[发明专利]一种字符级文本检测方法、装置、计算机设备及存储介质

说明书

本发明公开了一种字符级文本检测方法、装置、计算机设备及存储介质，方法包括：基于残差学习的下采样特征提取，采用U‑Net的连接方式与上采样建立连接并进行特征图的解码，通过一系列卷积层输出像素点处于字符中心概率和像素点处于字符间间隙的概率，采用弱监督学习方法进行网络训练，生成文本框。本发明只需要关注字符级别的内容而不需要关注整个文本实例，同时可以解决由于网络深度增加出现的退化问题，泛化能力较强，同时提高了文本区域的精准分割和计算效率。

技术领域

本发明涉及文本检测技术领域，特别涉及一种字符级文本检测方法、装置、计算机设备及存储介质。

背景技术

随着互联网的发展以及智能手机、数码相机等移动终端的普及，海量的图像不断涌现出来，尤其是自然场景中的图像，其中的文本信息不仅是对场景的重要补充，也是场景理解非常重要的线索。因此，自然场景图像中的文本检测已经成为了近年的研究热点之一，其应用十分广泛，例如人机交互、图像搜索、工业自动化和车牌识别等等。

场景文本检测是场景文本识别中重要的一步，也是一个具有挑战性的问题。不同于一般的目标检测，场景文本检测的主要挑战在于自然场景图像中的文本具有任意方向、小的尺寸、以及多种宽高比等特点。换句话说，文本长度、模式变化大和复杂背景构成了文本精确检测的主要挑战。因为文本检测通常需要更高的定位精度，所以很难将通用目标检测系统直接应用于场景文本检测。

在通用目标检测中，每个目标都有一个明确的封闭边界，而在文本中可能不存在这样一个明确定义的边界，因为文本行或单词是由许多单独的字符或笔划组成的。同时由于文档、报纸和票据存在的折叠卷曲现象，增加了拍摄得到的图像在后期文字检测与识别上的难度。因此文本是一个细粒度的识别任务，需要克服复杂背景影响进行正确的检测，覆盖文本行或字的整个区域。对于传统的光学字符识别技术，已经有了相当成熟的解决方案，在处理文档文本方面取得了令人瞩目的成果。但自然场景图像中的文本检测与识别技术还不能满足实际应用需求。

在大数据驱动应用的背景下，随着计算机硬件性能的提高，基于深度学习的目标检测和图像分割算法冲破了传统算法的瓶颈，成为当前计算机视觉领域的主流算法，而场景文字检测任务受到目标检测和图像分割算法发展的影响，近年来也有了极大的突破。目标检测任务，既要识别出图中物体的类别，又要知道物体的位置。基于深度学习的目标检测方法可分为两大类：一类是基于目标候选区域的算法，如R-CNN(Region-CNN，第一个成功将深度学习应用到目标检测上的算法)；另一类是基于回归方法的算法，不需要产生候选区域，直接得到物体的类别概率和位置坐标，如YOLO(YouOnlyLookOnce，基于深度神经网络的对象识别和定位算法)。但上述现有的检测方法，其泛化能力、效率和准确性方面都有待提高。

发明内容

本发明的目的是提供一种字符级文本检测方法、装置、计算机设备及存储介质，旨在解决现有文本检测方法泛化能力较弱、效率和准确性方面都有待提高的问题。

第一方面，本发明实施例提供一种基于残差学习的字符级自然场景文本检测方法，其包括：

将大小为w×h的原始图像输入至一个卷积层进行卷积，输出大小为w/2×h/2的特征图；

将所述大小为w/2×h/2的特征图输入至最大池化层进行降维，输出大小为w/4×h/4的特征图；

将所述大小为w/4×h/4的特征图输入至第一瓶颈残差模块进行卷积和特征提取，然后将输出输入至第二瓶颈残差模块进行卷积和特征提取，然后将输出输入至第三瓶颈残差模块进行卷积和特征提取，然后将输出输入至第四瓶颈残差模块进行卷积和特征提取，最终通过第四瓶颈残差模块输出大小为w/32×h/32的特征图；

将所述第四瓶颈残差模块输出的特征图输入至第一上采样模块进行上采样，输出大小为w/16×h/16的特征图；