杨锶齐，易尧华，汤梓伟，王新宇

武汉大学 印刷与包装系，武汉430079

自然场景图像含有丰富的文本信息，准确检测到图像中的文本信息有助于正确理解图像内容。传统文本检测方法主要基于连通域分析[1]和纹理特征分析[2]，人工痕迹较重、适用范围较窄。近年来，基于深度学习的自然场景文本检测[3-4]方法发展迅速，广泛应用于图像/视频检索[5]、智能导航无人驾驶[6]等领域，并成为当下研究热点之一。自然场景文本检测方法主要存在以下三方面挑战：（1）图像文本形式多样，具有不同颜色、字体、大小、形状；（2）自然场景图像背景复杂，存在类文本目标如栅栏或窗户等；（3）自然场景图像中文本上存在光照不均匀、噪声等干扰因素。

为了应对上述挑战，大量基于深度学习的自然场景文本检测方法被提出。其中，基于Faster R-CNN[7]的自然场景文本检测方法检测速度快、精度高、具有较好的稳定性。此类方法利用CNN网络进行特征提取，通过预设数量固定、尺度不同、长宽比不同的anchor，生成包含文本的感兴趣区域（ROIs），最后进行回归和分类计算，得到文本检测结果。在此基础上，Tian等[8]提出CTPN自然场景文本检测方法。首先，由RPN提取固定宽度为16像素的子文本区域，再将子文本区域的特征送入循环神经网络得到一系列子文本信息，最后合并得到最终文本检测结果。Prasad等[9]以Faster R-CNN为基础，串联文字载体目标检测网络与文本检测网络，利用文字载体信息辅助定位文字，文本检测效果达到先进水平。此外，在anchor的研究中，Liao等[10]提出的自然场景文本检测方法TextBoxes，为适合文本检测，重新设计anchor的长宽比为1、2、3、5、7、10提高了文本检测的召回率。……