摘 要
本文基于深度学习框架，构建了一套场景文字检测与识别算法系统。针对检测问题，提出一种快速任意方向文字检测方法，该方法基于“片段链接”思想，将长文字拆解为局部的片段，以及片段之间的链接；针对识别问题，提出一种端到端可训练的文字识别神经网络模型，该模型将卷积神经网络、循环神经网络和联结时序分类三者结合，能够直接从图片中识别出文字内容，并且可以端到端的训练。
关 键 字
场景文字；文字检测；文字识别；卷积神经网络；循环神经网络
现代社会是高度符号化的社会，大量信息通过文字和符号来记载和传递。因此，文字在图像和视频中广泛存在。文字是书籍、报刊、文件和名片等印刷品的基本组成元素，并且广泛存在于自然场景的各种物体上，例如路牌、商品包装、车辆牌照和店铺门面等。广义上的文字还包含自然语言文字以外的书写系统，例如摩斯码和五线谱等。理解图片中的文字在计算机视觉中一直处于重要的位置。从图像中识别文字的技术通常被称作光学字符识别(OCR)，它是计算机视觉最早的应用之一。
传统的OCR 方法大多针对扫描文档图片设计。这些图片通常由扫描仪等设备获取，成像过程受控；识别方法往往基于二值化和浅层分类器等技术。自然图片中的文字通常被称作场景文字(scene text)。场景文字检测识别是传统OCR 在自然图片上的延续和升级，它的应用极其广泛，例如无人超市、智能导盲和无人驾驶等新兴技术等都离不开场景文字识别。相比传统OCR，场景文字的检测和识别面临着巨大的挑战，首先，相比文档图片，场景文字的背景更为复杂；其次，场景文字的字体、颜色和排布相比文档文字复杂得多；最后，传统的OCR 系统常由许多子模块组成，系统复杂程度高，其研发耗费较多的人力。
近年来，随着深度学习算法的兴起，计算机视觉领域的多项重要问题都取得了重大突破。到如今，深度学习已经渗入了计算机视觉研究的方方面面，对学术界和工业界产生了深远的影响。深层神经网络是深度学习的核心，其强大的特征学习能力、灵活的结构、能够端到端训练的特点，使得它成为解决场景文字识别问题的有效手段。本文基于深度学习算法，结合卷积神经网络和循环神经网络(RNN) 等结构，提出一套完整的场景文字检测与识别系统。
作为端到端识别系统的第一级，文字检测的目标是在输入图像中定位文字的位置。检测输出的形式可以是水平的矩形包围盒、带角度的矩形包围盒和任意多边形等；根据任务的不同，检测目标可以是每个单词或每条文字行。文字检测可以被视为物体检测的特例。然而，由于场景文字和一般物体存在形状上的区别，一般物体检测方法并不是理想的解决方案——一般物体检测方法受其候选区域提取算法的限制，输出包围盒的长宽比往往只能在小范围内变化，因此难以输出长文字、非水平的包围盒。
“片段链接”算法的核心是将文字分解为片段(segments) 和链接(links) 两种基本元素。如图1 所示，片段是覆盖一小段单词或文本行的局部包围盒，它由一个带角度的矩形框表示。矩形的高度和整词的高度接近，但长度只占全部长度的一部分; 链接存在于相邻两个片段之间，它指示片段之间的连接关系。即相连的片段属于同一单词，不相连的属于不同单词。检测时，该方法在全图密集地检测片段和链接，并将相连的片段根据几何规则组合为整词的包围盒，得到检测结果。片段链接的核心优势在于，它可以检测非水平的长词或长文本行。片段和链接都具有局部性，片段只占整个单词的一小部分，它的检测只需要局部的图像特征; 链接存在于相连的两两片段之间，因此它也同样有局部性。由于片段和链接的局部性，两者都可以在任意尺寸的图片上密集检测，并组合成任意长度的文字，从而显著缓解了长文字的检测困难。检测片段和链接的网络结构如图2 所示。该结构基于VGG-16，能够在一次前向传导中同时地在多个尺度上密集地检测片段和链接，因此有着很高的检测效率。
此外，我们还提出了同层链接和跨层链接两种链接类型，前者连接同一个特征层中检测到的片段；后者连接不同层上的片段。同层和跨层链接使得相同或不同尺度上的片段都可以被组合在一起，从而避免了漏检和重复检测的问题。
在对所有片段和链接作置信度和几何偏移的估计之后，该模型输出一组片段和一组链接。接下来，片段和链接分别通过各自的置信度阈值进行过滤，去除置信度低于阈值α 的片段和置信度低于阈值β 的链接。最后，过滤后的片段根据过滤后的链接组合成完成的包围盒。
图 3 显示了片段链接在长文本检测上的表现。可以看出，片段和链接沿着文本行被密集检测，它们将细长的文本分解为了更容易检测的局部视觉元素。相比之下，当下流行的物体检测器难以输入长宽比如此极端的包围盒，而片段链接很好地解决了这个问题。此外，尽管英文和中文文本在外观上有很大的差异，但我们的模型仍能够在不改变其结构的情况下同时处理它们。这也显示了片段链接在多语种场景下的适用性。
卷积RNN(CRNN) 是本文提出的可以端到端训练的文字识别网络，该网络结合了卷积神经网络(CNN) 和RNN。其特点在于无需单个字符的标注，可直接用文字行图片和对应的标签训练，相比传统方法大幅降低了训练和部署成本。CRNN 的总体网络结构如图 4 所示。它从下至上主要由CNN、RNN 翻译层三个部分组成。CNN 负责提取卷积特征图; 特征图被转换为特征序列后交由RNN 进行预测，输出单帧预测结果；最后，翻译层将单帧预测结果翻译为字母序列。尽管CRNN 包含不同类型的网络结构，它仍然能被端到端的训练，并且只需要一项损失函数。
CRNN 只在Synth90k 数据集上进行训练一次，然后在其他数据集上测试，不作额外的微调。尽管只用合成数据训练，CRNN 仍然能够在真实数据集上取得良好效果。在有词汇表模式下，CRNN 的识别准确度超过了同时期的大多数其他方法。在无词汇表模式下，CRNN 在IIIT5k 和SVT 两个数据集上都取得了最高的识别准确度。值得一提的是，CRNN 的性能超过了Google 公司开发的PhotoOCR 系统。PhotoOCR 使用了近800万张训练图片，并且这些训练图片有字符级别的标注；而CRNN 仅仅在合成图片上训练，完全没有使用人工标注的数据，却能够大幅度地在识别准确率上超出PhotoOCR 系统。这说明CRNN 是高性能且低成本的识别方法。
本文对场景文字检测与识别问题完成了一次系统和全面的研究。针对不同的问题及问题的不同方面，分别提出了检测方法片段链接和识别方法CRNN，在识别准确性、方法通用性及工程实用性三个方面都相比先前工作取得了显著进步。
（参考文献略）
选自《中国人工智能学会通讯》
2020年 第10卷 第2期 优秀博士学位论文精华版
