随着移动智能设备的迅速普及、社交网络和视频网站的大规模兴起并日益深入生活,视频已经成为了一种重要的信息载体,对于视频数据的智能分析与智能处理需求也愈来愈迫切。视频中的文字作为一种高级特征,直接包含了语义信息,往往准确表达了视频关键内容,它不仅是一种重要的获取视频内容的途径,而且也是视频检索和视频内容理解的重要依据。因此视频文字检测技术对于视频数据的智能分析和处理具有重要的研究意义,在智能驾驶、地理定位、网络安全等方面拥有广阔的应用前景。传统的文字检测算法都是针对单个图像,由于视频普遍存在数据量大、光照不均、低分辨率、复杂背景、文字多方向等情况,直接应用已有的图像文字检测算法往往检测效果不佳、检测速度较慢。视频的突出特点是它包含时域冗余信息,本文通过挖掘时域冗余信息应对以上挑战,提出了有效的视频文字检测方案,提高了检测的精度和速度,本文的主要工作和贡献有:1、针对视频帧文字检测任务设计了一种全卷积神经网络检测模型,该模型通过多层的网络结构能够提取丰富的特征信息,不仅能检测水平方向的文字,而且能检测多方向的文字,本文的实验结果也证明了该检测模型的有效性和通用性。2、视频数据量较大,使用单帧文字检测模型进行逐帧检测时计算效率低,本文根据相邻视频帧内容变化小的特点,将光流信息加入检测网络,从而只需要对关键帧进行直接的特征图提取,然后利用光流信息将关键帧的特征图传播到相邻视频帧,极大的节约了特征提取时间。加入光流后的检测网络经过充分的端到端训练后,能够在基本保持性能的同时加快检测速度。3、在文字背景复杂、光照不均、视频模糊等情况下,单视频帧的文字检测模型不可避免的存在着局限性,会出现漏检、误检等。针对这一问题,本文利用相邻帧存在互补信息的特点,进一步挖掘时域冗余信息,对单帧的检测结果进行融合,从而对误检、漏检进行修正,提高检测的精度。本文在Minetto和ICDAR2015两个公开的视频文字数据集上对提出的算法进行了实验验证,实验结果表明本文提出的检测方案在检测速度和检测精度上都取得了良好的结果。