场景文本部分数据集

---

简介

在场景文本检测与识别中，往往需要大量的数据集，小白通过阅读论文，总结了比较常见的一些数据集。比如：SynthText、ICDAR系列、MSRA-TD500、COCO-Text、RCTW-17、Total-Text、CTW1500等等

一、数据集下载

• RCTW-17
• MSRA-TD500
• Total-Text
• COCO-Text

二、数据集分布

1.RCTW-17

数据集特点

1. 分辨率： 图像分辨率大小不等，小则300+，大则3000+
2. 场景：主要是建筑、标志牌、条幅等带有文字的图像，还有一些截图、室内、证件内照片
3. 文本属性：图像中的文本方向水平、垂直、倾斜均有，绝大多数是水平方向，弯曲方向极少数，文本大小不等，有较多的长文本

标注

• x1,y1,x2,y2,x3,y3,x4,y4,<识别难易程度>,<“文本”>
• x1,y1,x2,y2,x3,y3,x4,y4,<识别难易程度>,<“文本”>
• x1,y1,x2,y2,x3,y3,x4,y4,<识别难易程度>,<“文本”>
• …

x1,y1,x2,y2,x3,y3,x4,y4分别为左上、右上、右下、左下四个坐标，值为像素值
<识别难易程度>以0或1表示，0表示容易识别，即图像中文本清晰可见；1表示很难识别，即图像中文本较小或模糊不清楚。
<“文本”>中如果有不清楚的字符，以#表示；如果文本完全不清楚，很难识别(对应<识别难易程度>=1)，则以"###"表示。

2.MSRA-TD500

数据集特点：

1. 多方向文本检测、大部分文本都在引导牌上、分辨率在1296x864到1920x1280之间
2. 图片中 包含中英文、总共500张自然场景图片(Training 300 + Test 200)、标注以行为单位，而不是单词、每张图片都完全标注. 难以识别的有difficult标注
3. 文本是任意定向的，文本区域是由旋转的矩形注释的，IC15中的文本长得多，因为它们是在行中注释的。

标注

• index, defficult label, x, y, width, height, theta(弧度)

// 一般的深度学习算法，接收的矩形框都是QUAD风格的，即
//x1,y1,x2,y2,x3,y3,x4,y4,text
def rotate(angle, x, y):
    """
    基于原点的弧度旋转

    :param angle:   弧度
    :param x:       x
    :param y:       y
    :return:
    """
    rotatex = math.cos(angle) * x - math.sin(angle) * y
    rotatey = math.cos(angle) * y + math.sin(angle) * x
    return rotatex, rotatey

def xy_rorate(theta, x, y, centerx, centery):
    """
    针对中心点进行旋转

    :param theta:
    :param x:
    :param y:
    :param centerx:
    :param centery:
    :return:
    """
    r_x, r_y = rotate(theta, x - centerx, y - centery)
    return centerx+r_x, centery+r_y

def rec_rotate(x, y, width, height, theta):
    """
    传入矩形的x,y和宽度高度，弧度，转成QUAD格式
    :param x:
    :param y:
    :param width:
    :param height:
    :param theta:
    :return:
    """
    centerx = x + width / 2
    centery = y + height / 2

    x1, y1 = xy_rorate(theta, x, y, centerx, centery)
    x2, y2 = xy_rorate(theta, x+width, y, centerx, centery)
    x3, y3 = xy_rorate(theta, x, y+height, centerx, centery)
    x4, y4 = xy_rorate(theta, x+width, y+height, centerx, centery)

    return x1, y1, x2, y2, x3, y3, x4, y4

3.COCO-Text

数据集特点：

1. 包括63686幅图像（Training 43,686+ Test 20,000），173589个文本实例，包括手写版和打印版，清晰版和非清晰版。文件大小12.58GB

---

4.Total-Text（弯曲文本数据集）

数据集特点：

1. 共1555张图像，11459文本行，包含水平文本，倾斜文本，弯曲文本。文件大小441MB。大部分为英文文本，少量中文文本。训练集：1255张 测试集：300张
2. 弯曲文本，多边形标注，词级注释。

参考：
批量处理total-text数据集格式

---

5.SynthText

数据集特点：

1. 一个合成数据集，大约有80万张合成的图像组成

参考：
数据格式介绍

---

6.ICDAR数据集

数据集特点：
ICDAR2013（水平拉丁语数据集）：

1. 专注于场景中的水平文本，包含229张用于训练的图像和233张用于测试的图像

ICDAR2015（水平拉丁语数据集）：

1. 1000张图像用于训练，500张图像用于测试，标注为单词级别四边形 倾斜文本
2. 均为英文文本，标注使用四边形在词级

ICDAR2017：

1. 多语言文本检测，IC15, IC17中的文本区域也由四边形的4个顶点注释

ICDAR2019（多种语言文本数据集）

---

7.CTW1500数据集

数据集特点：
1.该数据集为任意文本形状的数据集Train：1000张+Test：500张，数据集大约几百兆，每张图片都有自己注释的文本，没有标记文本内容。
2. 注释文本有多少行就代表这张图片有多少个文本框，每行包含32个数字，前四个数字为该弯曲文本在整张图上的矩形框坐标值；剩下的28个值（14个点）为与左上角坐标形成的差值（图像的实例为多边形标注）

标注

总结

以上就是文本检测与识别的常用数据集