OCR场景文本识别：文字检测+文字识别

标签：span   使用   efi   sch   实现   连通   阈值   ini   处理   

一. 应用背景

OCR(Optical Character Recognition)文字识别技术的应用领域主要包括：证件识别、车牌识别、智慧医疗、pdf文档转换为Word、拍照识别、截图识别、网络图片识别、无人驾驶、无纸化办公、稿件编辑校对、物流分拣、舆情监控、文档检索、字幕识别文献资料检索等。OCR文字识别主要可以分为：印刷体文字识别和手写体文字识别。文字识别方法的一般流程为：识别出文字区域、对文字区域矩形分割成不同的字符、字符分类、识别出文字、后处理识别矫正。

二. 文字检测

文字检测是文字识别过程中的一个非常重要的环节，文字检测的主要目标是将图片中的文字区域位置检测出来，以便于进行后面的文字识别，只有找到了文本所在区域，才能对其内容进行识别。

1.【CTPN】

CTPN，全称是“Detecting Text in Natural Image with Connectionist Text Proposal Network”，将文本行在水平方向解耦成slices进行检测，再将slices区域合并成文本框。CTPN结构与Faster R-CNN类似，但加入了RNN(LSTM层)用于序列的特征识别来提高检测精度，目前CTPN针对水平长行文本的检测是工业级的，算法鲁棒。

算法流程：

Feature Map：N(images) - C(channels) - H(height) - W(width)

(1). 骨干网络VGG16提取特征，第5个block的第三个卷积层conv5(stride=16,size=N×C×H×W)作为特征图；

(2). 在con5上做3×3滑窗，每个点都结合周围3×3区域生成3×3×C特征向量，输出N×9C×H×W空间特征图；

(3). Reshape特征图：N×9C×H×W -> (NH)×W×9C;

(4). 以batch=NH，T_max=W的数据流输入双向LSTM，学习每一行的序列特征(注：LSTM/Reverse-LSTM都包含128个hidden layer)，BLSTM输出(NH)×W×256空间序列混合特征图；

(5). Reshape特征图：(NH)×W×256 -> N×256×H×W;

(6). 将RNN的结果输入到FC层(256×512的矩阵参数)，变为N×512×H×W的特征；

(7). 将FC层得到的特征输入类似Faster R-CNN的RPN网络，获得text proposals。2k vertical coordinate和k side-refinement用来回归k个anchor的位置信息并进行校准，2k scores表示k个anchor的类别。

(8). 采用文本线构造办法，把text proposal连接成一个文本检测框。

关键策略：

(1). text proposals网络。

左侧分支用于b-box回归，FC特征图每个点配备了10个对应原图尺度的Anchor(红色小矩形框确定字符位置)，宽度相等(width=[16])，高度10个尺度([11,16,23,33,48,68,97,138,198,283])，保证Anchor在x方向上覆盖原图每个点且不相互重叠并在y方向上覆盖差异较大的不同高度文本目标。获得Anchor后，b-box regression只修正并预测包含文本的Anchor的中心y坐标与高度h(没预测起始坐标x是因为在构造标签时有固定偏移)，故rpn_bbox_pred有20个channels。右边分支用于Softmax分类，判断Anchor中是否包含文本，选出score大的正Anchor。

(2). 标签构造。

如图，给定一个文本的标注框(x, y, w, h)，沿着水平方向进行切分，偏移为16个像素(conv5的stride为16，特征图中的一个像素对应标签的16的宽度)，得到了一系列的文本小片。将左右标记为红色的小片(两端50像素以内)作为side-refinement时候的标签，约束网络对文本起始和终止点的矫正。

(3). 文本线构造。

如图，有2个text proposal，包含红蓝2组Anchor。首先按水平x坐标排序Anchor。然后按照规则依次计算每个box_i的pair(box_j)，组成pair(box_i，box_j)，规则如下：

正向寻找：1. 沿水平正方向，寻找和box_i水平距离小于50的候选Anchor；2. 从候选Anchor中，挑出与box_i竖直方向overlap_v>0.7的Anchor；3. 挑出符合条件2中Softmax score最大的box_j。

再反向寻找：1. 沿水平负方向，寻找和box_j水平距离小于50的候选Anchor；2. 从候选Anchor中，挑出与box_j竖直方向overlap_v>0.7的Anchor；3. 挑出符合条件2中Softmax score最大的box_k。

最后对比score_i和score_k：如果score_i>=score_k，这是一个最长连接，设置Graph(i,j)=True；如果score_i<score_k，不是一个最长连接。

如上图，Anchor已经按照x坐标排序且Softmax score已知。对于box₃(i=3)，向前寻找50像素，满足overlapv>0.7且score最大的是box₇(j=7)；box₇反向寻找，满足overlapv>0.7且score最大的是box₃(k=3)。因为score_i=3>=score_k=3，pair(box₃,box₇)是一个最长连接，设置Graph(3,7)=True。对于box₄，正向寻找得到box₇；box₇反向寻找得到box₃，但score_i=4>=score_k=3，所以pair(box₄,box₇)不是最长连接，包含在pair(box₃,box₇)中。

以这种方式，建立一个N×N(N是正Anchor数量)的connect graph，并遍历graph。Graph(0,3)=True且Graph(3,7)=True，所以Anchor index 0->3->7组成蓝色文本区域；Graph(6,10)=True且Graph(10,12)=True，所以Anchor index 6->10->12组成红色文本区域。

综上，我们通过Text proposals确定了文本检测框。

2.【SegLink】

Seglink是在SSD基础上改进的，基本思想是：一次性检测整个文本行比较困难，就先检测局部片段，然后通过规则将所有的片段进行连接，得到最终的文本行。可以检测任意长度和多方向的文本行，CTPN只能检测水平方向。

全卷积网络。输入：任意尺寸图像；输出：segments和links。

算法流程：

 (1). 沿用SSD网络结构，VGG16作为backbone并将最后两个全连接层改成卷积层(fc6,fc7->conv6,conv7)，再额外增加conv8, conv9, conv10, conv11，用于提取更深的特征，最后的修改SSD的Pooling层，将其改为卷积层；

(2). 提取conv4_3, conv7, conv8_2, conv9_2, conv10_2, conv11不同层的特征图，尺寸1/2倍递减；

(3). 对不同层的特征图使用3×3卷积，产生segments和links来检测不同尺度文本行；

(4). 通过融合规则，将segment的box信息和link信息进行融合，得到最终的文本行。

关键策略：

(1). Segment检测。

segment可以看作是增加了方向信息的b-box，可以表示为：b = (x_b,y_b,w_b,h_b,θ_b)。卷积后输出通道数为7，包含segment相对于默认框(default boxes)的偏移量(x_s,y_s,w_s,h_s,θ_s)及segment是否为文字的置信度(0,1)。特征图上的点在原图中的映射，就是默认框的位置。6层特征图，每层都要输出segments，例如：l层尺寸为 w_l× h_l，一个点在特征图上的坐标为(x,y)，对应原图坐标(x_a,y_a)的点，那么一个默认框的中心坐标就是(x_a,y_a)：

不同于SSD，特征图每个位置只有一个长宽比为1的默认框，根据当前层的感受野通过经验等式进行设置。最后，通过默认框和特征图回归segment的位置，预测的offsets里除了Δx, Δy, Δw, Δh,　多了一个Δθ。

(2). Link检测。

links分为Within-Layer Link和Cross-Layer Link：

within-layer link在同一个feature map层，特征图中每个位置只预测一个segment，所以对于层内link，我们只考虑当前segment与它周围的８连通邻域的segment的连接情况，每个link有正负两个分数，正分用来表示二者是否属于同一个单词，负分表示二者是否属于不同单词(应断开连接)。这样，每个segment的link是8*2=16维的向量，links就是每个特征图卷积后输出16个通道，每两个通道表示segment与邻近的一个segment的link。

segment可能会被不同的feature map检测到，如果不同层输出segment是同一个位置，只是大小不一样，会造成重复检测的冗余问题。cross-layer link连接的是相邻两层feature map产生的segments。前一层特征图的size是后一层的特征图的两倍，这个size必须是偶数，所以输入图像的宽和高必须是128的倍数。对于跨层link，特征图的每个位置需要预测2*4=8个权重，４表示与上一层的４个邻域。

综上，conv4_3层输出的link维度为2*8=16；conv7, conv8_2, conv9_2, conv10_2, conv11其输出的link维度为2*8+2*4=24。

(3). 合并算法。

每层特征图提取出来后，再经过卷积，输出既有segments又有links的预测。2表示二分类分数(是不是字符)，５表示位置信息(x, y, w, h, θ)，16表示８个同层的neighbor连接或不连接的２种情况，８表示前一层的4个neighbor连接与不连接情况。对于conv4_3：其预测输出维度为：2+5+2×8=23 ，因为该层没有cross-layer link；对于conv7, conv8_2, conv9_2, conv10_2, conv11，其预测输出维度为：2+5+2×8+2×4=31。

输出一系列的segments和links后，1. 首先人工设定α和β(对应segments和links的置信度设置不同的阈值)过滤噪声；2. 再采用DFS(depth first search)将segments看做node，links看做edge，将他们连接起来；3. 将连接后的所有结果作为输入，将连接在一起的segments当作是一个小的集合，称为B；4. 将B集合中所有segment的旋转角求平均值作为文本框的旋转角称为θ_b；5. 求tanθ_b作为斜率，得到一系列的平行线，求得B集合中所有segment的中心点到直线距离的和最小的那条直线；6. 将B集合中所有segment的中心点垂直投影到3步骤中找到的直线上；7. 在投影中找到距离最远的两个点(x_p,y_p),(x_q,y_q)；8. 上述两点的均值作为框的中心点，距离为框的宽，B集合中所有segment的高的均值就是高。

注：3-5其实就是最小二乘法线性回归。

(4). 训练。

训练当前网络需要生成groundtruth，包括default box的label，偏移(x, y, w, h, θ)，层内link及跨层link的label。求segments和links的标签前先确定与其对应的default box的标签值。图像只有一个文本框时，满足如下2点就是正样本(否则负样本)：1. default box的中心在当前文本行内；2. default box的大小a_l与文本框的高h满足公式：。图像中有多个文本框时，default box对于任意文本框都不满足上述条件时为负样本，否则为正样本，满足多个文本框时，该default box为与其大小最相近的文本框的正样本，大小相近指的是：。通过上述规则得到default box的正样本后，基于这些正样本计算segments相对于default box的位置偏移量。offset只对正样本有效，负样本不需要计算。

将文本框顺时针旋转θ与default box进行水平对齐，然后进行裁剪，宽度保留与default box相交的部分，最后再绕文本框中心点逆时针转回到原来的角度，就可以得到一个segment。根据公式(segment检测)，就可以求出segment和default box的偏移量，用来训练segment。link的标签值只要满足下面两个条件即为真：1. link连接的两个default box都为正样本；2. 两个default box属于同一个文本框。

损失函数定义如下：

y_s表示所有的segments的标签值，如果第i个default box为正样本，yⁱ_s=1，否则为0；y_l表示所有links的标签值；c_s,c_l分别为segments和links的预测值；L_conf为softmax loss，用于计算segments和links置信度的损失；L_loc为为Smooth L1 regression loss，用于计算segments预测偏移量和标签值的损失；N_s为图像中所有正样本的default box的数量；N_l为图像中所有正样本的links的个数；λ₁=λ₂=1。关于Data Augmentation和Online Hard Negative Mining，做法和SSD中一致。

3.【EAST/AdvancedEAST】

EAST可以实现端到端文本检测。

a~d是几种常见的文本检测过程，典型的检测过程包括候选框提取、候选框过滤、b-box回归、候选框合并等阶段，中间过程比较冗长。EAST模型检测过程简化为只有FCN，NMS阶段，中间过程大大缩减，且输出结果支持文本行、单词的多角度检测，高效准确，适应性强。EAST模型的网络结构分为特征提取层、特征融合层、输出层三大部分。

算法流程：

(1). PVANet(也可采用VGG16，Resnet等)作为主干网络提取特征，并借鉴FPN思想，抽取4个尺度(1/4,1/8,1/16,1/32 input)的特征图；

(2). 参考UNet的方法，从feature extractor顶部按规则向下合并特征；

(3). 输出文本得分和文本形状。检测形状为RBOX时，输出检测框置信度、检测框的位置角度(x,y,w,h,θ)共6个参数；检测形状为QUAD时，输出检测框置信度、任意四边形检测框(定位扭曲变形文本行)的位置坐标(x1, y1), (x2, y2), (x3, y3), (x4, y4)共9个参数。

关键策略：

(1). 特征融合规则。

最后一层特征图被最先送入uppooling层放大２倍，再与前一层的特征图进行concatenate，然后依次进行1×1和3×3卷积；再重复上述过程2次，卷积核的个数(128,64,32)依次递减；最后经过3×3,32的卷积层。

(2). 训练。

QUAD训练样本生成：

通常数据集提供的标注为平行四边形的四个顶点(x1, y1), (x2, y2), (x3, y3), (x4, y4)，训练网络时，需要的将其转化为网络需要的形式，即这个平行四边形生成的9个单通道图片。

通道1：置信度score map。

1. 生成一个大小MxN为全零矩阵A，M,N为原图的长和宽；2. 将平行四边形的四个顶点两两相连，连成一个四边形Q；3. 将这个四边形向内缩小0.3，得到Q1；4. 将四边形Q1内的点置为1；5. 将矩阵A按比例缩小为原图的1/4，得到score map(长M/4,宽N/4)。

通道2：四边形位置germety map_1。

1. 生成一个大小为MxN的全零矩阵A，M,N为原图的长和宽；2. 将四边形的四个顶点两两相连，连成一个四边形Q；3. 给四边形Q内的每一个像素赋值，A(xi,yi) = x1-xi；将矩阵A按比例缩小为原图的1/4，得到germety map_1(长M/4,宽N/4)。

通道3：四边形位置germety map_2。

1. 生成一个大小为MxN的全零矩阵A，M,N为原图的长和宽；2. 将四边形的四个顶点两两相连，连成一个四边形Q；3. 给四边形Q内的每一个像素赋值，A(xi,yi) = y1-yi；将矩阵A按比例缩小为原图的1/4，得到germety map_2(长M/4,宽N/4)。

通道4：四边形位置germety map_3。

1. 生成一个大小为MxN的全零矩阵A，M,N为原图的长和宽；2. 将四边形的四个顶点两两相连，连成一个四边形Q；3. 给四边形Q内的每一个像素赋值，A(xi,yi) = x2-xi；将矩阵A按比例缩小为原图的1/4，得到germety map_3(长M/4,宽N/4)。

通道5：四边形位置germety map_4。

1. 生成一个大小为MxN的全零矩阵A，M,N为原图的长和宽；2. 将四边形的四个顶点两两相连，连成一个四边形Q；3. 给四边形Q内的每一个像素赋值，A(xi,yi) = y2-yi；将矩阵A按比例缩小为原图的1/4，得到germety map_4(长M/4,宽N/4)。

通道6：四边形位置germety map_5。

1. 生成一个大小为MxN的全零矩阵A，M,N为原图的长和宽；2. 将四边形的四个顶点两两相连，连成一个四边形Q；3. 给四边形Q内的每一个像素赋值，A(xi,yi) = x3-xi；将矩阵A按比例缩小为原图的1/4，得到germety map_5(长M/4,宽N/4)。

通道7：四边形位置germety map_6。

1. 生成一个大小为MxN的全零矩阵A，M,N为原图的长和宽；2. 将四边形的四个顶点两两相连，连成一个四边形Q；3. 给四边形Q内的每一个像素赋值，A(xi,yi) = y3-yi；将矩阵A按比例缩小为原图的1/4，得到germety map_6(长M/4,宽N/4)。

通道8：四边形位置germety map_7。

1. 生成一个大小为MxN的全零矩阵A，M,N为原图的长和宽；2. 将四边形的四个顶点两两相连，连成一个四边形Q；3. 给四边形Q内的每一个像素赋值，A(xi,yi) = x4-xi；将矩阵A按比例缩小为原图的1/4，得到germety map_7(长M/4,宽N/4)。

通道9：四边形位置germety map_8。

1. 生成一个大小为MxN的全零矩阵A，M,N为原图的长和宽；2. 将四边形的四个顶点两两相连，连成一个四边形Q；3. 给四边形Q内的每一个像素赋值，A(xi,yi) = y4-yi；将矩阵A按比例缩小为原图的1/4，得到germety map_8(长M/4,宽N/4)。

RBOX训练样本生成：

通常数据集提供的标注为5个值Theta,x1,y1,x3,y3，训练网络时，需要的将其转化为网络需要的形式，即这个旋转的矩阵生成的6个单通道图片。在此之前，先利用theta,x1,y1,x2,y2,生成矩形的另外两个顶点(x2,y2),(x4,y4)，这样，矩形的四个顶点可以表示为(x1,y1),(x2,y2),(x3,y3),(x4,y4)。

通道1：置信度score map。

1. 生成一个大小MxN为全零矩阵A，M,N为原图的长和宽；2. 将矩形的四个顶点两两相连，形成一个矩形Q；3. 将矩形Q内的点置为1；4. 将矩阵A按比例缩小为原图的1/4，得到score map(长M/4,宽N/4)。

通道2：角度angle map。

1. 生成一个大小MxN为全零矩阵A，M,N为原图的长和宽；2. 将矩形的四个顶点两两相连，形成一个矩形Q；3. 将矩形Q内的点置为theta，如果theta=-0.5,那么Q内的所有点都为-0.5；4. 将矩阵A按比例缩小为原图的1/4，得到angle map(长M/4,宽N/4)。

通道3：矩形位置germety map_1。

1. 生成一个大小MxN为全零矩阵A，M,N为原图的长和宽；2. 将矩形的四个顶点两两相连，形成一个矩形Q；3. 给矩形Q内的每一个像素赋值，A(xi,yi) = distance[ A(xi,yi), 直线A(x1,y1)A(x2,y2)] ；4. 将矩阵A按比例缩小为原图的1/4，得到germety map_1(长M/4,宽N/4)。

通道4：矩形位置germety map_2。

1. 生成一个大小MxN为全零矩阵A，M,N为原图的长和宽；2. 将矩形的四个顶点两两相连，形成一个矩形Q；3. 给矩形Q内的每一个像素赋值，A(xi,yi) = distance[ A(xi,yi), 直线A(x2,y2)A(x3,y3)] ；4. 将矩阵A按比例缩小为原图的1/4，得到germety map_2(长M/4,宽N/4)。

通道5：矩形位置germety map_3。

1. 生成一个大小MxN为全零矩阵A，M,N为原图的长和宽；2. 将矩形的四个顶点两两相连，形成一个矩形Q；3. 给矩形Q内的每一个像素赋值，A(xi,yi) = distance[ A(xi,yi), 直线A(x3,y3)A(x4,y4)] ；4. 将矩阵A按比例缩小为原图的1/4，得到germety map_3(长M/4,宽N/4)。

通道6：矩形位置germety map_4。

1. 生成一个大小MxN为全零矩阵A，M,N为原图的长和宽；2. 将矩形的四个顶点两两相连，形成一个矩形Q；3. 给矩形Q内的每一个像素赋值，A(xi,yi) = distance[ A(xi,yi), 直线A(x4,y4)A(x1,y1)] ；4. 将矩阵A按比例缩小为原图的1/4，得到germety map_4(长M/4,宽N/4)。

训练Loss：

loss由分数图损失(score map loss)和几何形状损失(geometry loss)两部分组成。分数图损失采用的是类平衡交叉熵，用于解决类别不平衡训练，具体实战中，一般采用dice loss，收敛速度更快。几何形状损失，针对RBOX loss采用IoU损失，针对QUAD loss采用smoothed-L1损失。本文中几何体数量较多，普通的NMS计算复杂度过高，EAST提出了基于行合并几何体的方法，locality-aware NMS。

为改进EAST的长文本检测效果不佳的缺陷，有人提出了Advanced EAST。Advanced EAST以VGG16作为网络结构的骨干，同样由特征提取层、特征合并层、输出层三部分构成，比EAST，尤其是在长文本上的检测准确性更好。

三. 文字识别

文字识别，根据待识别的文字特点一般分为定长文字、不定长文字两大类，前者(如:验证码识别)相对简单，这里不做分析。

1.【LSTM+CTC】

LSTM(Long Short Term Memory,长短期记忆网络)是一种特殊结构的RNN，用于解决RNN的随着输入信息的时间间隔不断增大，出现“梯度消失”或“梯度爆炸”的长期依赖问题。CTC(Connectionist Temporal Classifier，联接时间分类器)，主要用于解决输入特征与输出标签的对齐问题。由于字符变形等原因，分块识别时，相邻块可能会识别为同个结果，字符重复出现。通过CTC来解决对齐问题，模型训练后，对结果中去掉间隔字符、去掉重复字符。

2.【CRNN】

CRNN(Convolutional Recurrent Neural Network，卷积循环神经网络)是目前比较流行的文字识别模型，可以进行端到端的训练，不需要对样本数据进行字符分割，可识别任意长度的文本序列，模型速度快、性能好。

算法流程：

(1). 卷积层：从输入图像中提取出特征序列；

先做预处理，把所有输入图像缩放到相同高度，默认是32，宽度可任意长；然后进行卷积运算(由类似VGG的卷积、最大池化和BN层组成)；再从左到右提取序列特征，作为循环层的输入，每个特征向量表示了图像上一定宽度内的特征，默认是单个像素1(由于CRNN已将输入图像缩放到同样高度了，因此只需按照一定的宽度提取特征即可)。

(2). 循环层：预测从卷积层获取的特征序列的标签分布；

循环层由一个双向LSTM构成，预测特征序列中的每一个特征向量的标签分布。由于LSTM需要时间维度，模型中把序列的width当作time steps。“Map-to-Sequence”层用于特征序列的转换，将误差从循环层反馈到卷积层，是卷积层和循环层之间的桥梁。

(3). 转录层：把从循环层获取的标签分布通过去重、整合等操作转换成最终的识别结果。

转录层是将LSTM网络预测的特征序列的结果进行整合，转换为最终输出的结果。在CRNN模型中双向LSTM网络层的最后连接上一个CTC模型，从而做到了端对端的识别。

四. 代码实现

CTPN：https://github.com/eragonruan/text-detection-ctpn

SegLink：https://github.com/dengdan/seglink

EAST：https://github.com/argman/EAST

AdvancedEAST：https://github.com/huoyijie/AdvancedEAST

CRNN：https://github.com/Belval/CRNN

五. Reference

https://my.oschina.net/u/876354

https://zhuanlan.zhihu.com/p/34757009

https://www.jianshu.com/p/109231be4a24

https://zhuanlan.zhihu.com/p/37781277

https://me.csdn.net/imPlok

OCR场景文本识别：文字检测+文字识别

标签：span   使用   efi   sch   实现   连通   阈值   ini   处理   

原文地址：https://www.cnblogs.com/lh2n18/p/12382213.html