基于改进EAST的场景文本检测算法*

李玥束 鑫常锋

（江苏科技大学计算机学院 镇江 212003）

1 引言

自然场景图像中的文本包含着重要的信息，对图片中的文字进行检测可以帮助人们理解不同的场景环境。如交通标志上的文字信息能够为司机提供更加准确的路况信息；商品包装上的文字信息能够准确认识商品的种类和生产日期。但某些自然场景中的字符具有方向倾斜、字体模糊等问题，快速准确地在复杂背景中检测文字仍面临着巨大的挑战。因此，国内外学者通过大量的实验和研究，提出了许多自然场景文本检测方法。

传统的场景文字检测方法主要依靠手工设计特征。Epshtein等［1］利用笔画宽度变换（Stroke Width Transform，SWT）提取文本边缘像素，得到候选文本区域；Neumann等［2］通过最大稳定极值区域（Maximally Stable Extremal Region，MSER）算法搜索候选字符特征，然后根据自定义规则或分类器将提取的特征组合成单词或者文字区域。这两种方法效率相对较高，但在光照不均匀的情况下表现力较差。Louloudis等［3］利用文本行之间上下边缘平行或对称的性质，实现了对文本候选框的有效检测。Meng等［4］提出了一种通过边缘融合和边缘分类两个步骤提取自然场景文本的方法，通过边缘检测算法分割图像，然后合并有相似笔划宽度和颜色的边缘，准确率较高。但这些方法在精度和适应性方面都落后于近年来出现的深度神经网络方法［5～7］，特别是在处理低分辨率、几何失真等具有挑战性的场景时，图片中的文本被复杂背景干扰，加大了文字检测的难度。……