文本信息是图像中的重要线索,检测图像中的文本是智能信息处理的重要课题之一。传统的文本检测任务通常是用来提取文档图像中的文字。因为文档的背景一般比较干净、没有复杂的纹理信息,文本信息提取往往比较简单,然而在自然场景下,文本提取的难度往往远大于此,一个原因是它的背景非常丰富,例如街道、植被、楼宇等,另外文字的展现形式也是各种各样,艺术字、变形字、多语言混合、残缺字、光影遮蔽等,而且自然场景图片的质量往往不如传统文档图片的质量,正是这些原因造成了自然场景下的文本检测的效果还不尽人意。论文研究内容主要包括以下两点:1.针对文本检测的准确性问题,论文研究了一种基于CTPN（Connectionist Text Proposal Network）的倾斜文本检测算法,论文改进了CTPN网络的文本框拟合方式以及文本框分组策略,并在CTPN网络后面串联CRNN（Convolutional Recurent Neural Network）文本识别网络剔除错检结果,使其能够精确检测自然场景中的倾斜文本。改进后的CTPN算法可以准确框选出自然场景下的倾斜文本区域,在MSRATD500数据集上的测试准确率达到0.84。2.针对文本检测的快速性问题,论文研究了一种基于YOLOv3-tiny的水平文本检测算法,论文在通用目标检测框架YOLOv3-tiny的基础上,通过改进Anchor Box纵横比以及改变卷积核大小,将YOLOv3-tiny迁移到文本检测任务中,使其能够快速检测自然场景中的倾斜文本。改进后的YOLOv3-tiny更适合于文本检测任务,最后在ICDAR2013数据集上的测试准确率为0.532,该算法与其他算法相比准确率不具有优势,但是它有着极快的检测速度,在CPU上检测速度为30fps,并且该算法更加轻量级,可以部署到移动设备上,论文最终将此算法移植到Android移动端设备成功运行。论文中研究的两个算法侧重点不同,基于CTPN的倾斜文本检测算法更加准确但是运算速度较慢;基于YOLOv3-tiny的水平文本检测算法虽然精度不高,但是检测速度很快,现实中可以根据应用场景选择不同的解决方案。