论文链接：http://openaccess.thecvf.com/content_ICCV_2017/papers/Wu_Self-Organized_Text_Detection_ICCV_2017_paper.pdf

代码链接：https://gitlab.com/rex-yue-wu/ISI-PPT-Text-Detector

摘要

该论文由Yue Wu等人发表于ICCV 2017。针对文字检测中提取文字的行级候选区需要大量后处理、复杂且耗时的问题，提出了一种基于边界学习的场景文字检测方法（只需要极少后处理、可以区分任意形状的文本区）。

文章的主要贡献有：

（1）分析了将文字检测作为二分类问题（文字/非文字）的局限性；

（2）首次将边界类别引入到文本检测问题中，验证了文本边界在很大程度上简化了解码过程；

（3）建立了一个新的用于文本检测的ppt数据集（10692幅图像，非文本、边界和文本标注）；

（4）提出了一个轻量级FCN(0.28M参数，支持多分辨率分析)来有效地学习文本图像中的边界。

1 方法

为什么文字检测需要繁杂的后处理过程呢？因为检测算法得到的候选区域不是期望的行级文字区域。为什么不直接预测期望的行级文字区域呢？实际上，有一些文字检测算法使用行级标注，以期获得文本行级的候选区域，但效果不佳，因为几行文字行间距很小时很难将几行文字拆分开。

将文字检测作为二分类问题具有局限性，如图1所示：图1（a）表明当行间距较大时文字/非文字可以正确地实现文本行分割，而当文本行间距很小时（图1（b））就无法将其分离开。作者引入了边界类（图1（c）中的绿色区域）来辅助进行文字区域分割，可以看出分割效果很好。边界类可以有效地将紧邻的文字区域划分开，而且文字类和边界类具有共存关系（因为边界是文字的边界），所以引入边界类有助于进一步提升文字区域预测。 作者提出将文字检测的二分类问题（文字/非文字）转化为三分类问题（文字/非文字/边界），采用端到端训练避免学习和调整显式的后处理规则、分类器和其他参数，测试阶段直接从预测的概率图中获得文本候选区（边界有助于将每个单独的文本区域与其他文本区域隔离开来）。

2 实验

作者建立了一个由PPT图像组成的文字检测数据集，该数据集包括10692幅PPT图像（77dpi，分辨率720*540，共93228个文字区），语言为英语和阿拉伯语。文中对边界类的定义为：假设原始文字区域的行高是ĥ，标记宽度为c∗ĥ的带状区域为文本边界（文中c取0.15）。下图是关于数据集的一些信息。

由于作者将文字检测问题重定义为分割问题，所以设计了一个轻量级的FCN网络来有效地学习文字边界从而实现文字检测。FCN的结构如下图所示（包括单分辨率和多分辨率）：

为了验证方法的有效性，作者首先在自己建立的数据集上进行对比实验。将PPT数据集划分为训练集（0.9）、验证集（0.05）和测试集（0.05），数据扩增策略包括随机resize、随机颜色变换、随机旋转等等。训练获得单分辨率的baseline模型后直接将其植入多分辨率模型中继续训练至网络收敛。表2比较了Text-Block FCN和文中提出的FCN的效果，可以看出，文中提出的轻量级FCN在不引入边界类的情况下效果与Text-Block FCN相当，但是参数少得多（14.71M vs 0.27M）而且处理速度快。而引入了边界类之后，单分辨率的f值提升了27个点，而运行时间几乎没有增加；多分辨率的模型的f值更是达到了惊人的0.96。

从预测的概率map得到水平矩形bounding box的算法如下：

在公共数据集上的实验作者在ICDAR 2015和MSRA-TD 500数据集上进行实验，对每个数据集进行微调，图像过大时缩小（维持宽高比），重复使用多分辨率baseline训练过程的所有设置。对标注进行修正：

实验结果：

可见，该方法不仅在水平文字检测方面效果出色，而且对于倾斜文字的检测效果也达到了state of art水平。对于扭曲文字，该方法也有很好的效果。下面是一些图像上的检测结果，图中蓝色区域表示非文本区，红色表示文本区，绿色表示边界。

3 分析总结

该方法也有一些缺陷和不足，比如垂直文本错误划分、异形文字检测、光照强烈情况下的漏检情况等等，如下图所示：

总而言之，边界类的引入使得文字检测任务的后处理工作大大减少；边界和文字具有共存关系，可以利用边界来进一步提升文字检测的准确率；边界的形状与文字区域的轮廓紧密相关，可以用于文字区域的校正等工作。