自然場(chǎng)景中的文字信息具有明確的語(yǔ)義,有助于對(duì)自然場(chǎng)景內(nèi)容的理解和分析。近幾年,自然場(chǎng)景中的文本檢測(cè)和識(shí)別作為計(jì)算機(jī)視覺(jué)領(lǐng)域中的重要研究方向,引起了國(guó)內(nèi)外學(xué)者和研究機(jī)構(gòu)的廣泛關(guān)注,其成果可以廣泛應(yīng)用于場(chǎng)景分類、機(jī)動(dòng)車自動(dòng)駕駛、機(jī)器人視覺(jué)等領(lǐng)域。其中,自然場(chǎng)景中的文本區(qū)域檢測(cè)和定位的結(jié)果會(huì)直接影響下一步文字識(shí)別的準(zhǔn)確率�，F(xiàn)有的文本檢測(cè)技術(shù)大多都是根據(jù)文字自身結(jié)構(gòu)特點(diǎn)進(jìn)行人工的特征提取,然后再結(jié)合機(jī)器學(xué)習(xí)的方法來(lái)檢測(cè)文本區(qū)域。由于自然場(chǎng)景非常復(fù)雜,而且自然場(chǎng)景中的文字具有多樣性,因此,這種人工特征通常只適用于特定條件下的場(chǎng)景,整體的檢測(cè)準(zhǔn)確率較低。隨著深度神經(jīng)網(wǎng)絡(luò)的發(fā)展和成熟,很多學(xué)者和研究機(jī)構(gòu)設(shè)計(jì)了不同的文本檢測(cè)網(wǎng)絡(luò)模型來(lái)實(shí)現(xiàn)端到端的文本定位。與前面的傳統(tǒng)方法相比,檢測(cè)性能有了大幅提升,但是特征學(xué)習(xí)階段較耗時(shí)。因此,本文深入研究了自然場(chǎng)景中文本的傳統(tǒng)特征及深度網(wǎng)絡(luò)特征的提取方法,將傳統(tǒng)特征與深度網(wǎng)絡(luò)特征融合,用傳統(tǒng)特征去指導(dǎo)深度網(wǎng)絡(luò)特征的提取,以提高深度網(wǎng)絡(luò)提取特征的速度。本學(xué)位論文的主要研究?jī)?nèi)容如下:首先,根據(jù)帶有復(fù)雜背景的實(shí)際自然場(chǎng)景圖像中文本所具有的多語(yǔ)言、多方向、多尺度、多形態(tài)的特... 

【文章來(lái)源】：延邊大學(xué)吉林省 211工程院校

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１?ＭＳＥＲ區(qū)域提取示意圖??．－

?ｊ??Ｒａ??圖２－１?ＭＳＥＲ區(qū)域提取示意圖??Ｆｉｇ．?２－１?Ｓｃｈｅｍａｔｉｃ?ｍａｐ?ｏｆ?ＭＳＥＲ?ｒｅｇｉｏｎ?ｅｘｔｒａｃｔｉｏｎ??檢測(cè)連通區(qū)域的面積變化快慢方法如式（２－３）所示。??ｖ（／）?＝?｜Ｑ＋ａ－Ｑ－ａ｜?（２－３）??Ｑ，??其中閾值變化為Ａ（相當(dāng)于注水過(guò)程），２，表示第ｆ?zhèn)�連通區(qū)域面積，當(dāng)??區(qū)域面積變化量與原區(qū)域面積比值為局部最小值時(shí)區(qū)域面積最穩(wěn)定。??Ｓｔｅｐ３：在得到的ＭＳＥＲ區(qū)域中進(jìn)行區(qū)域清理，處理掉面積或變化率過(guò)大??或過(guò)小的區(qū)域。提取的區(qū)域會(huì)存在一定的尺度、旋轉(zhuǎn)差異以及扭曲變形等，??然后對(duì)不規(guī)則區(qū)域進(jìn)行橢圓化處理，將其調(diào)整為規(guī)則仿射不變區(qū)域，如圖??２－２。最后可以將橢圓形擬合再歸一化為圓形，然后放大ＭＳＥＲ區(qū)域，可以方??便后續(xù)的處理過(guò)程［３９］。??身??圖２－２橢圓化處理??Ｆｉｇ．?２－２?Ｅｌｌｐｔｉｃａｌｉｚａｔｉｏｎ??圖像文本字符區(qū)域像素點(diǎn)具有相對(duì)統(tǒng)一的亮度且不同于背景區(qū)域，該??屬性與極值區(qū)域相同

圖２－４文本檢測(cè)ＦＣＮ結(jié)構(gòu)??Ｆｉｇ．?２－４?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｔｅｘｔ?ｄｅｔｅｃｔｉｏｎ?ＦＣＮ??由于文本區(qū)域的文字尺寸變化很大，在祌經(jīng)網(wǎng)絡(luò)中尺寸較大的文字特??征依賴于后期的特征提取階段，而在預(yù)測(cè)對(duì)小單詞區(qū)域的精確幾何形狀時(shí)??需要的是前期階段的低級(jí)特征信息。因此在設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型時(shí)為滿足這??些條件，采用了?Ｕ－ｓｈａｐｅ［５２＾、想。??第一部分結(jié)構(gòu)采用ＰＶＡＮｅｔ，提取四個(gè)階段的特征圖，大小分別為輸??入圖像的?１／３２，１／１６，１／８?和?１／４。即從?ＶＧＧ１６?中?ｐｏｏｌｉｎｇ２－ｐｏｏｌｉｎｇ５?的每??一層中分別得到ｆｅａｔｕｒｅ?ｍａｐ／。??第二部分借鑒Ｕ－ｎｅｔ思想進(jìn)行特征合并，通過(guò)反卷積操作調(diào)整特征圖??大小進(jìn)行連接，計(jì)算公式如式（２－２４）和（２－２５）所示。特征合并過(guò)程首先以第??一階段最后生成的特征圖／開(kāi)始，逐步將／輸入到ｕｎｐｏｏｌｉｎｇ層得到與上??一層大小相同的特征圖再連接／＋１，然后進(jìn)入到ｃｏｎｖｌ?ｘｌ與ｃｏｎｖ３＞＜３中減少??

【參考文獻(xiàn)】：
期刊論文
[1]多尺度卷積特征融合的SSD目標(biāo)檢測(cè)算法[J]. 陳幻杰,王琦琦,楊國(guó)威,韓佳林,尹成娟,陳雋,王以忠.  計(jì)算機(jī)科學(xué)與探索. 2019(06)
[2]基于全局和局部卷積特征融合的車輛目標(biāo)檢測(cè)[J]. 黃俊潔,陳念年,范勇.  西南科技大學(xué)學(xué)報(bào). 2018(04)
[3]基于特征融合網(wǎng)絡(luò)的自然場(chǎng)景文本檢測(cè)[J]. 余崢,王晴晴,呂岳.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(10)
[4]應(yīng)用MSER和局部二值化的網(wǎng)絡(luò)圖片文本定位[J]. 劉美華,傅彩明,梁開(kāi)健,周細(xì)鳳.  光電子·激光. 2018(06)
[5]基于MSER特征的無(wú)人機(jī)傾斜影像匹配算法[J]. 韓宇.  礦山測(cè)量. 2018(02)
[6]一種基于MSER的仿射不變二進(jìn)制特征提取算法[J]. 胡漢莉,席志磊.  計(jì)算機(jī)與數(shù)字工程. 2018(01)
[7]聯(lián)合邊緣增強(qiáng)的MSER自然場(chǎng)景文本檢測(cè)[J]. 田清越,高志榮,熊承義,陳少波.  小型微型計(jì)算機(jī)系統(tǒng). 2017(11)
[8]多方向自然場(chǎng)景文本檢測(cè)[J]. 何思楠,郭永金,張利.  計(jì)算機(jī)應(yīng)用研究. 2018(07)
[9]基于視覺(jué)顯著性與邊緣密集度的文本區(qū)域定位[J]. 張鵬,崔榮一.  吉林大學(xué)學(xué)報(bào)(信息科學(xué)版). 2017(03)
[10]結(jié)合MSCRs與MSERs的自然場(chǎng)景文本檢測(cè)[J]. 易堯華,申春輝,劉菊華,盧利瓊.  中國(guó)圖象圖形學(xué)報(bào). 2017 (02)

博士論文
[1]基于視覺(jué)注意的駕駛場(chǎng)景顯著性檢測(cè)模型研究[D]. 鄧濤.電子科技大學(xué) 2018
[2]復(fù)雜背景圖像的文本信息提取研究[D]. 孫巧榆.華東師范大學(xué) 2012

碩士論文
[1]基于深度學(xué)習(xí)的場(chǎng)景圖像文本檢測(cè)技術(shù)[D]. 裴宸平.河南大學(xué) 2018
[2]基于MSER和隨機(jī)森林的實(shí)時(shí)交通標(biāo)志的檢測(cè)和識(shí)別[D]. 付文彬.江西理工大學(xué) 2018
[3]基于深度學(xué)習(xí)的自然場(chǎng)景文本檢測(cè)算法研究[D]. 王沉燕.杭州電子科技大學(xué) 2018
[4]基于MSER的自然場(chǎng)景文本定位算法研究[D]. 付程琳.西安科技大學(xué) 2017
[5]結(jié)合MSCRs與MSERs的復(fù)雜背景圖像文本檢測(cè)方法研究[D]. 申春輝.武漢大學(xué) 2017
[6]復(fù)雜場(chǎng)景下的視覺(jué)目標(biāo)跟蹤研究[D]. 劉行.江南大學(xué) 2017
[7]視頻顯著區(qū)域檢測(cè)研究[D]. 田賽.西安電子科技大學(xué) 2015
[8]復(fù)雜目標(biāo)視覺(jué)注意模型研究[D]. 暴林超.華中科技大學(xué) 2011



本文編號(hào)：3407694