短边顶点回归网络:新型自然场景文本检测器

游洋彪，石繁槐

(同济大学 电子与信息工程学院，上海 201804)

近年来，自然场景图像中的文本检测成为了计算机视觉领域的一个研究热点。自然场景图像文本检测在图像检索、定位导航、盲人辅助、数据录入等领域具有重要的实用价值。自然场景图像背景千变万化，并且自然场景图像文本具有大小和长宽比变化剧烈、多方向等特点；此外，与一般目标检测不同的是，文本目标框可能使用水平矩形、四边形、旋转矩形，甚至是多边形等形式进行精确表达，所以自然场景图像文本检测一直是一个难点问题。

通用目标检测(generic object detection)[1]，定位图像上预先定义类别的目标实例的位置，检测结果通常以外接矩形框的形式呈现，不同于专用目标检测只适用于一种或一些类别，通用目标检测适用于广泛的类别，典型方法有Faster R-CNN[2]、SSD[3]等。随着深度学习技术的迅速发展，通用目标检测性能得到了显著的提升。很多学者在通用目标检测方法的基础上提出了许多自然场景文本检测方法。这些方法可以大致分为两类：间接回归方法与直接回归方法。间接回归方法，通常借鉴Faster R-CNN[2]、SSD[3]等目标检测方法，预先设定一些锚(anchor)或先验框(default box)，利用卷积神经网络判定它们是否与文本区域高度重叠并调整它们的大小和位置以准确定位文本。然而自然场景中的文本方向多变，大小、长宽比变化剧烈，为了使预设的锚或先验框能与文本区域高度重叠，很多方法增加了多种方向、多种大小及多种长宽比的预设框，但这无疑增加了方法的复杂度与计算量。……