其他分享
首页 > 其他分享> > 场景文字检测—CTPN原理与实现

场景文字检测—CTPN原理与实现

作者：互联网

原文地址： https://zhuanlan.zhihu.com/p/34757009 推荐原文

对于复杂场景的文字识别，首先要定位文字的位置，即文字检测。这一直是一个研究热点。

Detecting Text in Natural Image with Connectionist Text Proposal Network​arxiv.org

 

CTPN是在ECCV 2016提出的一种文字检测算法。CTPN结合CNN与LSTM深度网络，能有效的检测出复杂场景的横向分布的文字，效果如图1，是目前比较好的文字检测算法。由于CTPN是从Faster RCNN改进而来，本文默认读者熟悉CNN原理和Faster RCNN网络结构。

https://pic1.zhimg.com/80/v2-658b7caad2c9a8163efe314e7cd6f284_hd.jpg图1 场景文本检测

CTPN相关：

caffe代码：

tianzhi0549 - Overview​github.com

CTPN网络结构

原始CTPN只检测横向排列的文字。CTPN结构与Faster R-CNN基本类似，但是加入了LSTM层。假设输入   Images：

 

 

该特征既包含空间特征，也包含了LSTM学习到的序列特征。

https://pic3.zhimg.com/80/v2-b29f366f73ac0fba695435770e85809e_hd.jpg图2 CTPN网络结构

更具体的网络结构，请使用netscope查看CTPN的deploy.prototxt网络配置文件。

这里解释一下conv5 feature map如何从  变为 ：

https://pic4.zhimg.com/80/v2-4399a8ecb012241fa542e084eb7d727f_hd.jpg

在原版caffe代码中是用im2col提取每个点附近的9点临近点，然后每行都如此处理：

 

接着每个通道都如此处理：

 

而im2col是用于卷积加速的操作，即将卷积变为矩阵乘法，从而使用Blas库快速计算。

特别说明：上述是对原Paper+Caffe代码的解释，其它代码实现异同不在本文讨论范围内！

接下来，文章围绕下面三个问题展开：

  1. 为何使用双向LSTM
  2. 如何通过FC层输出产生图2-b中的Text proposals
  3. 如何通过Text proposals确定最终的文本位置，即文本线构造算法

为何使用双向LSTM?

完全解析RNN，Seq2Seq和Attention机制​zhuanlan.zhihu.com

Understanding LSTM Networks​colah.github.io

https://pic1.zhimg.com/80/v2-8d72777321cbf1336b79d839b6c7f9fc_hd.jpg图3 CNN卷积计算示意图

CNN学习的是感受野内的空间信息，LSTM学习的是序列特征。对于文本序列检测，显然既需要CNN抽象空间特征，也需要序列特征（毕竟文字是连续的）。

CTPN中使用双向LSTM，相比一般单向LSTM有什么优势？双向LSTM实际上就是将2个方向相反的LSTM连起来，如图r。

https://pic1.zhimg.com/80/v2-bc5266c4587af49516adb2cee4351838_hd.jpg图4 BLSTM

一般来说，双向LSTM都好于单向LSTM。还是看LSTM介绍文章中的例子：

我的手机坏了，我打算____一部新手机。

假设使用LSTM对空白部分填词。如果只看横线前面的词，“手机坏了”，那么“我”是打算“修”还是“买”还是“大哭一场”？双向LSTM能看到后面的词是“一部新手机“，那么横线上的词填“买“的概率就大得多了。显然对于文字检测，这种情况也依然适用。

如何通过"FC"卷积层输出产生图2-b中的Text proposals?

https://pic2.zhimg.com/80/v2-8496528d21dfd1c4e90df4ff57fa6221_hd.jpg图5 CTPN的RPN网络

CTPN通过CNN和BLSTM学到一组“空间 + 序列”特征后，在"FC"卷积层后接入RPN网络。这里的RPN与Faster R-CNN类似，分为两个分支：

  1. 左边分支用于bounding box regression。由于fc feature map每个点配备了10个Anchor，同时只回归中心y坐标与高度2个值，所以rpn_bboxp_red有20个channels
  2. 右边分支用于Softmax分类Anchor

具体RPN网络与Faster R-CNN完全一样，所以不再介绍，只分析不同之处。

竖直Anchor定位文字位置

由于CTPN针对的是横向排列的文字检测，所以其采用了一组（10个）等宽度的Anchors，用于定位文字位置。Anchor宽高为：

 

 

需要注意，由于CTPN采用VGG16模型提取特征，那么conv5 feature map的宽高都是输入Image的宽高的   。

同时fc与conv5 width和height都相等。

如图6所示，CTPN为fc feature map每一个点都配备10个上述Anchors。

https://pic2.zhimg.com/80/v2-93e22f54fb0231b3f763f2f8129913ad_hd.jpg图6 CTPN Anchor

这样设置Anchors是为了：

  1. 保证在   方向上，Anchor覆盖原图每个点且不相互重叠。
  2. 不同文本在   方向上高度差距很大，所以设置Anchors高度为11-283，用于覆盖不同高度的文本目标。

多说一句，我看还有人不停的问Anchor大小为什么对应原图尺度，而不是conv5/fc特征尺度。这是因为Anchor是目标的候选框，经过后续分类+位置修正获得目标在原图尺度的检测框。那么这就要求Anchor必须是对应原图尺度！除此之外，如果Anchor大小对应conv5/fc尺度，那就要求Bounding box regression把很小的框回归到很大，这已经超出Regression小范围修正框的设计目的。

获得Anchor后，与Faster R-CNN类似，CTPN会做如下处理：

  1. Softmax判断Anchor中是否包含文本，即选出Softmax score大的正Anchor
  2. Bounding box regression修正包含文本的Anchor的中心y坐标与高度。

注意，与Faster R-CNN不同的是，这里Bounding box regression不修正Anchor中心x坐标和宽度。具体回归方式如下：

https://pic3.zhimg.com/80/v2-738d5b097b64f8012cef7b9d3c05f7b2_hd.jpg

其中，   是回归预测的坐标，   是Ground Truth，   和   是Anchor的中心y坐标和高度。Bounding box regression具体原理请参考之前文章。

Anchor经过上述Softmax和   方向bounding box regeression处理后，会获得图7所示的一组竖直条状text proposal。后续只需要将这些text proposal用文本线构造算法连接在一起即可获得文本位置。

https://pic1.zhimg.com/80/v2-447461eb54bcc3c93992ffd1c70bcfb8_hd.jpg图7 Text proposal

在论文中，作者也给出了直接使用Faster R-CNN RPN生成普通proposal与CTPN LSTM+竖直Anchor生成text proposal的对比，如图8，明显可以看到CTPN这种方法更适合文字检测。

https://pic1.zhimg.com/80/v2-82a34bf3b3591c4a21d90e8997ed1534_hd.jpg图8

文本线构造算法

在上一个步骤中，已经获得了图7所示的一串或多串text proposal，接下来就要采用文本线构造办法，把这些text proposal连接成一个文本检测框。

https://pic4.zhimg.com/80/v2-de8098e725d168a038f197ce0707faaf_hd.jpg图9

为了说明问题，假设某张图有图9所示的2个text proposal，即蓝色和红色2组Anchor，CTPN采用如下算法构造文本线：

  1. 按照水平   坐标排序Anchor
  2. 按照规则依次计算每个Anchor   的   ，组成 
  3. 通过   建立一个Connect graph，最终获得文本检测框

下面详细解释。假设每个Anchor index如绿色数字，同时每个Anchor Softmax score如黑色数字。

文本线构造算法通过如下方式建立每个Anchor   的   ：

正向寻找：

  1. 沿水平正方向，寻找和   水平距离小于50的候选Anchor
  2. 从候选Anchor中，挑出与   竖直方向   的Anchor
  3. 挑出符合条件2中Softmax score最大的 

再反向寻找：

  1. 沿水平负方向，寻找和   水平距离小于50的候选Anchor
  2. 从候选Anchor中，挑出与   竖直方向   的Anchor
  3. 挑出符合条件2中Softmax score最大的 

最后对比   和   :

  1. 如果   ，则这是一个最长连接，那么设置 
  2. 如果   ，说明这不是一个最长的连接（即该连接肯定包含在另外一个更长的连接中）。

https://pic1.zhimg.com/80/v2-822f0709d3e30df470a8e17f09a25de0_hd.jpg图10 构造文本线

举例说明，如图10，Anchor已经按照   顺序排列好，并具有图中的Softmax score（这里的score是随便给出的，只用于说明文本线构造算法）：

  1. 对于   的   ，向前寻找50像素，满足   且score最大的是   ，即   ；   反向寻找，满足   且score最大的是   ，即   。由于   ，   是最长连接，那么设置 
  2. 对于   正向寻找得到   ；   反向寻找得到   ，但是   ，即   不是最长连接，包含在   中。

然后，这样就建立了一个   的Connect graph（其中   是正Anchor数量）。遍历Graph：

  1.  且   ，所以Anchor index 1->3->7组成一个文本，即蓝色文本区域。
  2.  且   ，所以Anchor index 6->10->12组成另外一个文本，即红色文本区域。

这样就通过Text proposals确定了文本检测框。

训练策略

由于作者没有给出CTPN原始训练代码，所以此处仅能根据论文分析。

 

明显可以看出，该Loss分为3个部分：

  1. Anchor Softmax loss：该Loss用于监督学习每个Anchor中是否包含文本。   表示是否是Groud truth。
  2. Anchor y coord regression loss：该Loss用于监督学习每个包含为本的Anchor的Bouding box regression y方向offset，类似于Smooth L1 loss。其中   是   中判定为有文本的Anchor，或者与Groud truth vertical IoU>0.5。
  3. Anchor x coord regression loss：该Loss用于监督学习每个包含文本的Anchor的Bouding box regression x方向offset，与y方向同理。前两个Loss存在的必要性很明确，但这个Loss有何作用作者没有解释（从训练和测试的实际效果看，作用不大）

说明一下，在Bounding box regression的训练过程中，其实只需要注意被判定成正的Anchor，不需要去关心杂乱的负Anchor。这与Faster R-CNN类似。

总结

  1. 由于加入LSTM，所以CTPN对水平文字检测效果超级好。
  2. 因为Anchor设定的原因，CTPN只能检测横向分布的文字，小幅改进加入水平Anchor即可检测竖直文字。但是由于框架限定，对不规则倾斜文字检测效果非常一般。
  3. CTPN加入了双向LSTM学习文字的序列特征，有利于文字检测。但是引入LSTM后，在训练时很容易梯度爆炸，需要小心处理。

 

javastart 发布了62 篇原创文章 · 获赞 235 · 访问量 169万+ 他的留言板 关注

标签：场景,检测,CNN,LSTM,文本,Anchor,CTPN
来源： https://blog.csdn.net/javastart/article/details/104061133