基于分割的自然场景下文本检测方法与应用*

陈小顺，王良君

(江苏大学 计算机科学与通信工程学院，江苏 镇江212013)

0 引言

视觉图像是人们获取外界信息的主要来源，文本则是对事物的一种凝练描述，人通过眼睛捕获文本获取信息，机器设备的眼睛则是冰冷的摄像头。 如何让机器设备从拍照获取的图像中准确检测识别文本信息逐渐为各界学者关注。

现代文本检测方法多为基于深度学习的方法，主要分为基于候选框和基于像素分割的两种形式。本文选择基于像素分割的深度学习模型作为文本检测识别的主要研究方向，能够同时满足对自然场景文本的精确检测，又能保证后续设备功能(如语义分析等功能)的拓展。

1 基于像素分割的文本检测方法

1.1 PixelLink 算法原理

PixelLink[1]算法训练FCN[2]预测两种分类：文本与非文本像素、像素间连接关系。 数据集中的文本框内像素整体作为文本像素，其他为非文本像素。与九宫格类似，每个像素的周围有8 个相邻的像素，对应有8 种连接关系。 文本与非文本像素之间的值为负，文本与文本像素之间的值为正，非文本像素之间的值为零。 将值为正的像素与相邻8 个像素之间的连接关系连通成一片分区，每个连通区则代表分割出的文本区。 最后通过OpenCV中的minAreaRect 方法直接得到文本区的最小外接矩形边界框。

1.2 文本检测网络模型设计

改进后网络模型如图1 所示，通过Mask map 连接。在原有VGG16[3]网络模型每个池化层后增加图2 中SE Block[4]以获取每个特征通道的权重，提升有用特征并抑制低效特征通道。……