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）<2×min(max(w:,h:),max(w,h))） 法相比是具有竞争力的，3个性能指标（召回率、准 Λmin(w:.0;)/max(w:,0;）>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·