测技术更加困难。

传统文本检测技术[1-3]依赖于人工设计的文本特征以及一些文本的先验信息，如纹理、笔画宽度等。这些方法主要分为基于滑动窗口及基于联通组件的方法，它们的精度低、速度慢。近年来，基于深度学习的方法在文本检测中占据了主要地位。在深度学习发展的早期，文献[4]首先采用MSER方法获取候选文本组件，文献[5]通过训练字符分类器生成文本显著性图。这些算法仍一定程度依赖于人工设计的特征。随着目标检测和语义分割方法的发展，目前的文本检测方法得到了很大的改进，主要分为基于分割的方法和基于回归的方法。

基于分割的方法针对输入图像生成像素级标签。文献[6]通过分辨属于不同文本实例的链接来定位文本区域位置。文献[2]提出了一种新的文本表征方式适用于曲形文本。文献[7]从最小分割图开始扩充像素直至最大的分割图结束，获取文本连通区域，但非常耗时。……