圖像中的文本檢測與識別研究.pdf

1、近年來圖像中的文本檢測與識別在圖像搜索、車牌識別、圖像快速文檔化、工業(yè)流水線等方面的應(yīng)用日益增多，吸引了眾多學(xué)者進行了大量研究，然而圖像本身背景復(fù)雜、光照與角度多變，加之文本語種繁多、字體尺度方向等多變，最終導(dǎo)致檢測與識別精度難以達到應(yīng)用的需求。論文從實際應(yīng)用的角度對特定場景下的圖像中的文本檢測與識別方法進行了研究。
　　針對圖像中文本檢測存在的問題，論文研究了三種不同場景下的文本檢測方法。對于受光照影響或背景變化緩慢的圖像，論文

2、從圖像信號頻率的角度出發(fā)，使用同態(tài)濾波的方法濾除低頻背景信號，保留高頻文本信號，并利用文本邊緣較為豐富的特點，結(jié)合形態(tài)學(xué)方法進行文本行檢測。對于工業(yè)現(xiàn)場中文本與物體存在依賴關(guān)系的復(fù)雜場景圖像，論文基于此種依賴關(guān)系將文本的檢測轉(zhuǎn)化為文本依賴物體的檢測，最終通過依賴關(guān)系實現(xiàn)高精度的文本檢測，該方法顯著降低了虛警率，在實際的工業(yè)應(yīng)用中取得顯著效果。對于自然場景中的圖像，論文從提高區(qū)域獲取質(zhì)量出發(fā)，提出了基于邊緣增強的MSER算法，進而創(chuàng)建字符

3、分揀樹對字符區(qū)域進行分揀，之后提出多層融合的策略對多方向的文本行進行檢測，最后使用隨機森林分類器對候選文本行進行了驗證，實驗結(jié)果表明該方法能夠提高文本行的召回率及識別精度。
　　針對圖像中文本行的分割與識別。論文從工業(yè)實際應(yīng)用的角度，對背景簡單或漸變類型的文本圖像，基于字符區(qū)域或邊緣縱向投射曲線呈現(xiàn)近似混合高斯分布的特性，采用無監(jiān)督的分割算法對單個字符進行分割，然后訓(xùn)練CNN(Convolutional Neural Networ

4、k)模型對單個字符進行識別。對于背景較為復(fù)雜的文本行圖像，本論文從滑窗識別的角度出發(fā)，首先使用一個CNN模型對文本行圖像從左到右取滑動窗口進行字符與非字符的識別，然后對滑窗序列識別結(jié)果置信度所形成的曲線進行凸包檢測，接著使用SVM模型提取凸包寬度與高度特征進行字符與非字符的分類，完成字符的分割后使用訓(xùn)練的CNN模型進行單字符識別。鑒于以上兩種基于分割的識別方法最終都是對單字符使用CNN模型進行識別，并沒考慮字符之間的上下文關(guān)系，因此，論

5、文進一步研究了在之前字符分割的基礎(chǔ)上采用RNN(Recurrent Neural Networks)模型的文本序列識別方法，實驗結(jié)果表明，加入序列識別模型后的文本識別率有了一定提高。
　　針對圖像中的文本行序列識別。論文借鑒了語音識別技術(shù)，從序列識別的角度提出一種文本行識別方法。該方法首先采用CNN模型的卷積層對文本序列進行特征抽取，然后將抽取的特征送入LSTM(Long Short-Term Memory)模型進行訓(xùn)練，為了獲得