浅析点对点(End-to-End)的场景文字识别(图片文字)

Posted 2020-06-08

一、背景

随着智能手机的广泛普及和移动互联网的迅速发展，通过手机等移动终端的摄像头获取、检索和分享资讯已经逐步成为一种生活方式。基于摄像头的 (Camera-based)的应用更加强调对拍摄场景的理解。通常，在文字和其他物体并存的场景，用户往往首先更关注场景中的文字信息，因而如何能够正 确识别场景中的文字，对用户拍摄意图会有更深入的理解。一般意义上，基于图像的文字识别包括基于扫描文字的光学字符识别(Optical Character Recognition, OCR) 和广泛用于网站注册验证的CAPTCHA (Completely Automated Public Turing Test to Tell Computers and Humans Apart,全自动区分计算机和人类的图灵测试)。相比较而言，基于扫描仪的OCR最简单，CAPTCHA最难，场景文字识别则介于这两者之间，如图1所示^[1]。

图1基于图像的文字识别

场景文字与扫描文字的最大区别在于其背景往往比较复杂，而且对设备(如移动设备或计算机)来说，文字位置是不确定的。其次，光照对文字的影响也是非常大的。最后相比传统OCR处理的情况，很多场景文字更加多样化，具有较大的内类变化。

 

二、两种识别方案

一种自然而然的想法，是首先检测并定位到文字区域(文字检测)，然后再将检测到的文字块送到现有的OCR中进行识别(文字识别)，但是上述场景文字存在的难题均对这种方案形成了挑战。从本质上讲，这种方案将文字检测和识别完全割裂开，严重依赖文字检测和分割性能。

近年来，一种截然不同的点对点文字定位和识别系统逐渐开始引起学术界和工业界的关注。该系统从物体识别角度出发，同时进行文字检测和识别，在场景文字识别中取得了较好的效果。本文就以英文识别为例，简要介绍一下点对点的文字检测与识别系统。

三、点对点场景文字识别系统

通常点对点系统通常包括：a)字符检测；b)同时单词检测和识别。

1.字符检测

字符识别主要是判断某个图像块(image patch)是否是字符。图像块的选取既可以用滑动窗口(Sliding Window)进行多尺度扫描，也可以通过连通域分析(Connected Component Analysis, CCA)得到。基于滑动窗口的方法，最经典的应用来自于人脸检测，但其最大的问题在于：一方面会产生很多的候选区域，另一方面容易产生字符间和字符内的混 淆。如图2所示^[2]。在两个O之间的滑动窗口容易被误认成为X，而框了一半的B容易被误认为E.

图2字符间和字符内混淆

而基于CCA的方法虽然复杂度较低，但很容易受到背景的干扰，且对模糊图像无能为力。如文献[3]就采用基于极性区域的连通域来形成文字候选区。

通常对图像块的特征描述往往采用的Histograms of Oriented Gradients (HOG) ,分类器可以使用支持向量机(Support  Vector Machine, SVM)，近邻(Nearest Neighbor, NN), Adaboost等。

2.单词同时检测和识别

由于字符检测一般利用的是bottom-up的信息，故而检测得到字符候选区域包含一定的false positive。为此，单词同时检测和识别模块，往往需要借助top-down信息(如词典信息)^[2,3,4]。

在文献[2],针对字符检测结果，采用了条件随机场(Conditional Random Field, CRF)来模拟字符识别的置信度，字符间的关系(位置和语义上)。CRF的能量函数定义如下式所示。

其中第一项表达了单个候选区的置信度，而第二项则描述了两个候选区之间的关系，包括了几何位置上的重叠关系和在词典(Lexicon)中两个字母出现的概率情况。

图3 单词同时检测和识别

通过CRF，图3中的单词就可以准确地被识别成door，而非doxr。除了CRF，Wang等^[4]还借用了Pictorial Structures等来完成单词的检测和识别。

四、方案效果对比

为了对比第二节中两种方案，表1给出了上述提及的三种点对点系统和传统OCR系统(商用软件ABBYY, www.abbyy.com)识别效果对比。使用的两个数据集为街景文字文字数据库(Street View Text)^[1]和ICDAR数据库(http://algoval.essex.ac.uk/icdar/RobustWord.html)，如图4所示。

图4 SVT(左)和ICDAR(右)数据库样例

显然，点对点的系统均优于传统OCR的识别。

五、一点思考

目前点对点的系统大部分还是针对英文的识别，主要是因为英文的类别相对来说还是比较小的(62类，26个大小写英文字母和10个数字)，而对于类别数目较大的中文一直是我们思考的问题。

参考文献

[1].      K. Wang and S. Belongie. Word spotting in the wild. In Proc. ECCV, 2010.

[2].     A. Mishra and K. Alahari. Top-Down and Bottom-Up Cues for Scene Text Recognition. In Proc. CVPR, 2012.

[3].     L. Neumann and J. Matas. Real-Time Scene Location and Recognition. In Proc. CVPR, 2012.

[4].     K. Wang, B. Babenko, and S. Belongie.  End-to-end scene text recognition. In Proc. ICCV, 2011.