沈偉生

摘 要：在互聯(lián)網(wǎng)世界中，圖片是傳遞信息的重要媒介。特別是電子商務、社交、搜索等領域，每天都有數(shù)以億兆級別的圖像在傳播。自然場景就是我們所處的生活環(huán)境，自然場景圖像中存在著大量的文本信息，例如路標信息、商店門店信息、商品包裝信息等。隨著深度學習的發(fā)展，基于深度學習的文本檢測技術也逐漸流行起來。文章主要提出的是基于R2CNN的文本檢測算法。在R2CNN算法的基礎上對算法的結構進行改進，最終算法在ICDAR2015數(shù)據(jù)集上的召回率為87.2%，精確率為81.43%。

關鍵詞：自然場景圖像；文本檢測；R2CNN算法

隨著互聯(lián)網(wǎng)技術以及便捷式移動設備的高速發(fā)展，圖像在許許多多場景中取得廣泛的應用，如通過手機拍攝的照片在微信上發(fā)布來分享自己的生活和工作等，圖像中的文本信息更能直觀地呈現(xiàn)出圖像所表達的內(nèi)容[1]。自然場景就是我們所處的生活環(huán)境，自然場景圖像中的文本多為路標信息、商店門店信息、商品包裝信息等，如圖1所示。這些文本信息也發(fā)揮著很重要的應用，目前主要應用于圖像內(nèi)容識別與檢索、無人駕駛、視覺輔助系統(tǒng)等。因此，自然場景中的文本檢測與識別扮演著越來越重要的角色。

隨著深度學習的快速發(fā)展，自然場景下的文本檢測逐漸得到了國際的重視。國際文檔分析與識別會議（International Conference on Document Analysis and Recognition，ICDAR）每兩年都會舉行一次，會上科研人員分享最新的研究成果。雖然傳統(tǒng)的文檔文本檢測與光學字符識別技術已經(jīng)趨向于成熟，但是自然場景下的文本檢測仍然是一項極具挑戰(zhàn)性的任務，具有的挑戰(zhàn)有：圖像背景的復雜性、場景文本的多樣性、圖像分辨率的不確定性[2]。

1 研究現(xiàn)狀

自然場景下的文本檢測是文本識別的核心前端模塊，檢測結果的好壞直接影響后端的識別效果。目前主流的文本檢測算法都是基于深度學習技術的，主要是對通用的目標檢測框架的針對性改進，使得新改進算法滿足新的需求。

深度學習強大的特征提取能力，使其在目標檢測領域取得出色的檢測效果?；谏疃葘W習的文本檢測算法主要可以分為兩類，一類是基于候選區(qū)域的檢測方法，一類是基于回歸的檢測方法[3]。

基于候選區(qū)域的檢測方法主要代表有：（1）Faster RCNN[4]使用區(qū)域候選網(wǎng)絡（Region Proposal Network，RPN）進行候選框的篩選，再使用了感興趣區(qū)域池化（Region of Interest pooling，ROIpooling）將RPN篩選到的候選框進行一個統(tǒng)一尺度（7×7）的池化，控制輸入全連接層的維度。（2）R2CNN[5]算法是對Faster RCNN算法的改進，RPN篩選得到的候選框進行ROIpooling的時候，不再是一種尺度（7×7），而是多增加了兩種尺度（3×11，11×3），另外增加了一個傾斜框的回歸。

基于回歸的檢測方法的主要代表有：（1）SSD[6]加入了特征金字塔（Pyramidal Feature Hierarchy），在不同感受野的Feature map上設置預置框然后進行分類和回歸，這極大地提高檢測的速度。（2）YOLO[7]首選將圖像劃成等分相同大小的格子，然后對每個格子進行分類和回歸，檢測速度很快，但是精度不高。

2 本文方法

本文是基于R2CNN算法進行改進的，R2CNN算法采用的是預訓練網(wǎng)絡模型的最后一層特征圖輸入RPN網(wǎng)絡，如ResNet101網(wǎng)絡中的C5層，如圖2所示。雖然高層的特征語義比較豐富，但是往往文本目標的位置比較粗糙，常常會造成文本框的定位不準確以及小文本目標被忽略的問題。除此之外，ROIpooling的尺寸過多會造成計算內(nèi)存的溢出，實際情況下實現(xiàn)起來有難度。本文針對R2CNN存在的問題，對R2CNN算法做了如下改進。

（1）算法的輸入不再是特征網(wǎng)絡ResNet101中的C5層，而是將C4層做下采樣操作后和C5層相加得到P1層再輸入RPN1中。除此之外，將C3層做上采樣操作和C2層相加得到P2層再輸入RPN2中。RPN1和RPN2中的scale和ratio的設置也不同。

（2）對ROIpooling的尺寸進行改進，保留原來的7×7尺寸。由于ICDAR2015數(shù)據(jù)集圖像中絕大數(shù)文本是水平長文本，因此，去除原來的11×3豎直的尺寸，將原來水平的尺寸修改為4×12尺寸。

改進后的R2CNN算法步驟如下：

①將C4層做下采樣操作后和C5層相加得到P1層再輸入RPN1中，RPN1中的scale為[256]，ratio為[1，1/2，2，3，1/3，4，1/4，5，1/5，6，1/6，7，1/7，8，1/8]，得到文本候選框Proposals1。

②將C3層做上采樣操作和C2層相加得到P2層再輸入RPN2中，RPN2中的scale為[32]，ratio為[1，1/2，2，3，1/3，4，1/4，5，1/5]，得到Proposals2。

③將①和②中得到的候選框合并（concat）起來得到Proposals。

④此時的損失函數(shù)為：

（1）

（2）

其中：Ncls表示RPN中參與訓練softmax的候選框個數(shù)，Nreg表示RPN中訓練邊界框回歸的候選框個數(shù)，λ是一個平衡參數(shù)。loss_cls是交叉熵損失函數(shù)，loss_reg是平滑的L1損失函數(shù)。

⑤將③得到的Proposals進行ROIpooling操作，ROIpooling的尺寸為7×7和4×12。ROIpooling的操作得到特征圖扁平化（flatten），再輸入全連接操作。

⑥全連接操作后進行softmax分類和兩次回歸，一次是水平回歸，一次是旋轉回歸，水平回歸有助于旋轉回歸。

⑦此時的損失函數(shù)為：

（3）

Lcls（p，t）為交叉熵損失函數(shù)，Lreg（w，w*）為平滑的L1損失函數(shù)，λ1，λ2是平衡參數(shù)，x，y，w，h分別代表候選框的中心點、寬和高，x1，y1，x2，y2，h代表的是候選框順時針方向的兩點坐標和高。

⑧綜上，算法訓練過程的總的損失函數(shù)為：

⑨本文改進的算法結構如圖3所示。

3 實驗與分析

3.1 實驗數(shù)據(jù)

本實驗采用的是ICDAR2015自然場景文本數(shù)據(jù)集，原訓練集圖像為1 000張，通過旋轉數(shù)據(jù)增強，將訓練集擴充至20 000張。

3.2 環(huán)境配置

操作系統(tǒng)：Ubuntu16.04 LTS，CPU：intel7代8700k，內(nèi)存：16G，GPU：GTX1080ti，深度學習框架：Tensorflow-gpu1.2版本。

3.3 參數(shù)設置

本實驗采用的是在ImageNet數(shù)據(jù)集上預訓練的ResNet101模型，訓練的學習率設置為0.000 3，采用固定步長更新學習率，訓練的迭代次數(shù)為10萬次。

3.4 結果分析

評價算法的性能與表現(xiàn)采用的是精確率P和召回率R，公式如下：

4 結語

通過利用多層特征圖的信息，使得文本目標的定位更加精確，也使得小的文本目標能夠被檢測到，極大地提高了R值。多ROIpooling的操作也使得候選框的信息能夠被更多的提取出送入后續(xù)全連接層等操作，這么做使得P值提高。綜上以上的兩個點改進，使得改進后的算法更加具有魯棒性，可以應用于多種自然場景數(shù)據(jù)集（ICDAR2011、ICDAR2013、MSRA-TD500等），并且可以取得可觀的效果。

[參考文獻]

[1]王潤民，桑農(nóng)，丁丁，等.自然場景圖像中的文本檢測綜述[J].自動化學報，2018（12）：2113-2141.

[2]夏勇.基于深度學習的自然場景文本檢測與識別算法研究[D].西安：西安電子科技大學，2017.

[3]方清.基于深度學習的自然場景文本檢測與識別[D].成都：電子科技大學，2018.

[4]REN S，HE K，GIRSHICK R，et al.Faster R-CNN： towards real-time object detection with region proposal networks[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2015（6）：1137-1149.

[5]JIANG Y，ZHU X，WANG X，et al.R2CNN： rotational region CNN for orientation robust scene text detection[J].IEEE Access，2017（7）：126-129.

[6]LIU W，ANGUELOV D，ERHAN D，et al.SSD： single shot multibox detector[C].Crete：European Conference on Computer Vision，2016.

[7]REDMON J，DIVVALA S，GIRSHICK R，et al.You only look once： unified，real-time object detection[J].Computer Vision & Pattern Recognition，2015（6）：67-71.