最近做一个计算机视觉的项目,要将其中复杂场景中的文本识别率从92%进一步提升,挑战很大也很有意思。边阅读一些最新的文本定位与识别的论文,边在这里记下阅读笔记与翻译内容,慢慢研究。本人英语与专业水平有限,仅供学习参考,欢迎交流,请多指教。
Reference:Real-TimeScene Text Localization and Recognition Luk´aˇsNeumann Jiˇr´ı Matas 2012 IEEE
一:引言
现实场景的文本定位与识别是很多计算机视觉应用的关键部分。比如通过文本内容来搜索图片、在地图应用(如谷歌街景)中读取商标,或者辅助视觉障碍人员。
在图像中进行文本定位,是一项潜在计算代价非常高的任务,通常一个有N个像素的图像,2N(每个像素都有2种可能:选取做为像素子集中的像素或不选取,所以有2N个像素子集)个像素子集中任何一个都可能是符合的文字图像。文本定位处理这一难点时,采用了两种不同的方法:
(1) 用滑动窗口来将这种搜索限制在图像矩形的子集中,这将检测文字出现的子集数减少到cN(c是常数值,单尺度、单旋转方法时,c小于1;多尺度、多旋转、多倾斜等方法处理时c大于1)。
(2) 假定属于同一字符的像素有相似性质,则可以用连通域分析的方法,把像素分组成不同区域,以此来找到单独的字符。连通域分析根据用到的属性(颜色、笔划宽度等)而不同。
优点:其复杂性不依赖于文本的属性(尺度范围,方向,字体),而且它提供了可供OCR步骤中利用的分割。