基于Faster-rcnn及FCN的中文OCR文本定位

启发

光学字符识别（Optical Character Recognition, OCR）是指对文本资料的图像文件进行分析识别处理，获取文字及版面信息的过程。一般分为两个步骤：文字定位，即找到文字在图片中的位置；文字识别，即识别出找到的文字。文字定位也可能包含一些二值化，矫正的步骤。

文字定位常见的算法MSER +SVM或者MSER + CNN，是一种自底向上的方法：首先产出大量MSER区域，进而用SVM或者CNN进行二分类过滤掉非文字区域，最后合并文字区域产生文字区域。这种方法一方面产生大量候选MSER区域，另一方面，文字合并中考虑到中文特殊的左右，上下结构，过程会非常复杂，结果难以把控。

受启发于ImageNet比赛中的Image Classification任务，能否将Faster-rcnn 以及FCN 算法应用于OCR*的文本定位过程中。答案应该时肯定的。现在相当于进行一个只有两类的Image Classification，一类是图片背景，另一类则是文本行。不在像MSER那样把字切碎了，在合并起来。而是直接找到一整行文字。这就是它的优势所在。

之所以选择Faster-rcnn和FCN算法，一方面它们是目前效果比较好的算法，另一方面它们代表了两种不同的思路：Faster-rcnn是以 bounding box为训练目标，FCN则是一种逐像素labelling的方法。在给出实验结果之前，比较一下这两种算法。

Faster-rcnn

Faster-rcnn的思想在于利用神经网络中conv + pooling并没有