场景文本检测,指的是定位场景图像或者视频中的文字区域,并用一个包围框将其标识出来。检测不规则形状的文本是最具挑战性的任务之一,它要求给出一个紧密包围文字区域的多边形包围框,文本表征更加复杂,也更能满足现实中的需求。目前不规则形状的场景文本检测算法,主要可以分为自上而下的基于实例分割的算法与自下而上的基于语义分割的算法。然而,现有的工作依然存在一些问题。例如,基于语义分割的算法后处理过程复杂;常规的文本检测算法对阈值选择较敏感;常规的文本检测算法很少考虑到文本对象边界不明显的特征;某些文本检测算法在输入图像的分辨率提高时,会将文本行检测为断开的若干单词。针对上述问题,本文从模型融合、文字边缘处理和多尺度特征图融合三个方面开展自然场景图像中的不规则形状文本检测的算法研究。本文的主要研究内容和工作如下:1.本文提出了一种结合多种表征方式的文本检测算法。为了解决基于语义分割的算法后处理过程复杂的问题,本文引入一种文本核增强算法,将语义分割分支和实例分割分支的输出结合起来。实验表明,该算法能够在后处理阶段有效降低35%以上的待处理像素点,从而减少了后处理过程的时间开销。2.本文提出了一种对阈值选择不敏感的文本检测算法。常规的检测算法对阈值选择敏感。为了解决该问题,本文在计算损失函数时引入一种随着训练过程渐进衰减的边缘权重与尺寸权重,有效地降低了文本边缘的不确定标注带来的不利影响。由于获得了准确的文本核预测结果,该算法可以免去复杂的后处理过程,在检测速度上快于大多数现有方法。实验表明,该算法在Total-Text数据集上达到了86.1%的F1值,在MSRA-TD500数据集上达到了89.3%的F1值,优于现有的文本检测方法。同时,该算法拥有对阈值选择不敏感的特性,在不同阈值选择下性能表现稳定。3.本文提出了一种自适应融合多尺度特征图的文本检测算法。常规算法在检测高分辨率图像时,难以感知完整的文本行。针对这个问题,本文先将特征图上采样到不同尺度,然后利用一个融合模块将它们融合。该算法可以通过学习环境上下文来自适应地调整不同尺度的特征图的权重。实验表明,在输入图像的分辨率较高时,与基线算法相比,该算法检测文本行的准确率稳定提升4%以上,检测速度几乎保持不变。