[发明专利]图像倾斜文本行检测模型训练及图像倾斜文本行检测方法

权利要求书

1.一种图像倾斜文本行检测模型的训练方法，其特征在于，包括：

获取训练数据集；其中，所述训练数据集包括多个具有倾斜文本行的目标图像；

基于所述训练数据集，训练基于旋转区域的卷积神经网络RRCNN，得到图像倾斜文本行检测模型；其中，所述RRCNN包括旋转区域提议网络RRPN结构，所述RRPN结构用于生成各个所述目标图像的所述倾斜文本行对应的附带倾斜角度的文本行候选框。

2.根据权利要求1所述的图像倾斜文本行检测模型的训练方法，其特征在于，所述获取训练数据集，包括：

采集多个具有所述倾斜文本行的第一图像；

确定各个所述第一图像的所述倾斜文本行的数据标签；其中，所述数据标签包括所述倾斜文本行所属矩形框的中心坐标、长度、宽度及倾斜角度；

绑定所述第一图像及对应的数据标签，得到所述目标图像。

3.根据权利要求1所述的图像倾斜文本行检测模型的训练方法，其特征在于，所述基于所述训练数据集，训练基于旋转区域的卷积神经网络RRCNN，得到图像倾斜文本行检测模型，包括：

提取所述训练数据集中所述目标图像的图像特征，得到所述目标图像的特征图；

基于所述特征图、预设尺寸比例的锚框及所述倾斜文本行的旋转信息，确定旋转锚框集；

基于预设的倾斜文本行检测准确率，确定所述旋转锚框集中的旋转锚框正样本和旋转锚框负样本；

基于所述旋转锚框正样本和所述旋转锚框负样本，训练所述RRCNN，得到所述图像倾斜文本行检测模型。

4.根据权利要求3所述的图像倾斜文本行检测模型的训练方法，其特征在于，所述基于所述旋转锚框正样本和所述旋转锚框负样本，训练所述RRCNN，得到所述图像倾斜文本行检测模型，包括：

获取目标损失函数；

基于所述旋转锚框正样本、所述旋转锚框负样本及所述目标损失函数，确定所述RRCNN中各层结构的权重参数；

基于所述RRCNN及所述RRCNN中各层结构的所述权重参数，得到所述图像倾斜文本行检测模型。

5.一种基于图像倾斜文本行检测模型的图像倾斜文本行检测方法，其特征在于，所述图像倾斜文本行检测模型是使用权利要求1至4任一项所述的图像倾斜文本行检测模型的训练方法得到的模型，包括：

获取待检测图像；

将所述待检测图像输入所述图像倾斜文本行检测模型，输出文本行检测结果。

6.根据权利要求5所述的图像倾斜文本行检测方法，其特征在于，所述将所述待检测图像输入所述图像倾斜文本行检测模型，输出文本行检测结果，包括：

提取所述待检测图像的图像特征，得到所述待检测图像的特征图；

基于所述特征图、预设的多个不同尺寸比例的锚框及所述待检测图像中倾斜文本行的旋转信息，确定多个不同尺寸比例的旋转锚框；

基于任一旋转锚框，确定所述任一旋转锚框的文本行候选框；

针对多个所述文本行候选框进行筛选和映射，得到目标特征图；

基于预设的激活函数，针对所述目标特征图进行文本行检测框的回归和分类，输出所述文本行检测结果。

7.一种图像倾斜文本行检测模型的训练装置，其特征在于，包括：

获取模块，用于获取训练数据集；其中，所述训练数据集包括多个具有倾斜文本行的目标图像；

训练模块，用于基于所述训练数据集，训练RRCNN，得到图像倾斜文本行检测模型；其中，所述RRCNN包括RRPN结构，所述RRPN结构用于生成各个所述目标图像的所述倾斜文本行对应的附带倾斜角度的文本行候选框。

8.一种基于图像倾斜文本行检测模型的图像倾斜文本行检测装置，其特征在于，所述图像倾斜文本行检测模型是使用权利要求1至4任一项所述的图像倾斜文本行检测模型的训练方法得到的模型，包括：

获取模块，用于获取待检测图像；

输出模块，用于将所述待检测图像输入所述图像倾斜文本行检测模型，输出文本行检测结果。