连哲，殷雁君，云飞，智敏

（内蒙古师范大学计算机科学技术学院，内蒙古 呼和浩特 010022）

0 引言

文字作为人类语言的书面形式，是人类获取信息和传递信息的重要载体。在自然场景中拍摄的以文字为内容的图像，被称为自然场景文本图像或场景文本图像，在自然场景中出现的大量文字信息对于描述和理解场景内容具有积极作用。自然场景文本检测作为场景内容分析的基础研究，旨在定位输入图像中文本内容的位置，广泛地应用于图像搜索［1］、机器翻译［2］、机器人导航［3］、多媒体检索［4］、工业自动化［5］等场景理解任务。本文立足于深度学习背景下的自然场景文本检测技术，梳理概括目前文本检测的主流方法，着重阐述和讨论目前主流方法存在的优缺点及仿真实验结果和环境设置。

1 基于深度学习的自然场景文本检测

近年来，随着深度学习技术的发展，基于深度学习的场景文本检测方法逐渐成为主流。基于深度学习的自然场景文本检测方法大致可以分为基于检测框的文本检测方法、基于分割的文本检测方法、基于检测框和分割的混合文本检测方法和其他文本检测方法。

1.1 基于检测框的文本检测方法

基于检测框的文本检测方法主要通过检测包围框对自然图像中文本所在区域进行限定。文献［6］提出的目标检测模型（Faster R-CNN）在目标检测领域取得了很好的结果，继而给文本检测领域带来了巨大的突破。基于检测框的文本检测方法根据检测框粒度的不同，分为基于文本区域建议的方法和基于文本组件建议的方法。……