文章目录
一、CTPN简介
一个简单的文字识别流程如下：
Step 1. 通过手机、摄像机、扫描仪等设备采集含有待识别字符的图像，作为输入；
Step 2. 对图像进行尺寸缩放、明暗调整、去噪等预处理操作；
Step 3. 将图像中的单个字符、或者是连续几个字符所在的区域检测出来；
Step 4. 根据文本检测结果从图像中将文本所在区域分割出来，然后导入到模型中进行文本识别，进而得到图像中的字符信息。
CTPN 对自然场景下的文字，印刷文字的检测良好。
-
文字分布的特点**
在了解文字检测之前，先来看一下文字分布的特点。无论是印刷文字，还是自然场景下的文字，一般文字是水平排列，连续字符的长度可变，但高度基本相同。既然宽度是可变、不确定的，那么就按照固定的高度进行检测，看看图像中有哪些区域是连续出现了一片同样高度特征的区域，并且其边缘符合文字的特点，就将其圈出来。 -
CTPN
CTPN，全称是“Detecting Text in Natural Image with Connectionist Text Proposal Network”（基于连接预选框网络的文本检测）。该模型主要是对图片中的文本行进行准确定位，其基本做法是直接在卷积获得的feature map（特征图）上生成的一系列适当尺寸的文本proposals（预选框）进行文本行的检测。下图可以很好地看出该模型的检测思路（注意：CTPN模型实际上是在feature map上生成proposals，而不是在原图像上生成，以下只是个示意图）：
-
CTPN技术原理
CTPN模型利用了RNN和CNN的无缝结合来提高检测精度。其中，CNN用来提取深度特征，RNN用于序列的特征识别，二者无缝结合，在检测上性能更好。其中：-
CNN（采用VGG16）
CTPN模型通过利用VGG16卷积输出的 feature map（特征图）生成一系列proposals（预选框）进行检测。 -
RNN
由于文字信息是由“字符、字符的一部分、多字符”组成的一个序列，所以文字这个检测目标并不是独立、封闭的，而是有前后关联的，因此在CTPN中采用了RNN（Recurrent Neural Networks，循环神经网络）来利用前后文的信息进行文本位置的预测。 -
CTPN模型的网络结构如下图所示：
-
二、CTPN检测流程
整个过程主要分为六个步骤：
-
第一步：输入3×600(h)×900(w)的图像，使用VGG16进行特征的提取，得到conv5_3（VGG第5个block的第三个卷积层）的特征作为feature map，大小为512×38×57；
-
第二步：在这个feature map上做滑窗，窗口大小是3×3，即512×38×57变为4608×38×57（512按3×3卷积展开）；
-
第三步：将每一行的所有窗口对应的特征输入到RNN（BLSTM，双向LSTM）中，每个LSTM层是128个隐层，即57×38×4608变为57×38×128，Reverse-LSTM同样得到的是57×38×128，合并后最终得到结果为 256×38×57；
-
第四步：将RNN的结果输入到FC层（全连接层），FC层是一个256×512的矩阵参数，得到512×38×57的结果；
-
第五步：FC层特征输入到三个分类或者回归层中。第一个2k vertical coordinate和第三个k side-refinement是用来回归k个anchor的位置信息（可以简单理解为是要确定字符位置的小的矩形框，上面示意图中的红色小长框，宽度固定，默认为16），第二个2k scores 表示的是k个anchor的类别信息（是字符或不是字符）；
-
第六步：使用文本构造的算法，将得到的细长的矩形框，将其合并成文本的序列框。其中文本构造算法的主要的思路为：每两个相近的候选区组成一个pair，合并不同的pair直到无法再合并为止。
以上就是CTPN主要原理的介绍，使用CTPN模型对自然场景下的文字进行检测，结果如下图所示：
三、小结
CTPN模型最大的亮点是引入RNN来进行检测。
先用CNN得到深度特征，然后用固定宽度的anchor（固定宽度的，细长的矩形框）来检测文本区域，将同一行anchor对应的特征串成序列，然后输入到RNN当中，再用全连接层来做分类或回归，最后将小的候选框进行合并，从而得到了文本所在的完整区域。这种把RNN和CNN无缝结合的方法有效地提高了检测精度。