第12卷第4期 智能系统学报 Vol.12 No.4 2017年8月 CAAI Transactions on Intelligent Systems Aug.2017 D0I:10.11992/is.201604011 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.TP.20170630.2115.006.html 视觉感知式场景文字检测定位方法 吕国宁1，高敏2 (1.郑州师范学院网络管理中心，河南郑州450044：2.郑州师范学院信息科学与技术学院，河南郑州450044) 摘要：针对自然场景中复杂背景干扰检测的问题，本文提出一种基于视觉感知机制的场景文字检测定位方法。人 类视觉感知机制通常分为快速并行预注意步骤与慢速串行注意步骤。本文方法基于人类感知机制提出一种场景文 字检测定位方法，该方法首先通过两种视觉显著性方法进行预注意步骤，然后利用笔画特征以及文字相互关系实现 注意步骤。本文方法在ICDAR2013与场景汉字数据集中均取得较有竞争力的结果，实验表明可以较好地用于复杂 背景的自然场景英文和汉字的检测。 关键词：视觉感知：视觉显著性：笔画宽度变换：场景文字：文字检测定位：视觉注意：汉字：英文 中图分类号：TP18;TP39文献标志码：A文章编号：1673-4785(2017)04-0563-07 中文引用格式：吕国宁，高敏视觉感知式场景文字检测定位方法[J】.智能系统学报，2017,12(4)：563-569. 英文引用格式：LYU Guoning,GAO Min.Scene text detection and localization scheme with visual perception mechanism[J].CAAI transactions on intelligent systems,2017,12(4):563-569. Scene text detection and localization scheme with visual perception mechanism LYU Guoning',GAO Min2 (1.Network Management Center,Zheng Zhou Normal University,Zheng Zhou 450044,China;2.School of Information Science and Technique,Zheng Zhou Normal University,Zheng Zhou 450044,China) Abstract:To solve the detection problem with respect to the interference of complex backgrounds in natural scenes, in this paper,we propose a scene text detection and localization scheme based on a visual perception mechanism. The human visual perception mechanism is commonly divided into the fast parallel pre-attention step and the slow serial attention step.In our proposed scheme,we first precedes the pre-attention step with two visual saliency methods and then implement the attention step using a stroke feature and the relationship between characters.Our experimental results show the scheme to be competitive with respect to the ICDAR 2013 and the scene Chinese- character dataset.It is also suitable for English and Chinese character detection of natural scenes under complex background conditions. Keywords:visual perception;visual saliency;swt;scene text;text detection and localization;visual attention; Chinese text;English text 互联网技术与电子技术的高速发展下，人们逐计分牌等，后者是自然场景中真实存在并通过数字 渐形成以数字图像与视频分享信息交流感情习惯， 成像设备保存在数字图像中的文字，如交通标示 因此在电子设备与网络中存在着海量的数字图像 街道名称、广告海报以及商店招牌等。场景文字的 信息。这些图像信息普遍来自人类生活的自然场 提取因为没有场景先验知识，且受到场景中周围环 景，其中存在着不计其数的关键文字信息。如何有 境、相机参数及光照因素的影响，因而它比人工文 效提取数字图像中的关键文字信息，是有效管理电 字的提取具有更大难度。 子设备与网络中的数字图像的重要手段。而有效 场景图像文字定位算法通常分为两类：基于滑 准确提取数字图像中的关键文字信息是当今一个 动窗口的方法和基于连通域的方法。文献[2-3]隶 颇具挑战性的工作，受到研究者的广泛关注。 属基于滑动窗口的方法，首先使用滑动窗口遍历图 数字图像中文字的提取根据文字种类分为人 像各个尺度，分类器判定每一个滑动窗口区域是否 工文字和场景文字山，前者是人们后期添加到图像 包含文字并给出置信度：然后将各个尺度置信度叠 上的文字，如视频字幕、电影中的说明文字及比赛 加，得到置信图：最后根据置信图分割得到文字区 域。文献[4-5]分别利用笔画与最大极值稳定区域 收稿日期：2016-04-07.网络出版日期：2017-06-30 获取连通域作为文字候选区域，然后使用分类器对 基金项目：国家自然基金河南人才培养联合基金项目(U1204703, U1304614). 文字候选区域进行验证（保留文字区域，剔除背景 通信作者：吕国宁.E-mail:sjzmdwxqzz@outlook.com, 区域)，最后将单个文字聚合成文本行。基于滑动
第 １２ 卷第 ４ 期 智 能 系 统 学 报 Ｖｏｌ．１２ №．４ ２０１７ 年 ８ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ａｕｇ． ２０１７ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ．２０１６０４０１１ 网络出版地址：ｈｔｔｐ： ／ ／ ｋｎｓ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１７０６３０．２１１５．００６．ｈｔｍｌ 视觉感知式场景文字检测定位方法 吕国宁１ ，高敏２ （１．郑州师范学院 网络管理中心，河南 郑州 ４５００４４； ２．郑州师范学院 信息科学与技术学院，河南 郑州 ４５００４４） 摘 要：针对自然场景中复杂背景干扰检测的问题，本文提出一种基于视觉感知机制的场景文字检测定位方法。 人 类视觉感知机制通常分为快速并行预注意步骤与慢速串行注意步骤。 本文方法基于人类感知机制提出一种场景文 字检测定位方法，该方法首先通过两种视觉显著性方法进行预注意步骤，然后利用笔画特征以及文字相互关系实现 注意步骤。 本文方法在 ＩＣＤＡＲ ２０１３ 与场景汉字数据集中均取得较有竞争力的结果，实验表明可以较好地用于复杂 背景的自然场景英文和汉字的检测。 关键词：视觉感知；视觉显著性；笔画宽度变换；场景文字；文字检测定位；视觉注意；汉字；英文 中图分类号：ＴＰ１８；ＴＰ３９ 文献标志码：Ａ 文章编号：１６７３－４７８５（２０１７）０４－０５６３－０７ 中文引用格式：吕国宁，高敏．视觉感知式场景文字检测定位方法［Ｊ］． 智能系统学报， ２０１７， １２（４）： ５６３－５６９． 英文引用格式：ＬＹＵ Ｇｕｏｎｉｎｇ， ＧＡＯ Ｍｉｎ． Ｓｃｅｎｅ ｔｅｘｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｌｏｃａｌｉｚａｔｉｏｎ ｓｃｈｅｍｅ ｗｉｔｈ ｖｉｓｕａｌ ｐｅｒｃｅｐｔｉｏｎ ｍｅｃｈａｎｉｓｍ［Ｊ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２０１７， １２（４）： ５６３－５６９． Ｓｃｅｎｅ ｔｅｘｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｌｏｃａｌｉｚａｔｉｏｎ ｓｃｈｅｍｅ ｗｉｔｈ ｖｉｓｕａｌ ｐｅｒｃｅｐｔｉｏｎ ｍｅｃｈａｎｉｓｍ ＬＹＵ Ｇｕｏｎｉｎｇ １ ， ＧＡＯ Ｍｉｎ ２ （１．Ｎｅｔｗｏｒｋ Ｍａｎａｇｅｍｅｎｔ Ｃｅｎｔｅｒ， Ｚｈｅｎｇ Ｚｈｏｕ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｚｈｅｎｇ Ｚｈｏｕ ４５００４４， Ｃｈｉｎａ； ２． Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｉｑｕｅ， Ｚｈｅｎｇ Ｚｈｏｕ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｚｈｅｎｇ Ｚｈｏｕ ４５００４４， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｏ ｓｏｌｖｅ ｔｈｅ ｄｅｔｅｃｔｉｏｎ ｐｒｏｂｌｅｍ ｗｉｔｈ ｒｅｓｐｅｃｔ ｔｏ ｔｈｅ ｉｎｔｅｒｆｅｒｅｎｃｅ ｏｆ ｃｏｍｐｌｅｘ ｂａｃｋｇｒｏｕｎｄｓ ｉｎ ｎａｔｕｒａｌ ｓｃｅｎｅｓ， ｉｎ ｔｈｉｓ ｐａｐｅｒ， ｗｅ ｐｒｏｐｏｓｅ ａ ｓｃｅｎｅ ｔｅｘｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｌｏｃａｌｉｚａｔｉｏｎ ｓｃｈｅｍｅ ｂａｓｅｄ ｏｎ ａ ｖｉｓｕａｌ ｐｅｒｃｅｐｔｉｏｎ ｍｅｃｈａｎｉｓｍ． Ｔｈｅ ｈｕｍａｎ ｖｉｓｕａｌ ｐｅｒｃｅｐｔｉｏｎ ｍｅｃｈａｎｉｓｍ ｉｓ ｃｏｍｍｏｎｌｙ ｄｉｖｉｄｅｄ ｉｎｔｏ ｔｈｅ ｆａｓｔ ｐａｒａｌｌｅｌ ｐｒｅ⁃ａｔｔｅｎｔｉｏｎ ｓｔｅｐ ａｎｄ ｔｈｅ ｓｌｏｗ ｓｅｒｉａｌ ａｔｔｅｎｔｉｏｎ ｓｔｅｐ． Ｉｎ ｏｕｒ ｐｒｏｐｏｓｅｄ ｓｃｈｅｍｅ， ｗｅ ｆｉｒｓｔ ｐｒｅｃｅｄｅｓ ｔｈｅ ｐｒｅ⁃ａｔｔｅｎｔｉｏｎ ｓｔｅｐ ｗｉｔｈ ｔｗｏ ｖｉｓｕａｌ ｓａｌｉｅｎｃｙ ｍｅｔｈｏｄｓ ａｎｄ ｔｈｅｎ ｉｍｐｌｅｍｅｎｔ ｔｈｅ ａｔｔｅｎｔｉｏｎ ｓｔｅｐ ｕｓｉｎｇ ａ ｓｔｒｏｋｅ ｆｅａｔｕｒｅ ａｎｄ ｔｈｅ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｃｈａｒａｃｔｅｒｓ． Ｏｕｒ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈｅ ｓｃｈｅｍｅ ｔｏ ｂｅ ｃｏｍｐｅｔｉｔｉｖｅ ｗｉｔｈ ｒｅｓｐｅｃｔ ｔｏ ｔｈｅ ＩＣＤＡＲ ２０１３ ａｎｄ ｔｈｅ ｓｃｅｎｅ Ｃｈｉｎｅｓｅ－ ｃｈａｒａｃｔｅｒ ｄａｔａｓｅｔ． Ｉｔ ｉｓ ａｌｓｏ ｓｕｉｔａｂｌｅ ｆｏｒ Ｅｎｇｌｉｓｈ ａｎｄ Ｃｈｉｎｅｓｅ ｃｈａｒａｃｔｅｒ ｄｅｔｅｃｔｉｏｎ ｏｆ ｎａｔｕｒａｌ ｓｃｅｎｅｓ ｕｎｄｅｒ ｃｏｍｐｌｅｘ ｂａｃｋｇｒｏｕｎｄ ｃｏｎｄｉｔｉｏｎｓ． Ｋｅｙｗｏｒｄｓ： ｖｉｓｕａｌ ｐｅｒｃｅｐｔｉｏｎ； ｖｉｓｕａｌ ｓａｌｉｅｎｃｙ； ｓｗｔ； ｓｃｅｎｅ ｔｅｘｔ； ｔｅｘｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｌｏｃａｌｉｚａｔｉｏｎ； ｖｉｓｕａｌ ａｔｔｅｎｔｉｏｎ； Ｃｈｉｎｅｓｅ ｔｅｘｔ； Ｅｎｇｌｉｓｈ ｔｅｘｔ 收稿日期：２０１６－０４－０７． 网络出版日期：２０１７－０６－３０． 基金项目：国家自然基金河南人才培养联合基金项目 （ Ｕ１２０４７０３， Ｕ１３０４６１４）． 通信作者：吕国宁．Ｅ⁃ｍａｉｌ：ｓｊｚｍｄｗｘｑｚｚ＠ ｏｕｔｌｏｏｋ．ｃｏｍ． 互联网技术与电子技术的高速发展下，人们逐 渐形成以数字图像与视频分享信息交流感情习惯， 因此在电子设备与网络中存在着海量的数字图像 信息。 这些图像信息普遍来自人类生活的自然场 景，其中存在着不计其数的关键文字信息。 如何有 效提取数字图像中的关键文字信息，是有效管理电 子设备与网络中的数字图像的重要手段。 而有效 准确提取数字图像中的关键文字信息是当今一个 颇具挑战性的工作，受到研究者的广泛关注。 数字图像中文字的提取根据文字种类分为人 工文字和场景文字［１］ ，前者是人们后期添加到图像 上的文字，如视频字幕、电影中的说明文字及比赛 计分牌等，后者是自然场景中真实存在并通过数字 成像设备保存在数字图像中的文字，如交通标示、 街道名称、广告海报以及商店招牌等。 场景文字的 提取因为没有场景先验知识，且受到场景中周围环 境、相机参数及光照因素的影响，因而它比人工文 字的提取具有更大难度。 场景图像文字定位算法通常分为两类：基于滑 动窗口的方法和基于连通域的方法。 文献［２－３］隶 属基于滑动窗口的方法，首先使用滑动窗口遍历图 像各个尺度，分类器判定每一个滑动窗口区域是否 包含文字并给出置信度；然后将各个尺度置信度叠 加，得到置信图；最后根据置信图分割得到文字区 域。 文献［４－５］分别利用笔画与最大极值稳定区域 获取连通域作为文字候选区域，然后使用分类器对 文字候选区域进行验证（保留文字区域，剔除背景 区域），最后将单个文字聚合成文本行。 基于滑动
.564. 智能系统学报 第12卷 窗口的方法因为需要遍历图像各个尺度，故速度较 1.1颜色通道的对比度视觉显著性模型 慢，但抗干扰能力稍强于基于连通域的方法：基于 颜色通道的对比度视觉显著性模型是建立在 连通域的方法速度较快，但容易受到复杂背景干扰。 以上算法各有利弊，但都存在复杂背景干扰造 Opponent Color space上。式(1)中L是Opponent 成定位效果不佳的问题，并且两类性能远不如人类 Color Space中的亮度分量，RG是Opponent Color 自身。本文思路来源于文献[6]。针对该问题，本 Space中红色-绿色分量，BY是Opponent Color 文尝试参照人类视觉感知机制设计算法。人类视 Space中蓝色-黄色分量。 觉感知机制按照如下进行：首先进行快速简单的并 行预注意过程，此过程能够快速获得显著性目标， L=5+g+b 3 消除复杂背景的影响：然后完成一个较慢的复杂的 串行注意过程，有意识地剔除无效显著性目标，突 r-g RG= (1) 出感兴趣的显著性目标。 max(r,g,b) 参考以上两个步骤，本文方法分为3个步骤。 BY= b-min(r,g) 首先，本文方法采用颜色通道的对比度显著性算法 max(r,g,b) 与谱残差显著性算法获得显著性区域：然后，基于 式中：「、g与b代表彩色图像的红色、绿色与蓝色 显著性区域运用单极性笔画宽度变换获得文字候 选区域：最后，根据文字候选区域自身信息与相互 分量。 之间信息，利用图模型筛选得到文字区域。第一个 在以上三通道的基础上，针对每一个通道计算 步骤对应于人类的快速简单的并行预注意过程，后 对比度图。对比度图计算方法如式(2)所示是以滑 两个步骤相当于较慢的复杂的串行注意过程。 动窗口的方式遍历颜色通道图中每一像素，计算当 本文创新点在于利用颜色通道的对比度显著性与 谱残差显著性获得显著性区域以减少后续算法的虚警 前像素与周围邻域像素均值的差的绝对值作为相 率，并根据显著性算法设计单极性笔画宽度变换。 应像素的对比度值。式(2)中C(i,)表示当前颜 色通道在位置(i,j)的对比度值，I(i,)是该颜色通 1 视觉显著性算法 本节结合两种显著性模型获得显著性区域，颜色 道当前位置的强度值，I(i,)代表该颜色通道当前 通道的对比度视觉显著性模型侧重基于颜色的对比度 位置的邻域强度均值。同时，为了增加算法普适 较大的区域，而谱残差显著性模型则偏重于边缘丰富 性，需要考虑到滑动窗口尺寸问题。 的区域。这两种偏好均符合场景文字的对比度突出和 边缘丰富的特点，可以较好互补完成文字显著性区域 C(i,j)=abs(I(i,j)-I(i,j)) (2) 检测。视觉显著性算法流程图如图1。 ws=(1/2")×min(w,h) (3) 式中：σ=[45678]是滑动窗口的尺度因子，0 输人图像 与h为图像的宽度与高度。 最后，将不同尺寸的滑动窗口下得到的对比度 颜色通道的对比 谱残差显若 图进行线性叠加并进行归一化得到颜色通道的显 度显著性计算 性计算 著性图。本节选取了红色-绿色通道与蓝色-黄色 颜色通道的对比 谱残差显著性区 通道进行对比度显著性计算，并逐像素对二者取几 度显著性区域 域进行单极性 进行单极性SWT SWT 何平均与高斯滤波，如图2。 图模型场景文宁 候选区域验证 文字行聚合 ESSEX 巧 SUMMER SCHOOL IN DATA ANALYSIS 场景文字检测 4311 定位完成 图1算法流程图 Fig.1 Algorithm flow chart (a)原图
窗口的方法因为需要遍历图像各个尺度，故速度较 慢，但抗干扰能力稍强于基于连通域的方法；基于 连通域的方法速度较快，但容易受到复杂背景干扰。 以上算法各有利弊，但都存在复杂背景干扰造 成定位效果不佳的问题，并且两类性能远不如人类 自身。 本文思路来源于文献［６］。 针对该问题，本 文尝试参照人类视觉感知机制设计算法。 人类视 觉感知机制按照如下进行：首先进行快速简单的并 行预注意过程，此过程能够快速获得显著性目标， 消除复杂背景的影响；然后完成一个较慢的复杂的 串行注意过程，有意识地剔除无效显著性目标，突 出感兴趣的显著性目标。 参考以上两个步骤，本文方法分为 ３ 个步骤。 首先，本文方法采用颜色通道的对比度显著性算法 与谱残差显著性算法获得显著性区域；然后，基于 显著性区域运用单极性笔画宽度变换获得文字候 选区域；最后，根据文字候选区域自身信息与相互 之间信息，利用图模型筛选得到文字区域。 第一个 步骤对应于人类的快速简单的并行预注意过程，后 两个步骤相当于较慢的复杂的串行注意过程。 本文创新点在于利用颜色通道的对比度显著性与 谱残差显著性获得显著性区域以减少后续算法的虚警 率，并根据显著性算法设计单极性笔画宽度变换。 １ 视觉显著性算法 本节结合两种显著性模型获得显著性区域，颜色 通道的对比度视觉显著性模型侧重基于颜色的对比度 较大的区域，而谱残差显著性模型则偏重于边缘丰富 的区域。 这两种偏好均符合场景文字的对比度突出和 边缘丰富的特点，可以较好互补完成文字显著性区域 检测。 视觉显著性算法流程图如图 １。 图 １ 算法流程图 Ｆｉｇ．１ Ａｌｇｏｒｉｔｈｍ ｆｌｏｗ ｃｈａｒｔ １．１ 颜色通道的对比度视觉显著性模型 颜色通道的对比度视觉显著性模型是建立在 Ｏｐｐｏｎｅｎｔ Ｃｏｌｏｒ ｓｐａｃｅ 上。 式 （ １） 中 Ｌ 是 Ｏｐｐｏｎｅｎｔ Ｃｏｌｏｒ Ｓｐａｃｅ 中的亮度分量， ＲＧ 是 Ｏｐｐｏｎｅｎｔ Ｃｏｌｏｒ Ｓｐａｃｅ 中 红 色 － 绿 色 分 量， ＢＹ 是 Ｏｐｐｏｎｅｎｔ Ｃｏｌｏｒ Ｓｐａｃｅ 中蓝色－黄色分量。 Ｌ ＝ ｒ ＋ ｇ ＋ ｂ ３ ＲＧ ＝ ｒ － ｇ ｍａｘ（ｒ，ｇ，ｂ） ＢＹ ＝ ｂ － ｍｉｎ（ｒ，ｇ） ｍａｘ（ｒ，ｇ，ｂ） （１） 式中：ｒ、ｇ 与 ｂ 代表彩色图像的红色、绿色与蓝色 分量。 在以上三通道的基础上，针对每一个通道计算 对比度图。 对比度图计算方法如式（２）所示是以滑 动窗口的方式遍历颜色通道图中每一像素，计算当 前像素与周围邻域像素均值的差的绝对值作为相 应像素的对比度值。 式（２）中 Ｃ（ ｉ， ｊ） 表示当前颜 色通道在位置（ｉ， ｊ）的对比度值，Ｉ（ｉ，ｊ）是该颜色通 道当前位置的强度值， Ｉ － (ｉ，ｊ) 代表该颜色通道当前 位置的邻域强度均值。 同时，为了增加算法普适 性，需要考虑到滑动窗口尺寸问题。 Ｃ（ｉ，ｊ） ＝ ａｂｓ（Ｉ（ｉ，ｊ） － Ｉ － （ｉ，ｊ）） （２） ｗｓ ＝ （１ ／ ２ σ ） × ｍｉｎ（ｗ，ｈ） （３） 式中： σ ＝ [４ ５ ６ ７ ８] 是 滑动窗口的尺度因子，ｗ 与 ｈ 为图像的宽度与高度。 最后，将不同尺寸的滑动窗口下得到的对比度 图进行线性叠加并进行归一化得到颜色通道的显 著性图。 本节选取了红色－绿色通道与蓝色－黄色 通道进行对比度显著性计算，并逐像素对二者取几 何平均与高斯滤波，如图 ２。 （ａ）原图 ·５６４· 智 能 系 统 学 报 第 １２ 卷
第4期 吕国宁，等：视觉感知式场景文字检测定位方法 ·565. 1.2谱残差视觉显著性模型 谱残差视觉显著性算法[]是快速可靠且无需 先验知识的显著性算法，它分为3步：1)将彩色图 ESSEX ESSEX 像灰度化并进行适当缩放和预处理：2)对前一步产 SUMMER SCHOOL SUMMER SCHOOI IN DATA ANALYSIS IN DATA ANALYSIS 生的灰度图像傅里叶幅度对数谱进行卷积均值滤 4.311 4.311 波：3)从图像傅里叶幅度对数谱中减去上一步的均 值滤波结果，最终得到显著性图S。式(4)描述谱 (b)红色-绿色通道与蓝色一黄色通道原图 残差视觉显著性模型的求解 S=log(A(1))-h()log(A(1))(4) 式中：A(I)表示图像的傅里叶幅度谱，log(A(I)) 生阳变 表示图像的傅里叶幅度对数谱，h(I)表示均值 SUPRER SCHOOL 滤波。 NDANLSS 图3显示的是利用谱残差视觉显著性模型得到 4.3ff 的场景文字显著性图。上面一行图像是场景文字 的原图，下面一行图像是对应的谱残差显著性图， (c)=5 图像亮度代表显著性程度。谱残差视觉显著性算 法有效检测自然场景中包含文字的边缘丰富区域， 但同时也会因为环境中其他边缘丰富的元素产生 虚警率。 ESSEX ESSEX SUMMER SCHOOL SUMMER SCHOOL IN DATA ANALYSIS I时DATA ANALYSIS 4.31 431 (d)w=8 ESSEX ESSEX SUMMER SCHOOL SUMMER SCHOOL IN DATA ANALYSIS IN DATA ANALYSIS 4.311 431 (e)两个尺度结合 图3谱残差显著性效果图 Fig.3 Spectral residue saliency map 1.3显著性区域 以上两种显著性图的取值范围是介于0~1之 间，对二者计算显著性图，本质是进行二值化。因 此可以使用改进的大津法求取显著图的二值化阈 值T,,二值化阈值T,将显著图分为显著性区域与 非显著性区域。 1)首先采用大津法得到阈值t,然后在训练数 ()两个通道显著性图结合 据集中设定显著区域中文字召回率的阈值T,初始 图2颜色通道的显著性效果图 化系数α为1，以0.01为步长递减系数a,直到首次 Fig.2 Saliency map of color channel 显著区域中文字召回率R首次达到阈值T即停止
（ｂ）红色－绿色通道与蓝色－黄色通道原图 （ｃ）σ＝ ５ （ｄ）σ＝ ８ （ｅ）两个尺度结合 （ｆ）两个通道显著性图结合 图 ２ 颜色通道的显著性效果图 Ｆｉｇ．２ Ｓａｌｉｅｎｃｙ ｍａｐ ｏｆ ｃｏｌｏｒ ｃｈａｎｎｅｌ １．２ 谱残差视觉显著性模型 谱残差视觉显著性算法［７］ 是快速可靠且无需 先验知识的显著性算法，它分为 ３ 步：１） 将彩色图 像灰度化并进行适当缩放和预处理；２）对前一步产 生的灰度图像傅里叶幅度对数谱进行卷积均值滤 波；３）从图像傅里叶幅度对数谱中减去上一步的均 值滤波结果，最终得到显著性图 Ｓ 。 式（４） 描述谱 残差视觉显著性模型的求解 Ｓ ＝ ｌｏｇ (Ａ(Ｉ) ) － ｈ(Ｉ) ∗ｌｏｇ (Ａ(Ｉ) ) （４） 式中： Ａ（Ｉ） 表示图像的傅里叶幅度谱， ｌｏｇ（Ａ（Ｉ）） 表示图像的傅里叶幅度对数谱， ｈ（Ｉ） 表示均值 滤波。 图 ３ 显示的是利用谱残差视觉显著性模型得到 的场景文字显著性图。 上面一行图像是场景文字 的原图，下面一行图像是对应的谱残差显著性图， 图像亮度代表显著性程度。 谱残差视觉显著性算 法有效检测自然场景中包含文字的边缘丰富区域， 但同时也会因为环境中其他边缘丰富的元素产生 虚警率。 图 ３ 谱残差显著性效果图 Ｆｉｇ．３ Ｓｐｅｃｔｒａｌ ｒｅｓｉｄｕｅ ｓａｌｉｅｎｃｙ ｍａｐ １．３ 显著性区域 以上两种显著性图的取值范围是介于 ０ ～ １ 之 间，对二者计算显著性图，本质是进行二值化。 因 此可以使用改进的大津法求取显著图的二值化阈 值 Ｔ′ｓ ，二值化阈值 Ｔ′ｓ 将显著图分为显著性区域与 非显著性区域。 １）首先采用大津法得到阈值 ｔ，然后在训练数 据集中设定显著区域中文字召回率的阈值 ＴＲ ，初始 化系数 α 为 １，以 ０．０１ 为步长递减系数 α ，直到首次 显著区域中文字召回率 Ｒ 首次达到阈值 ＴＲ 即停止， 第 ４ 期 吕国宁，等：视觉感知式场景文字检测定位方法 ·５６５·
·566· 智能系统学报 第12卷 最终通过式(5)计算得到阈值T”,。颜色通道的对 比度显著性算法系数为α。=1，谱残差显著性算法 系数为α，=0.73。在得到两种显著性区域后，分别 进行数学形态学操作，并填补去除显著性区域中的 MIDDLEBOROUCH 孔洞。 T',=a×t (5) 2 单极性笔画宽度变换算法 (b)SWT方向与文字极性不符 笔画(Stroke)是图像中相邻的能够形成近似恒 定宽度的条带部分)。而“笔画宽度”则被定义为 近似恒定宽度的条带边缘之间的距离，即图4中P 与g像素之间的距离w。 AIDDLEBOROUCH 笔画宽度变换[s劉(SWT)为数字图像中所有像 素计算对应的笔画宽度。此种变换最终结果是笔 画宽度图，图中每一像素值是其笔画宽度。 (c)SWT方向与文字极性相符 2.0*10 1.8 1.6 1.4 12 1.0 0.8 图4笔画宽度计算方法图 0.6 Fig.4 Stroke width map 0.4 0 通常自然场景中的文字存在黑暗背景明亮文 o--- 5 10 15 20 字与黑暗文字明亮背景两种极性，因此在无任何先 (d)图(b)对应笔画宽度直方图 验知识情况下需要沿边缘像素的梯度方向与反梯 ×104 3.0 度方向进行两次SWT。图5(b)中SWT的方向与场 2.5 景文字极性不符，图5(b)中SWT的方向与场景文 字极性相符。可看出，两次SWT固然可以保证自然 2.0 场景中两种极性的文字不遗漏，但也增加大量非文 字区域的虚警。对此，本节基于视觉显著性提出两 种极性判断条件，并据此设计单极性SWT算法。图 05 5(d)、(e)是分别对应(b)、(c)的笔画宽度直方图， 从中可看出，当极性正确情况下笔画宽度直方图更 10 15 20 25 加集中。 (e)图(c)对应笔画宽度直方图 图5场景文字极性与笔画宽度直方图关系 Fig.5 The relation between the pole of scene text and stroke width histogram 极性判断条件： ①起始阶段不做极性判断，任意选择一种极性 在显著性区域进行SWT。若其间，任一边缘像素的 射线越过显著性区域边界，则此显著性区域为相反 (a)原图 极性
最终通过式（５）计算得到阈值 Ｔ′ｓ 。 颜色通道的对 比度显著性算法系数为 αｃ ＝ １，谱残差显著性算法 系数为 αｓ ＝ ０．７３。 在得到两种显著性区域后，分别 进行数学形态学操作，并填补去除显著性区域中的 孔洞。 Ｔ′ｓ ＝ α × ｔ （５） ２ 单极性笔画宽度变换算法 笔画（Ｓｔｒｏｋｅ）是图像中相邻的能够形成近似恒 定宽度的条带部分［８］ 。 而“笔画宽度”则被定义为 近似恒定宽度的条带边缘之间的距离，即图 ４ 中 ｐ 与 ｑ 像素之间的距离 ｗ。 笔画宽度变换［８］ （ ＳＷＴ） 为数字图像中所有像 素计算对应的笔画宽度。 此种变换最终结果是笔 画宽度图，图中每一像素值是其笔画宽度。 图 ４ 笔画宽度计算方法图 Ｆｉｇ．４ Ｓｔｒｏｋｅ ｗｉｄｔｈ ｍａｐ 通常自然场景中的文字存在黑暗背景明亮文 字与黑暗文字明亮背景两种极性，因此在无任何先 验知识情况下需要沿边缘像素的梯度方向与反梯 度方向进行两次 ＳＷＴ。 图 ５（ｂ）中 ＳＷＴ 的方向与场 景文字极性不符，图 ５（ｂ）中 ＳＷＴ 的方向与场景文 字极性相符。 可看出，两次 ＳＷＴ 固然可以保证自然 场景中两种极性的文字不遗漏，但也增加大量非文 字区域的虚警。 对此，本节基于视觉显著性提出两 种极性判断条件，并据此设计单极性 ＳＷＴ 算法。 图 ５（ｄ）、（ｅ）是分别对应（ｂ）、（ｃ）的笔画宽度直方图， 从中可看出，当极性正确情况下笔画宽度直方图更 加集中。 （ａ）原图 （ｂ）ＳＷＴ 方向与文字极性不符 （ｃ）ＳＷＴ 方向与文字极性相符 （ｄ）图（ｂ）对应笔画宽度直方图 （ｅ）图（ｃ）对应笔画宽度直方图 图 ５ 场景文字极性与笔画宽度直方图关系 Ｆｉｇ．５ Ｔｈｅ ｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｔｈｅ ｐｏｌｅ ｏｆ ｓｃｅｎｅ ｔｅｘｔ ａｎｄ ｓｔｒｏｋｅ ｗｉｄｔｈ ｈｉｓｔｏｇｒａｍ 极性判断条件： ①起始阶段不做极性判断，任意选择一种极性 在显著性区域进行 ＳＷＴ。 若其间，任一边缘像素的 射线越过显著性区域边界，则此显著性区域为相反 极性。 ·５６６· 智 能 系 统 学 报 第 １２ 卷
第4期 吕国宁，等：视觉感知式场景文字检测定位方法 ·567. ②如果两种极性SWT计算中均未发生边缘像 表1图模型用到的特征 素的射线越过显著性区域边界情况，则对该显著性 Tablel The feature used in graph model 区域两种极性的笔画宽度图求直方图。按照式(6) 一元代价函数特征 二元代价函数特征 计算两种极性的笔画宽度直方图的集中度，集中度 宽高比/h 颜色 较大的极性为此显著性区域的极性。 占有率N/(w*h) 笔画宽度 h)=Σ(h(0-hi-) (6) N=2 笔画特征1strokeWidth/max(w,h) 式中：h代表笔画宽度直方图，N是划分的bin数 笔画特征2var(strokewidth)/ 目，i代表bin的编号。 mean(strokewidth) 边缘强度N/八o*h) 3 基于图模型的文字候选区域验证与 文字行聚合 4 实验与分析 无向图模型通常被用于图像分割，本节尝试将 本文实验图像来自ICDAR20I3场景文字定位 其表示文字候选区域相互之间的关系，并将文字候 竞赛数据集。ICDAR2013场景文字定位竞赛数据 选区域使用最大流/最小割方法标注为文字与背景。 集是目前英语文字定位算法的主流测试数据集，它 在文字候选区域的无向图G={V,E}中，顶点 取代了2011年之前的主流数据集即ICDAR2005场 V是文字候选区域，边缘E连接着顶点V,表示着文 景文字定位竞赛数据集。ICDAR2013场景文字定 字候选区域的相互关系。当文字候选区域满足如 位竞赛数据集包含训练与测试两部分，本文随机森 式(7)关系则二者相邻。其中x:x分别代表两个文 林分类器的训练数据集来自ICDAR2013场景文字 字候选区域的位置，0：、0：分别代表两个文字候选 定位竞赛数据集的训练集，算法评估则在测试集上 区域的宽度，h:、h,分别代表两个文字候选区域的高 完成，结果如表2。表2中的R代表召回率，P代表 度，dist(x:,)分别代表两个文字候选区域的实际 准确率，F代表综合性能，评价方法按照竞赛标 距离。 准。从表2可以看出本文算法与竞赛大多数算 dist(x:,x）0.4 确率与综合性能)分别比表2中算法第一名的3项 A min(hih;)/max(hi,h;)>0.4 (7) 指标分别高1.48%、0.45%与0.82%。 无向图G的代价函数如式(8)所示。 本文同时对自然场景汉字进行了测试，使用的 数据集如文献[12]描述，评价标准参照文献[11]， E(A)=∑U,(A)+∑B(A) (8) p=1 (p.9]eN 实验结果如表3所示。如文献[12]是2012~2013 式中：U是一元代价函数，B是二元代价函数。一 年间国内研究者算法性能，可以看出本文算法远好 元代价函数是使用如表1中5个特征根据随机森林 于以上两种算法。值得说明，因为国际研究者鲜有 分类器输出得到。 公开的受到研究者一致认可的场景汉字数据集，所 0.5 x Diseolor +0.5 x Disatroke 以可参照的算法与数据集不多。 Bip.)exp 2×σ2 表2 ICDAR2013文字定位竞赛数据集实验结果 (9) Table2 The result in ICDAR 2013 Task2 dataset 式(9)是二元代价函数，Dis与Dis分别代表两 算法性能 方法 个相邻文字候选区域的颜色差值与笔画宽度差值。 R P 最终，图模型求解即文字候选区域的标注则采 USTB TexStar 66.45 88.47 75.90 用文献[9]的最大流/最小割算法。 TextSpotter 64.84 87.51 74.49 在进行文字候选区域验证后，根据文字高度的 CASIA NLPR 68.24 78.89 73.18 相似性、笔画宽度的相似性、颜色的相似性与相对 本文算法 67.93 88.92 76.72 位置关系采用启发规则进行文字行的聚合
②如果两种极性 ＳＷＴ 计算中均未发生边缘像 素的射线越过显著性区域边界情况，则对该显著性 区域两种极性的笔画宽度图求直方图。 按照式（６） 计算两种极性的笔画宽度直方图的集中度，集中度 较大的极性为此显著性区域的极性。 ｆ(ｈ) ＝ １ Ｎ ∑ Ｎ ｉ ＝ ２ （ｈ(ｉ) － ｈ(ｉ － １) ） （６） 式中： ｈ 代表笔画宽度直方图， Ｎ 是划分的 ｂｉｎ 数 目， ｉ 代表 ｂｉｎ 的编号。 ３ 基于图模型的文字候选区域验证与 文字行聚合 无向图模型通常被用于图像分割，本节尝试将 其表示文字候选区域相互之间的关系，并将文字候 选区域使用最大流／ 最小割方法标注为文字与背景。 在文字候选区域的无向图 Ｇ ＝ ｛Ｖ，Ｅ｝ 中，顶点 Ｖ 是文字候选区域，边缘 Ｅ 连接着顶点 Ｖ ，表示着文 字候选区域的相互关系。 当文字候选区域满足如 式（７）关系则二者相邻。 其中 ｘｉ、ｘｊ 分别代表两个文 字候选区域的位置， ｗｉ、ｗｊ 分别代表两个文字候选 区域的宽度， ｈｉ、ｈｊ 分别代表两个文字候选区域的高 度， ｄｉｓｔ（ｘｉ，ｘｊ） 分别代表两个文字候选区域的实际 距离。 ｄｉｓｔ（ｘｉ，ｘｊ） ＜ ２ × ｍｉｎ（ｍａｘ（ｗｉ，ｈｉ），ｍａｘ（ｗｊ，ｈｊ）） ∧ ｍｉｎ（ｗｉ，ｗｊ） ／ ｍａｘ（ｗｉ，ｗｊ） ＞ ０．４ ∧ ｍｉｎ（ｈｉ， ｈｊ） ／ ｍａｘ（ｈｉ，ｈｊ） ＞ ０．４ （７） 无向图 Ｇ 的代价函数如式（８）所示。 Ｅ(Ａ) ＝ ∑ Ｐ ｐ ＝ １ Ｕｐ (Ａ) ＋ {ｐ∑，ｑ} ∈Ｎ Ｂ{ｐ，ｑ} (Ａ) （８） 式中： Ｕ 是一元代价函数， Ｂ 是二元代价函数。 一 元代价函数是使用如表 １ 中 ５ 个特征根据随机森林 分类器输出得到。 Ｂ{ｐ，ｑ} ＝ ｅｘｐ － ０．５ × Ｄｉｓｃｏｌｏｒ ＋ ０．５ × Ｄｉｓｓｔｒｏｋｅ ２ × σ ２ æ è ç ö ø ÷ （９） 式（９）是二元代价函数， Ｄｉｓｃｏｌ 与 Ｄｉｓｓｔｒｏｋｅ 分别代表两 个相邻文字候选区域的颜色差值与笔画宽度差值。 最终，图模型求解即文字候选区域的标注则采 用文献［９］的最大流／ 最小割算法。 在进行文字候选区域验证后，根据文字高度的 相似性、笔画宽度的相似性、颜色的相似性与相对 位置关系采用启发规则进行文字行的聚合。 表 １ 图模型用到的特征 Ｔａｂｌｅ１ Ｔｈｅ ｆｅａｔｕｒｅ ｕｓｅｄ ｉｎ ｇｒａｐｈ ｍｏｄｅｌ 一元代价函数特征 二元代价函数特征 宽高比 ｗ／ ｈ 颜色 占有率 Ｎｃｃ ／ （ｗ∗ｈ） 笔画宽度 笔画特征 １ｓｔｒｏｋｅＷｉｄｔｈ ／ ｍａｘ（ｗ，ｈ） 笔画特征 ２ｖａｒ（ｓｔｒｏｋｅｗｉｄｔｈ） ／ ｍｅａｎ（ｓｔｒｏｋｅｗｉｄｔｈ） 边缘强度 Ｎｅｄｇｅ ／ （ｗ∗ｈ） ４ 实验与分析 本文实验图像来自 ＩＣＤＡＲ ２０１３ 场景文字定位 竞赛数据集。 ＩＣＤＡＲ２０１３ 场景文字定位竞赛数据 集是目前英语文字定位算法的主流测试数据集，它 取代了 ２０１１ 年之前的主流数据集即 ＩＣＤＡＲ ２００５ 场 景文字定位竞赛数据集。 ＩＣＤＡＲ ２０１３ 场景文字定 位竞赛数据集包含训练与测试两部分，本文随机森 林分类器的训练数据集来自 ＩＣＤＡＲ ２０１３ 场景文字 定位竞赛数据集的训练集，算法评估则在测试集上 完成，结果如表 ２。 表 ２ 中的 Ｒ 代表召回率，Ｐ 代表 准确率，Ｆ 代表综合性能， 评价方法按照竞赛标 准［１０］ 。 从表 ２ 可以看出本文算法与竞赛大多数算 法相比是具有竞争力的，３ 个性能指标（召回率、准 确率与综合性能）分别比表 ２ 中算法第一名的 ３ 项 指标分别高 １．４８％、０．４５％与 ０．８２％。 本文同时对自然场景汉字进行了测试，使用的 数据集如文献［１２］描述，评价标准参照文献［１１］， 实验结果如表 ３ 所示。 如文献［１２］ 是 ２０１２ ～ ２０１３ 年间国内研究者算法性能，可以看出本文算法远好 于以上两种算法。 值得说明，因为国际研究者鲜有 公开的受到研究者一致认可的场景汉字数据集，所 以可参照的算法与数据集不多。 表 ２ ＩＣＤＡＲ ２０１３ 文字定位竞赛数据集实验结果 Ｔａｂｌｅ２ Ｔｈｅ ｒｅｓｕｌｔ ｉｎ ＩＣＤＡＲ ２０１３ Ｔａｓｋ２ ｄａｔａｓｅｔ ％ 方法 算法性能 Ｒ Ｐ Ｆ ＵＳＴＢ＿ＴｅｘＳｔａｒ ６６．４５ ８８．４７ ７５．９０ ＴｅｘｔＳｐｏｔｔｅｒ ６４．８４ ８７．５１ ７４．４９ ＣＡＳＩＡ＿ＮＬＰＲ ６８．２４ ７８．８９ ７３．１８ 本文算法 ６７．９３ ８８．９２ ７６．７２ 第 ４ 期 吕国宁，等：视觉感知式场景文字检测定位方法 ·５６７·
·568. 智能系统学报 第12卷 表3场景汉字数据集实验结果 化高度为480，每幅图像平均耗时1.2s。场景文字 Table3 The result in Chinese scene text dataset % 验证阶段的随机森林分类器由150棵树组成，采用 算法性能 方法 交叉验证的方法进行训练，轮流用2/3训练样本训 R P F 练和1/3样本验证。 文献[12] 72 88 76 文献[13] 73 68 71 图6是本文方法效果图，可以看出本文方法取 本文算法 74 89 79 得不错效果，较好排除背景干扰，有效检测定位图 实验在Intel E74O0/2GRAM,MATLAB混合编 像中的场景英文和场景汉字。本文方法是对英文 程情况下完成，实验中单幅图像均保持长宽比归一 与汉字同时有效。 生目移通目 唱四圆 GDC正 8题刀发邑 RDR西 STARWARS 01008 配 Save 困翅 Linen actoru 8超可发因 图6算法效果图 Fig.6 Algorithm result 结论与展望 in images and video:a survey [J].Pattern recognition, 5 2004,37(5):977-997. 本文提出一种视觉感知式场景文字检测定位 [2]BAI Bo,YIN Fei,LIU Chenglin.Scene text localization u- 方法。该方法首先利用颜色通道的对比度显著性 sing gradient local correlation[C]//International Conference 与谱残差显著性获得显著性区域，然后在显著兴趣 on Document Analysis and Recognition,Washington DC, 2013:1412-1416. 区域中采用单极性笔画宽度变换得到文字候选区 [3]姜维，卢朝阳，李静，等.针对场景文字的基于视觉显 域，最后再根据文字候选区域自身信息与相互之间 著性和提升框架的背景抑制方法[J].电子与信息学报， 信息基于图模型筛选得到文字区域。第1个步骤对 2014,36(3):617-623. 应于视觉感知机制的预注意过程，后两个步骤对应 JIANG Wei,LU Zhaoyang,LI Jing,et al.Visual saliency 于视觉感知机制的注意过程。实验表明，本文方法 and boosting based background suppression for scene text 在ICDAR2013与ICDAR2005竞赛数据集中取得 []Journal of electronics information technology,2014, 较有竞争力的结果。本文创新点在于利用颜色通 36(3):617-623. 道的对比度显著性与谱残差显著性获得显著性区 [4]CONG Yao,et al.Detecting texts of arbitrary orientations in 域以减少后续算法的虚警率，并根据显著性算法设 natural images[C]//IEEE Conference on Computer Vision 计单极性笔画宽度变换。 and Pattern Recognition,Providence.2012:1083-1090. [5]LI Yao,JIA Wenjing,SHEN Chunhua,et al.Characterness: 参考文献： an indicator of text in the wild[J].IEEE transactions on image processing,2014,23(4):1666-1677. [1]JUNG K,KIM K I,JAIN A K.Text information extraction [6]赵春晖，王佳，王玉磊.采用背景抑制和自适应阈值分
表 ３ 场景汉字数据集实验结果 Ｔａｂｌｅ３ Ｔｈｅ ｒｅｓｕｌｔ ｉｎ Ｃｈｉｎｅｓｅ ｓｃｅｎｅ ｔｅｘｔ ｄａｔａｓｅｔ ％ 方法 算法性能 Ｒ Ｐ Ｆ 文献［１２］ ７２ ８８ ７６ 文献［１３］ ７３ ６８ ７１ 本文算法 ７４ ８９ ７９ 实验在 Ｉｎｔｅｌ Ｅ７４００ ／ ２Ｇ ＲＡＭ，ＭＡＴＬＡＢ 混合编 程情况下完成，实验中单幅图像均保持长宽比归一 化高度为 ４８０，每幅图像平均耗时 １．２ ｓ。 场景文字 验证阶段的随机森林分类器由 １５０ 棵树组成，采用 交叉验证的方法进行训练，轮流用 ２ ／ ３ 训练样本训 练和 １ ／ ３ 样本验证。 图 ６ 是本文方法效果图，可以看出本文方法取 得不错效果，较好排除背景干扰，有效检测定位图 像中的场景英文和场景汉字。 本文方法是对英文 与汉字同时有效。 图 ６ 算法效果图 Ｆｉｇ．６ Ａｌｇｏｒｉｔｈｍ ｒｅｓｕｌｔ ５ 结论与展望 本文提出一种视觉感知式场景文字检测定位 方法。 该方法首先利用颜色通道的对比度显著性 与谱残差显著性获得显著性区域，然后在显著兴趣 区域中采用单极性笔画宽度变换得到文字候选区 域，最后再根据文字候选区域自身信息与相互之间 信息基于图模型筛选得到文字区域。 第 １ 个步骤对 应于视觉感知机制的预注意过程，后两个步骤对应 于视觉感知机制的注意过程。 实验表明，本文方法 在 ＩＣＤＡＲ ２０１３ 与 ＩＣＤＡＲ ２００５ 竞赛数据集中取得 较有竞争力的结果。 本文创新点在于利用颜色通 道的对比度显著性与谱残差显著性获得显著性区 域以减少后续算法的虚警率，并根据显著性算法设 计单极性笔画宽度变换。 参考文献： ［１］ＪＵＮＧ Ｋ， ＫＩＭ Ｋ Ｉ， ＪＡＩＮ Ａ Ｋ． Ｔｅｘｔ ｉｎｆｏｒｍａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ ｉｎ ｉｍａｇｅｓ ａｎｄ ｖｉｄｅｏ： ａ ｓｕｒｖｅｙ ［ Ｊ］． Ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ， ２００４， ３７（５）： ９７７－９９７． ［２］ＢＡＩ Ｂｏ， ＹＩＮ Ｆｅｉ， ＬＩＵ Ｃｈｅｎｇｌｉｎ． Ｓｃｅｎｅ ｔｅｘｔ ｌｏｃａｌｉｚａｔｉｏｎ ｕ⁃ ｓｉｎｇ ｇｒａｄｉｅｎｔ ｌｏｃａｌ ｃｏｒｒｅｌａｔｉｏｎ［Ｃ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｄｏｃｕｍｅｎｔ Ａｎａｌｙｓｉｓ ａｎｄ Ｒｅｃｏｇｎｉｔｉｏｎ， Ｗａｓｈｉｎｇｔｏｎ ＤＣ， ２０１３： １４１２－１４１６． ［３］姜维， 卢朝阳， 李静， 等． 针对场景文字的基于视觉显 著性和提升框架的背景抑制方法［Ｊ］． 电子与信息学报， ２０１４， ３６（３）： ６１７－６２３． ＪＩＡＮＧ Ｗｅｉ， ＬＵ Ｚｈａｏｙａｎｇ， ＬＩ Ｊｉｎｇ， ｅｔ ａｌ． Ｖｉｓｕａｌ ｓａｌｉｅｎｃｙ ａｎｄ ｂｏｏｓｔｉｎｇ ｂａｓｅｄ ｂａｃｋｇｒｏｕｎｄ ｓｕｐｐｒｅｓｓｉｏｎ ｆｏｒ ｓｃｅｎｅ ｔｅｘｔ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｅｌｅｃｔｒｏｎｉｃｓ ＆ ｉｎｆｏｒｍａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ， ２０１４， ３６（３）： ６１７－６２３． ［４］ＣＯＮＧ Ｙａｏ， ｅｔ ａｌ． Ｄｅｔｅｃｔｉｎｇ ｔｅｘｔｓ ｏｆ ａｒｂｉｔｒａｒｙ ｏｒｉｅｎｔａｔｉｏｎｓ ｉｎ ｎａｔｕｒａｌ ｉｍａｇｅｓ［Ｃ］ ／ ／ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， Ｐｒｏｖｉｄｅｎｃｅ． ２０１２： １０８３－１０９０． ［５］ＬＩ Ｙａｏ， ＪＩＡ Ｗｅｎｊｉｎｇ， ＳＨＥＮ Ｃｈｕｎｈｕａ， ｅｔ ａｌ． Ｃｈａｒａｃｔｅｒｎｅｓｓ： ａｎ ｉｎｄｉｃａｔｏｒ ｏｆ ｔｅｘｔ ｉｎ ｔｈｅ ｗｉｌｄ［Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ， ２０１４， ２３（４）： １６６６－１６７７． ［６］赵春晖， 王佳， 王玉磊． 采用背景抑制和自适应阈值分 ·５６８· 智 能 系 统 学 报 第 １２ 卷
第4期 吕国宁，等：视觉感知式场景文字检测定位方法 ·569- 割的高光谱异常目标检测[J].哈尔滨工程大学学报， [11]LUCAS S M.ICDAR 2005 text locating competition results 2016,37(2):278-283. [C]//8th International Conference on Document Analysis ZHAO Chunhui,WANG Jia,WANG Yulei.Hyperspectral and Recognition.2005:80-84. anomaly detection based on background suppression and a- [12]姜维，卢朝阳，李静，等.基于角点类别特征和边缘幅值 daptive threshold segmentation[J].Journal of Harbin engi- 方向梯度直方图统计特征的复杂场景文字定位算法 neering university,2016,37(2):278-283.[7]HOU X [J].吉林大学学报：工学版，2013,43(1)：250-255. D,ZHANG L Q.Saliency detection:a spectral residual ap- JIANG Wei,LU Zhaoyang,LI Jing,et al.Text localization proach[C]//IEEE Conference on Computer Vision and Pat- algorithm in complex scene based on corner-type feature tern Recognition,Minneapolis,2007:1-8. and histogram of oriented gradients of edge magnitude sta- [8]EPSHTEIN B,OFEK E,WEXLER Y.Detecting text in tistical feature[J].Journal of Jilin University:engineering natural scenes with stroke width transform C//IEEE Inter- and technology edition,2013,43(1):250-255. national Conference on Computer Vision and Pattern Recog- 作者简介： nition.San Francisco,2010:2963-2970. [9]BOYKOV Y,KOLMOGOROV V.An experimental compari- 吕国宁，男，1981年生，讲师，主要 son of min-cut/max-flow algorithms for energy minimization 研究方向为人工智能和大数据。 in vision[J].IEEE transaction pattern analysis and machine intelligence,2004,26(9):1124-1137. [10]KARATZAS D,SHAFAIT F,UCHIDA S,et al.ICDAR 2013 Robust Reading Competition[C]//IEEE International Confer- ence on Document Analysis and Recognition.Washington DC, 2013:1484-1493. 2017机器人及机电一体化国际会议(ICRoM2017) 2017 the International Conference on Robotics and Mechantronics (ICRoM 2017) 2017 the International Conference on Robotics and Mechantronics(ICRoM 2017)will be held during December 12- 14,2017,Hongkong. Topics of interest include all aspects,but not limited to: Mechatronics and Robotics Lean Manufacturing Logistics Actuator design,robotic mechanisms and design, Machine Vision robot kinematics and dynamics Management of Technology Agile Manufacturing Manufacturing Mining robotics Mobile robotics Agriculture,construction,industrial automation, Modeling and Simulation Scheduling manufacturing process Nano/micro systems and applications,biological and Automation and control systems,middleware medical applications Biomedical and rehabilitation engineering,welfare Navigation,localization,manipulation robotics and mechatronics Operations Management Cellular Manufacturing Rapid Prototype Concurrent Engineering Rescue,hazardous environments Design for Manufacture and Assembly Robot intelligence and learning Distributed Control Systems Robot vision and audition Flexible Manufacturing Systems Robots and Automation FMS Artificial Intelligence Sensor design,sensor fusion,sensor networks Humanoid robots,service robots Sensor development Sensors and Applications Human-robot interaction, semi autonomous Sustainability,energy conservation,ecology systems,telerobotics Universal design and services,ubiquitous robots Information Technology Applied to and devices Knowledge Based Systems
割的高光谱异常目标检测［ Ｊ］． 哈尔滨工程大学学报， ２０１６， ３７（２）： ２７８－２８３． ＺＨＡＯ Ｃｈｕｎｈｕｉ， ＷＡＮＧ Ｊｉａ， ＷＡＮＧ Ｙｕｌｅｉ． Ｈｙｐｅｒｓｐｅｃｔｒａｌ ａｎｏｍａｌｙ ｄｅｔｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｂａｃｋｇｒｏｕｎｄ ｓｕｐｐｒｅｓｓｉｏｎ ａｎｄ ａ⁃ ｄａｐｔｉｖｅ ｔｈｒｅｓｈｏｌｄ ｓｅｇｍｅｎｔａｔｉｏｎ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ ｅｎｇｉ⁃ ｎｅｅｒｉｎｇ ｕｎｉｖｅｒｓｉｔｙ， ２０１６， ３７（ ２）： ２７８－ ２８３． ［ ７］ ＨＯＵ Ｘ Ｄ， ＺＨＡＮＧ Ｌ Ｑ． Ｓａｌｉｅｎｃｙ ｄｅｔｅｃｔｉｏｎ： ａ ｓｐｅｃｔｒａｌ ｒｅｓｉｄｕａｌ ａｐ⁃ ｐｒｏａｃｈ［Ｃ］ ／ ／ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔ⁃ ｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， Ｍｉｎｎｅａｐｏｌｉｓ， ２００７： １－８． ［８］ ＥＰＳＨＴＥＩＮ Ｂ， ＯＦＥＫ Ｅ， ＷＥＸＬＥＲ Ｙ． Ｄｅｔｅｃｔｉｎｇ ｔｅｘｔ ｉｎ ｎａｔｕｒａｌ ｓｃｅｎｅｓ ｗｉｔｈ ｓｔｒｏｋｅ ｗｉｄｔｈ ｔｒａｎｓｆｏｒｍ［Ｃ］ ／ ／ ＩＥＥＥ Ｉｎｔｅｒ⁃ ｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇ⁃ ｎｉｔｉｏｎ． Ｓａｎ Ｆｒａｎｃｉｓｃｏ， ２０１０： ２９６３－２９７０． ［９］ＢＯＹＫＯＶ Ｙ， ＫＯＬＭＯＧＯＲＯＶ Ｖ． Ａｎ ｅｘｐｅｒｉｍｅｎｔａｌ ｃｏｍｐａｒｉ⁃ ｓｏｎ ｏｆ ｍｉｎ⁃ｃｕｔ ／ ｍａｘ⁃ｆｌｏｗ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｅｎｅｒｇｙ ｍｉｎｉｍｉｚａｔｉｏｎ ｉｎ ｖｉｓｉｏｎ［Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎ ｐａｔｔｅｒｎ ａｎａｌｙｓｉｓ ａｎｄ ｍａｃｈｉｎｅ ｉｎｔｅｌｌｉｇｅｎｃｅ， ２００４， ２６（９）： １１２４－１１３７． ［１０］ＫＡＲＡＴＺＡＳ Ｄ， ＳＨＡＦＡＩＴ Ｆ， ＵＣＨＩＤＡ Ｓ， ｅｔ ａｌ． ＩＣＤＡＲ ２０１３ Ｒｏｂｕｓｔ Ｒｅａｄｉｎｇ Ｃｏｍｐｅｔｉｔｉｏｎ［Ｃ］ ／ ／ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒ⁃ ｅｎｃｅ ｏｎ Ｄｏｃｕｍｅｎｔ Ａｎａｌｙｓｉｓ ａｎｄ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｗａｓｈｉｎｇｔｏｎ ＤＣ， ２０１３： １４８４－１４９３． ［１１］ ＬＵＣＡＳ Ｓ Ｍ． ＩＣＤＡＲ ２００５ ｔｅｘｔ ｌｏｃａｔｉｎｇ ｃｏｍｐｅｔｉｔｉｏｎ ｒｅｓｕｌｔｓ ［Ｃ］ ／ ／ ８ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｄｏｃｕｍｅｎｔ Ａｎａｌｙｓｉｓ ａｎｄ Ｒｅｃｏｇｎｉｔｉｏｎ． ２００５： ８０－８４． ［１２］姜维，卢朝阳，李静，等． 基于角点类别特征和边缘幅值 方向梯度直方图统计特征的复杂场景文字定位算法 ［Ｊ］． 吉林大学学报： 工学版， ２０１３， ４３（１）： ２５０－２５５． ＪＩＡＮＧ Ｗｅｉ， ＬＵ Ｚｈａｏｙａｎｇ， ＬＩ Ｊｉｎｇ， ｅｔ ａｌ． Ｔｅｘｔ ｌｏｃａｌｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｉｎ ｃｏｍｐｌｅｘ ｓｃｅｎｅ ｂａｓｅｄ ｏｎ ｃｏｒｎｅｒ⁃ｔｙｐｅ ｆｅａｔｕｒｅ ａｎｄ ｈｉｓｔｏｇｒａｍ ｏｆ ｏｒｉｅｎｔｅｄ ｇｒａｄｉｅｎｔｓ ｏｆ ｅｄｇｅ ｍａｇｎｉｔｕｄｅ ｓｔａ⁃ ｔｉｓｔｉｃａｌ ｆｅａｔｕｒｅ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｊｉｌｉｎ Ｕｎｉｖｅｒｓｉｔｙ： ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ ｔｅｃｈｎｏｌｏｇｙ ｅｄｉｔｉｏｎ， ２０１３， ４３（１）： ２５０－２５５． 作者简介： 吕国宁，男，１９８１ 年生，讲师，主要 研究方向为人工智能和大数据。 ２０１７ 机器人及机电一体化国际会议 （ ＩＣＲｏＭ ２０１７） ２０１７ ｔｈｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒｏｂｏｔｉｃｓ ａｎｄ Ｍｅｃｈａｎｔｒｏｎｉｃｓ （ ＩＣＲｏＭ ２０１７） ２０１７ ｔｈｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒｏｂｏｔｉｃｓ ａｎｄ Ｍｅｃｈａｎｔｒｏｎｉｃｓ （ＩＣＲｏＭ ２０１７） ｗｉｌｌ ｂｅ ｈｅｌｄ ｄｕｒｉｎｇ Ｄｅｃｅｍｂｅｒ １２－ １４， ２０１７， Ｈｏｎｇｋｏｎｇ． Ｔｏｐｉｃｓ ｏｆ ｉｎｔｅｒｅｓｔ ｉｎｃｌｕｄｅ ａｌｌ ａｓｐｅｃｔｓ ， ｂｕｔ ｎｏｔ ｌｉｍｉｔｅｄ ｔｏ： Ｍｅｃｈａｔｒｏｎｉｃｓ ａｎｄ Ｒｏｂｏｔｉｃｓ Ａｃｔｕａｔｏｒ ｄｅｓｉｇｎ， ｒｏｂｏｔｉｃ ｍｅｃｈａｎｉｓｍｓ ａｎｄ ｄｅｓｉｇｎ， ｒｏｂｏｔ ｋｉｎｅｍａｔｉｃｓ ａｎｄ ｄｙｎａｍｉｃｓ Ａｇｉｌｅ Ｍａｎｕｆａｃｔｕｒｉｎｇ Ａｇｒｉｃｕｌｔｕｒｅ， ｃｏｎｓｔｒｕｃｔｉｏｎ， ｉｎｄｕｓｔｒｉａｌ ａｕｔｏｍａｔｉｏｎ， ｍａｎｕｆａｃｔｕｒｉｎｇ ｐｒｏｃｅｓｓ Ａｕｔｏｍａｔｉｏｎ ａｎｄ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍｓ， ｍｉｄｄｌｅｗａｒｅ Ｂｉｏｍｅｄｉｃａｌ ａｎｄ ｒｅｈａｂｉｌｉｔａｔｉｏｎ ｅｎｇｉｎｅｅｒｉｎｇ， ｗｅｌｆａｒｅ ｒｏｂｏｔｉｃｓ ａｎｄ ｍｅｃｈａｔｒｏｎｉｃｓ Ｃｅｌｌｕｌａｒ Ｍａｎｕｆａｃｔｕｒｉｎｇ Ｃｏｎｃｕｒｒｅｎｔ Ｅｎｇｉｎｅｅｒｉｎｇ Ｄｅｓｉｇｎ ｆｏｒ Ｍａｎｕｆａｃｔｕｒｅ ａｎｄ Ａｓｓｅｍｂｌｙ Ｄｉｓｔｒｉｂｕｔｅｄ Ｃｏｎｔｒｏｌ Ｓｙｓｔｅｍｓ Ｆｌｅｘｉｂｌｅ Ｍａｎｕｆａｃｔｕｒｉｎｇ Ｓｙｓｔｅｍｓ ＦＭＳ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｈｕｍａｎｏｉｄ ｒｏｂｏｔｓ， ｓｅｒｖｉｃｅ ｒｏｂｏｔｓ Ｈｕｍａｎ⁃ｒｏｂｏｔ ｉｎｔｅｒａｃｔｉｏｎ， ｓｅｍｉ － ａｕｔｏｎｏｍｏｕｓ ｓｙｓｔｅｍｓ， ｔｅｌｅｒｏｂｏｔｉｃｓ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ａｐｐｌｉｅｄ ｔｏ Ｋｎｏｗｌｅｄｇｅ Ｂａｓｅｄ Ｓｙｓｔｅｍｓ Ｌｅａｎ Ｍａｎｕｆａｃｔｕｒｉｎｇ Ｌｏｇｉｓｔｉｃｓ Ｍａｃｈｉｎｅ Ｖｉｓｉｏｎ Ｍａｎａｇｅｍｅｎｔ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ Ｍａｎｕｆａｃｔｕｒｉｎｇ Ｍｉｎｉｎｇ ｒｏｂｏｔｉｃｓ Ｍｏｂｉｌｅ ｒｏｂｏｔｉｃｓ Ｍｏｄｅｌｉｎｇ ａｎｄ Ｓｉｍｕｌａｔｉｏｎ Ｓｃｈｅｄｕｌｉｎｇ Ｎａｎｏ ／ ｍｉｃｒｏ ｓｙｓｔｅｍｓ ａｎｄ ａｐｐｌｉｃａｔｉｏｎｓ， ｂｉｏｌｏｇｉｃａｌ ａｎｄ ｍｅｄｉｃａｌ ａｐｐｌｉｃａｔｉｏｎｓ Ｎａｖｉｇａｔｉｏｎ， ｌｏｃａｌｉｚａｔｉｏｎ， ｍａｎｉｐｕｌａｔｉｏｎ Ｏｐｅｒａｔｉｏｎｓ Ｍａｎａｇｅｍｅｎｔ Ｒａｐｉｄ Ｐｒｏｔｏｔｙｐｅ Ｒｅｓｃｕｅ， ｈａｚａｒｄｏｕｓ ｅｎｖｉｒｏｎｍｅｎｔｓ Ｒｏｂｏｔ ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ ｌｅａｒｎｉｎｇ Ｒｏｂｏｔ ｖｉｓｉｏｎ ａｎｄ ａｕｄｉｔｉｏｎ Ｒｏｂｏｔｓ ａｎｄ Ａｕｔｏｍａｔｉｏｎ Ｓｅｎｓｏｒ ｄｅｓｉｇｎ， ｓｅｎｓｏｒ ｆｕｓｉｏｎ， ｓｅｎｓｏｒ ｎｅｔｗｏｒｋｓ Ｓｅｎｓｏｒ ｄｅｖｅｌｏｐｍｅｎｔ Ｓｅｎｓｏｒｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ Ｓｕｓｔａｉｎａｂｉｌｉｔｙ， ｅｎｅｒｇｙ ｃｏｎｓｅｒｖａｔｉｏｎ， ｅｃｏｌｏｇｙ Ｕｎｉｖｅｒｓａｌ ｄｅｓｉｇｎ ａｎｄ ｓｅｒｖｉｃｅｓ， ｕｂｉｑｕｉｔｏｕｓ ｒｏｂｏｔｓ ａｎｄ ｄｅｖｉｃｅｓ 第 ４ 期 吕国宁，等：视觉感知式场景文字检测定位方法 ·５６９·
