基于Adaboost的場(chǎng)景文本定位研究.pdf

1、隨著多媒體網(wǎng)絡(luò)技術(shù)的發(fā)展，大量場(chǎng)景圖片進(jìn)入了人們的學(xué)習(xí)、生活和工作當(dāng)中，場(chǎng)景中的文本信息作為一種重要的語(yǔ)義信息，對(duì)場(chǎng)景的理解、分析和檢索有著重要的作用。因?yàn)樽匀粓?chǎng)景中文本的顏色五顏六色，字體大小不一，這使得場(chǎng)景中的文本定位比起傳統(tǒng)文檔文本定位更加具有復(fù)雜性，因此場(chǎng)景中的文本定位成為了計(jì)算機(jī)視覺(jué)中的重要研究課題。本文在研究和總結(jié)近10年國(guó)內(nèi)外文本定位方法的基礎(chǔ)之上，對(duì)場(chǎng)景文本定位進(jìn)行了深入研究，提出一種基于Adaboost的場(chǎng)景文本定位方

2、法，主要包含圖像的預(yù)處理、生成候選文本區(qū)域、特征提取和候選文本區(qū)域的分類四部分。
　　在預(yù)處理階段，通過(guò)實(shí)驗(yàn)比較了灰度化處理的三種方法，最大值法、平均值法和加權(quán)平均值法，并對(duì)實(shí)驗(yàn)結(jié)果的優(yōu)缺點(diǎn)進(jìn)行對(duì)比分析，提出了選用加權(quán)平均值的方法對(duì)圖像進(jìn)行灰度化處理；提出了一種基于改進(jìn)的Sobel算子邊緣檢測(cè)算法，實(shí)驗(yàn)結(jié)果表明，本方法不僅能夠有效地提取圖像的邊緣，而且能夠很好地解決邊緣檢漏問(wèn)題，并且具有一定的抗噪性能。
　　在生成候選文本區(qū)

3、域過(guò)程中，本文提出了使用文本尺寸特征和邊緣密度特征來(lái)表征文本字符特征，實(shí)驗(yàn)表明，利用這兩種特征對(duì)連通區(qū)域進(jìn)行分析與篩選，能夠大量地排除明顯不屬于文本區(qū)域的連通區(qū)域，最終得到候選文本區(qū)域。
　　本文提取了4類場(chǎng)景文本特征，分別是Gabor特征、筆畫(huà)密度、紋理統(tǒng)計(jì)特征和圖像導(dǎo)數(shù)的方差和期望，實(shí)驗(yàn)結(jié)果表明，這4類文本特征分別構(gòu)建的分類器對(duì)文本區(qū)域的分類都有一定的作用。
　　本文通過(guò)改進(jìn)經(jīng)典的Adaboost算法，提出基于Adabo

4、ost的場(chǎng)景文本定位方法，利用分類與回歸決策樹(shù)（CART,Classification And Regression Tree）的Adaboost算法對(duì)4類本文提取的文本特征生成的弱分類器進(jìn)行組合，生成了一個(gè)對(duì)場(chǎng)景文本區(qū)域具有很強(qiáng)分類能力的場(chǎng)景文本分類器，然后利用Adaboost強(qiáng)分類器對(duì)候選文本區(qū)域進(jìn)行篩選，最終獲得了正確的文本區(qū)域。
　　本文建立的數(shù)據(jù)庫(kù)包含了300幅自然場(chǎng)景圖像，分類器的訓(xùn)練樣本為200幅圖像，分類器的測(cè)試樣