现有的文本检测方法主要有两大类,一种是基于回归框的检测方法(基于物体检测的方法),如CTPN,EAST,这类方法很难检测任意形状的文本(曲线文本), 一种是基于像素的分割检测器(基于实例分割的方法),这类方法很难将彼此非常接近的文本实例分开,包括PSENet。
1.概述
在2015年Faster R-CNN在物体检测上提供了非常好的算法框架。所以用深度学习的思想解决场景文字检测自然而然的成为研究热点。
Faster R-CNN做目标检测步骤:
- 基础网络做特征提取;
- 特征送入RPN做候选框提取;
- 分类层对候选框内物体进行分类,回归层对候选框的(x,y,w,h)进行精细调整。
详细介绍看这里:https://zhuanlan.zhihu.com/p/31426458
对比发现,场景文字检测和物体检测存在显著的不同之处:
- 文本大多数以长矩形形式存在,即长宽比一般较大或较小,这与普通的目标检测中的物体不一样
- 场景文字检测有明显的边界,例如Wolf 准则 [2],而物体检测的边界要求较松,一般IoU为0.7便可以判断为检测正确;
- 场景文字检测有明显的序列特征&#