孟月波，金 丹，刘光辉，徐胜军，韩九强，石德旺

（西安建筑科技大学 信息与控制工程学院，陕西 西安 710055）

1 引 言

图像中的文本信息可以传达丰富而准确的高层语义信息，具有高度的概括性和抽象的描述能力，是理解图像场景内容的重要线索。自然场景文本检测技术使用边界框精确捕捉与定位场景中的文本实例，在智能交通、基于内容的图像/视频检索以及可穿戴/便携式视觉系统等诸多领域具有重要的应用［1-2］。

深度神经网络因其具有较强的深层次特征提取能力以及非线性拟合能力，相较于传统文本检测方法，能够较好地解决复杂自然场景下的文本图像到文本位置和文本内容的映射问题［3］，并且已取得了诸多的研究成果。按照文本目标的排列方向不同，这些方法可以分为水平方向文本检测方法［4］、倾斜方向文本检测方法［5-11］、弯曲文本乃至任意方向文本检测方法［12-16］。文献［4］针对水平方向文本首次利用垂直锚点回归机制得到固定宽度的竖直矩形文本区，通过卷积神经网络和循环神经网络联合预测文本的位置和类别，最终定位水平文本行；但垂直锚点结构的设计，使得该方法无法检测倾斜文本。文献［5］利用局部信息连接文本行切片，实现倾斜文本检测；但信息的切片与连接过程会引入一定的误差，影响检测精度。为降低中间步骤对性能的影响，文献［8］直接 通 过 全 卷 积 网 络［17］（Fully Convolutional Net‐works，FCN）产生文本框的预测，实现了端到端的训练和优化；但受感受野限制，对较长文本框检测效果欠佳。……