自然場景中的文本蘊含著與周圍環(huán)境相關的高層語義信息,這些語義信息在無人駕駛、即時翻譯系統(tǒng)和安防監(jiān)控等領域具有指導意義。文本檢測是進行圖像內容分析的必要步驟,同時也是進行文本識別的基礎,然而提取自然場景圖像中的文本仍然面臨巨大挑戰(zhàn)。一方面,場景圖像中的文本大小、排列方向、語言類型不同。另一方面,場景圖像中不僅存在許多與字符結構相似的背景,而且模糊、低對比度、遮擋、光照等因素,都會對提取文本造成影響。針對以上問題,本文從自然場景下水平方向和任意方向文本檢測算法展開研究,主要研究工作如下:1.針對自然場景中水平方向上的文本區(qū)域,本文提出基于最大穩(wěn)定極值區(qū)域(Maximally Stable Extremal Regions,MSER)自適應學習的文本檢測算法,該算法主要分為兩個階段。在候選區(qū)域提取階段,為解決MSER算法對模糊、光照敏感導致算法召回率和準確率較低的問題,首先采用邊緣增強MSER算法提取文本候選區(qū)域,然后為提升整體算法檢測速度,利用多機制抑制策略粗濾除非文本。在非文本精濾除階段,提出基于支持向量機(Support Vector Machine,SVM)自適應學習的候選區(qū)域驗證算...

【文章頁數(shù)】：92 頁

【學位級別】：碩士

【部分圖文】：

圖3.6嵌套區(qū)域濾除結果圖

重慶郵電大學碩士學位論文第3章基于MSER自適應學習的水平方向文本檢測方法34如圖3.6所示，通過該方法處理，嵌套區(qū)域被全部剔除。(a)嵌套區(qū)域(b)處理結果圖3.6嵌套區(qū)域濾除結果圖3.2.4多機制抑制策略邊緣增強MSER算法能夠提取到自然場景圖像中很多文本區(qū)域，在帶來文本定位....

圖3.13基于SVM自適應學習候選區(qū)域驗證效果圖

重慶郵電大學碩士學位論文第3章基于MSER自適應學習的水平方向文本檢測方法42通過對訓練樣本篩選，一共選擇6220張圖片作為正樣本，5330張圖片作為負樣本，然后提取樣本融合特征并結合最佳參數(shù)c和g訓練SVM分類器，通過訓練好的模型完成對候選區(qū)域中非文本的精濾除。如圖3.13所示....

圖4.14傾斜文如表4.6所示為本章所提算法

重慶郵電大學碩士學位論文第4章基于MSER和卷積神經(jīng)網(wǎng)絡的任意方向文本檢測方法67建與圖像文本行角度近似的最小外接矩形框，較為準確地定位到文本區(qū)域。圖4.14傾斜文本正確提取效果圖如表4.6所示為本章所提算法與當前存在的任意方向文本檢測方法在ICDAR2015多方向數(shù)據(jù)集上進行文....

圖4.15本章算法檢測不準確示意圖

重慶郵電大學碩士學位論文第4章基于MSER和卷積神經(jīng)網(wǎng)絡的任意方向文本檢測方法68于其中的一些對比算法，可以較好地滿足實時性。表4.7算法檢測速度對比結果Methods分辨率FPS本文方法72012808.25RRPN[55]72012803.70SWT+Randomforest....

本文編號：3988063