基于深度学习的场景文字识别研究

• 作 者: 陈玉新
• 出 处: 内蒙古大学
• 发表日期: 2019年01期
• 关键词: 场景文字识别 深度学习 序列到序列模型 注意力机制

场景文字识别是一种通用文字识别技术,近年来其已经成为计算机领域重点的研究方向。传统光学字符识别技术(Optical Character Recognition,OCR)在文档图像方面已经取得了很好的识别效果,但却难以应对场景文字在字体、分布、背景等方面的复杂性。近年来深度学习技术快速发展,并且在OCR领域里发挥了主导作用,因此本文基于深度学习方法,围绕场景文字识别问题展开研究,主要研究内容如下:(1)提出了一种文本图像矫正方法。针对文本行倾斜问题,提出了一种基于连通区域分析的倾斜矫正方法。该方法首先获取输入图像的连通区域,然后根据字符的比例、大小等先验知识过滤非字符连通区域,最后通过计算连通区域间的倾斜角度来估算文本行倾斜角度。实验结果表明,所提方法能够有效提升相同框架的识别性能。(2)设计一种序列到序列的文字识别网络。在卷积循环网络(Convolutional Recurrent Neural Networks,CRNN)网络的基础上,本文首先利用所提出的图像矫正方法对输入图像进行矫正,降低问题复杂度;其次将CRNN中的卷积部分加入BN层,在提高卷积神经网络的收敛速度、降低网络对初始化权重的敏感程度的同时,还起到正则化作用,提升了系统性能;然后将CRNN中使用的长短期记忆网络替换为门控循环单元,降低了网络的复杂度。实验表明,与原框架相比,在降低网络时间和空间复杂度的同时,所提框架能够有效提升场景文字的识别性能。(3)设计一种基于注意力机制的序列到序列场景文字识别方法。首先,针对连续时序分类方法的不足之处,在序列解码阶段,将连续时序分类替换为基于注意力机制的解码器。其次,针对网络特征提取能力的不足,在本框架中将特征提取网络替换为ResNet网络。最后,在改进框架下,验证本文所提的文本行矫正方法可以提升系统的识别性能。实验结果表明,在COCO-Text数据集上达到了较好的效果。