Extremal Region(极值区域)文本定位与识别法－学习笔记（一）

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，2^N（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2^N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。