作者简介

CW，广东深圳人，毕业于中山大学（SYSU）数据科学与计算机学院，毕业后就业于腾讯计算机系统有限公司技术工程与事业群（TEG）从事Devops工作，期间在AI LAB实习过，实操过道路交通元素与医疗病例图像分割、视频实时人脸检测与表情识别、OCR等项目。目前也有在一些自媒体平台上参与外包项目的研发工作，项目专注于CV领域（传统图像处理与深度学习方向均有）。

前言 : EAST: An Efficient and Accurate Scene Text Detector 是用于场景文字识别（OCR）的算法，五一假期 CW 把这套算法的源码研读了一番，并基于 Pytorch 进行了复现，如今打算把这期间的学习过程记录下来，本文将对数据处理与标签生成部分的源码进行解析，其它部分会在后面的文章中记录。

全文大纲：
1. DataSet 类

2. is_cross_text：判断裁剪有无“割裂”图像中的任意文本框

3. get_score_geo：生成 ground truth

4. shrink_poly：将文本框顶点向内移动，使得文本框区域变小

5. move_points：将顶点向文本框内部移动

6. find_min_rect_angle：寻找文本框的最小外接矩形，获得对应的旋转角度

7. cal_error：计算文本框与外接矩形的拟合误差

8. rotate_all_pixels：旋转图像中的所有点

9. 结语

以下为正文内容

---

01 DataSet 类

在pytorch 中通常会封装一个类来处理数据集，这个类继承自 torch.utils.data.DataSet，我们需要重载父类的 _len_ 和 _getitem_ 方法。

处理数据集的这个类的整体部分如上，接下来就其中的重要部分进行解读，数据增强的随机缩放和旋转这里就不说了，一起先来看看将图像大小裁剪至512x512这部分。

crop_img：对图像进行随机起始点的裁剪，裁剪至目标大小512x512

若图像的短边小于512，则将其放大到512，同时长边等比例放大。

然后对图像中的文本框坐标等比例放大。

接下来就是搜索裁剪方案，搜索的方法是：在图像放大后的尺寸比512x512多出来的空间内进行随机搜索起始点坐标；一个符合要求的裁剪方案是：裁剪得到的图像不能“分割”了图像中的任一文本框。

最后，由于图像在放大后进行了裁剪，因此需要将放大后的文本框顶点坐标进行相应的移动。

下一步，我们来看看具体是如何判断裁剪方案是否符合要求的。

02 is_cross_text：判断裁剪有无“割裂”图像中的任意文本框

生成裁剪后图像的多边形区域以及文本框的多边形区域，计算两者的重叠区域面积。

计算重叠区域面积占文本框面积的比例，理想情况下是1，因为我们要求文本框完全处于裁剪后图像的内部。注意，只要图像中有任意一个文本框不完全处于裁剪后的图像内部，则该裁剪方案不符合要求！

03 get_score_geo：生成 ground truth

这部分是核心部分，会生成3个map，分别是score map、geo map 以及 ignore map，他们各自的意义已在前面部分解释。

以下这部分的处理十分有“艺术”！

首先明确下，这里制作gt生成的map是在下采样率为1/4的特征图上的，map中的每一点有两种情况：在文本框内和在文本框外，于是我们要对在文本框内的这些点赋予文本框对应的属性(score为1，d 和 angle)。

但是，在这里，作者将我们需要赋值的文本框内点的区域缩小了（将文本框4个顶点向内部移动一定距离，得到一个比文本框面积小的区域），这么做的原因可能是因为这个map的尺寸是比输入图像小的，如果和原文本框区域一致，那么放大回去，有可能会引入文本框边界以外的点，会引入假正例。

另外，需要注意的是，这里只是将需要赋值的文本框内的区域缩小，但文本框的坐标本身是没有改变的！

以上还有个处理技巧，就是将文本框旋转到和水平轴夹角为0的情况（即将斜的框旋转为正的），这样对d的计算更加方便。

接下来对旋转后图像每点（包括在文本框外的）都计算d，d若大于文本框边长也代表在文本框外，但是由于我们有mask，因此这部分也会被置0。

注意，geo那里使用的是'+='，是因为图像中可能有多个文本框，而这里我们计算的是一个文本框。

在处理每一个文本框的过程中，记录了特征图中哪些位置该忽略（即不属于文本框内部），哪些位置该赋值（即处于文本框内部），最后就是将 ignore map 和 score map 分别用这些多边形填充。

下一部分，会对以上谈到的那个“艺术”部分进行解读，看具体是如何将文本框顶点进行内缩的。

04 shrink_poly：将文本框顶点向内移动，使得文本框区域变小

首先是计算出文本框每个顶点的短边长度，计算边长就是计算顶点之间的距离。

然后判断下文本框两对对边哪一对的长度和更长，先移动长的那一对边（2条边，4个顶点）。

注意，以上move_points 代表移动一条边，即2个顶点，返回的是移动后顶点的坐标（包括未移动的），接下来看看具体是如何移动顶点的。

05 move_points：将顶点向文本框内部移动

以下是这部分重点。对于一条边上的这两个顶点，分别计算它们各自短边0.3倍边长相对于它们组成的这条边的比例，然后它们的横纵坐标分别按其对应的这个比例进行移动，两者移动的方向相反，从而使得两个顶点会相互靠近。

需要注意一点，若这两个顶点本身距离不超过1，那就不必移动了，因为这说明两者还未相隔超过1个pixel。

06 find_min_rect_angle：寻找文本框的最小外接矩形，获得对应的旋转角度

我们知道，场景文字的方向并不都是水平的，因此文本框与水平轴是有一定角度的，那么如何知道这个角度是多少呢？

此处是通过枚举的方式，对于在 [

] 范围内的每个角度，都将文本框进行对应的旋转，旋转后记录对应的外接矩形面积，文本框和前10个面积最小的外接矩形的拟合误差，最终选取误差最小的那个方案对应的旋转角。

为了方便理解，CW 特意画了个图（虽然很丑哈哈哈）：

如上图，v1、v2、v3、v4是文本框4个顶点，文本框与水平轴的真实夹角是

，假设我们在枚举过程中遇到一角度，然后将文本框进行对应旋转，旋转后的外接矩形就是上图右上部分的ABCD，阴影部分就是外接矩形比文本框多出来的面积。

我们可以认为，这个面积越小则外接矩形与文本框越相近，误差也越小，因此我们选取面积最小的前10个外接矩形道理就在于此。

理想情况下，我们找到了真实的角度，这时候旋转文本框，得到的外接矩形就会和文本框重合（当然，文本框不是直角矩形而是其它多边形形状时，不会重合），如上图中间部分，这时候外接矩形的面积最小，拟合误差最小。

07 cal_error：计算文本框与外接矩形的拟合误差

由上一部分我们知道，拟合误差与外接矩形面积有正相关关系，现在就来看看这个误差值具体是通过什么来计算的。

上图代码应该交代的很明白了，拟合误差实质就是文本框与外接矩形4个顶点之间对应距离之和。

08 rotate_all_pixels：旋转图像中的所有点

最后来看看图像中的点是如何旋转的。

以上的rotate_mat是旋转操作对应的仿射变换矩阵，根据旋转角即可计算获得：

09 结语

数据预处理与标签生成的源码解析就到此为止了，CW通过代码了解到，这里面还是有不少trick的，从而感受到作者在其中加入了很多对生活实际情况的思考。由此可知，作为技术工程师，必须多多观察与思考，在生活中汲取灵感，这样才能真正创造出实用有效的东西。

大家有好的想法，欢迎在评论区讨论交流~