【ECCV2016】Detecting Text in Natural Image with Connectionist Text Proposal Network

关键点

• 文本检测和一般目标检测的不同——文本是一个sequence（字符、字符的一部分、多字符组成的一个sequence），同一文本线上不同字符可以互相利用上下文，可以用sequence的方法。比如RNN来表示。作者认为，预测文本的竖直位置（文本bounding box的上下边界）比水平位置（文本bounding box的左右边界）更容易。

• Top-down（先检测文本区域，再找出文本线）的文本检测方法比传统的bottom-up的检测方法（先检测字符，再串成文本线）更好。自底向上的方法的缺点在于没有考虑上下文，不够鲁棒，系统需要太多子模块，太复杂且误差逐步积累，性能受限。
  

• RNN和CNN的无缝结合可以提高检测精度。CNN用来提取深度特征，RNN用来序列的特征识别，二者无缝结合，用在检测上性能更好。

检测流程

• • 用VGG16的前5个Conv stage得到feature map(W*H*C)
  • 在Conv5的feature map的每个位置上取3*3*C的窗口的特征，这些特征将用于预测该位置k个anchor对应的类别信息、位置信息。
  • 将每一行的所有窗口对应的3*3*C的特征输入到RNN（BLSTM）中，得到W*256的输出
  • 将RNN的W*256输入到512维的fc层
  • fc层特征输入到三个分类或者回归层中。
  • 用简单的文本线构造算法，把分类得到的文字的proposal合并成文本线

Fig. 1: (a) Architecture of the Connectionist Text Proposal Network (CTPN). We densely slide a 3×3 spatial window through the last convolutional maps (conv5 ) of the VGG16 model [27]. The sequential windows in each row are recurrently connected by a Bi-directional LSTM (BLSTM) [7], where the convolutional feature (3×3×C) of each window is used as input of the 256D BLSTM (including two 128D LSTMs). The RNN layer is connected to a 512D fully-connected layer, followed by the output layer, which jointly predicts text/non-text scores, y-axis coordinates and side-refinement offsets of k anchors. (b) The CTPN outputs sequential fixed-width fine-scale text proposals. Color of each box indicates the text/non-text score. Only the boxes with positive scores are presented. 

方法细节

• Detecting Text in Fine-scale proposals

  • k个anchor尺度和长宽比设置：宽度都是16，k = 10，高度从11~273（每次除于0.7）
  • 回归的高度和bounding box的中心的y坐标如下，带*的表示是groundTruth，带a的表示是anchor

• • score阈值设置：0.7 （+NMS）
  • 一般的RPN和采用本文的方法检测出的效果对比

• Recurrent Connectionist Text Proposals

  • RNN类型：BLSTM（双向LSTM），每个LSTM有128个隐含层
  • RNN输入：每个滑动窗口的3*3*C的特征（可以拉成一列），同一行的窗口的特征形成一个序列
  • RNN输出：每个窗口对应256维特征
  • 使用RNN和不适用RNN的效果对比，CTPN是本文的方法（Connectionist Text Proposal Network）

• Side-refinement

  • 文本线构造算法（多个细长的proposal合并成一条文本线）
    • 主要思想：每两个相近的proposal组成一个pair，合并不同的pair直到无法再合并为止（没有公共元素）
    • 判断两个proposal，Bi和Bj组成pair的条件：
      1. Bj->Bi， 且Bi->Bj。（Bj->Bi表示Bj是Bi的最好邻居）
      2. Bj->Bi条件1：Bj是Bi的邻居中距离Bi最近的，且该距离小于50个像素
      3. Bj->Bi条件2：Bj和Bi的vertical overlap大于0.7
  • 固定要regression的box的宽度和水平位置会导致predict的box的水平位置不准确，所以作者引入了side-refinement，用于水平位置的regression。where x_side is the predicted x-coordinate of the nearest horizontal side (e.g., left or right side) to current anchor. x^∗ side is the ground truth (GT) side coordinate in x-axis, which is pre-computed from the GT bounding box and anchor location. c^a_x is the center of anchor in x-axis. wa is the width of anchor, which is fixed, w_a = 16 
    

• • 使用side-refinement的效果对比

实验结果

• 时间：0.14s with GPU
• ICDAR2011，ICDAR2013，ICDAR2015库上检测结果

 

总结与收获点

• 本文的方法最大亮点在于把RNN引入检测问题（以前一般做识别）。文本检测，先用CNN得到深度特征，然后用固定宽度的anchor来检测text proposal（文本线的一部分），并把同一行anchor对应的特征串成序列，输入到RNN中，最后用全连接层来分类或回归，并将正确的text proposal进行合并成文本线。这种把RNN和CNN无缝结合的方法提高了检测精度。