I.背景アプリケーション
OCR（光学式文字認識）技術、などの文字認識アプリケーション：文書認識、ナンバープレート認識、医療知恵、WordにPDF文書、カメラ識別、捕捉認識、ネットワーク画像識別、無人、ペーパーレスオフィス、ドキュメント校正、ピッキング、世論の監視、文書検索、文献検索を識別するキャプションを編集します。印刷された文字認識や手書き文字認識：OCRテキスト認識を分けることができます。文字認識処理のための一般的方法：テキスト領域を識別し、文字の矩形領域は、異なる文字に分割され、文字分類は、補正処理識別後単語を認識しました。
II。テキスト検出
テキスト検出は、文字認識のプロセスの非常に重要な部分である、テキスト検出主な目的は、テキスト領域を配置することであるだけでは、その内容を実行することができるテキスト領域を見つけるために、文字認識のバックを容易にするために、画像内で検出認識。
1.【CTPN】
CTPNは、フルネームは「コネテキスト提案ネットワークと自然のイメージにテキストを検出」され、テストのためにスライスにテキストの水平線を分離した後、領域がテキストボックスにマージスライスします。CTPNの類似の構造高速R-CNNが、アルゴリズムロバストな工業用グレードそのテキストの現在CTPN水平長い線を検出するための検出精度を向上させる特徴認識配列についてRNN（LSTM層）を添加します。
アルゴリズムのプロセス：
特徴マップ：N（画像） - C（チャネル） - H（高さ） - W（幅）
（1）バックボーンネットワークVGG16抽出機能、5番目のブロック畳み込み第3層conv5特徴マップとして（ストライド= 16、サイズ= N×C×H×W）。
（2）スライディングウィンドウCON5で行わ3×3は、各結合点が領域3×3×3×3×Cの特徴ベクトル、出力N×9C×H×W前記図スペースの周りに生成されます。
（3）前記リシェイプ図：N×9C×H×W - >（NH）×W×9C ;.
（4）BATCH = NH 2、T maxのデータストリーム= W入力双方向LSTM、各行は、前記シーケンス学習（注：LSTM /リバースLSTM 128隠された層を含んでいる）、BLSTM出力を（NH）×W×前記図配列の混合スペース256。
（5）前記リシェイプ図：（NH）×W×256 - > N×256×H×W ;.
（6）結果はRNN FC層への入力（256×512パラメータの行列）であり、特徴とN×512×H×Wとなります。
（7）層は、テキスト提案を得、同様の高速R-CNN RPNネットワークのFC入力を特徴付けました。2K垂直座標、及びkサイド改良k個のアンカーの位置情報を返すようにし、較正し、2Kスコアk個のアンカーの種類を表します。
（8）。テキスト行アプローチ、テキストボックス検出に接続されたテキストの提案で構成されています。
重要な戦略：
（1）。テキスト提案ネットワーク。
Bボックスは、FCは、図中の各点についての特徴を備えている、リターンのためのブランチを残し。10対応する元の寸法にレコード（赤い小さな長方形のボックス文字位置が決定される）、同じ幅（幅= [16]）、高さ寸法10 （[11,16,23,33,48,68,97,138,198,283]）、カバレッジアンカーは、x方向の各点を画像と重ならないとの高低差を覆う確保するためには、Y方向における対象テキストとは全く異なります。アンカー、Bボックス回帰予測および補正を取得した後にのみアンカーテキストを含む、y座標中心と高さHを、そうrpn_bbox_pred（全く予測開始固定オフセットためのラベル構成にされているX座標ない）20個のチャネルを有しています。ソフトマックス分類のための右の枝、アンカーテキストは、選出されたスコアに大きな正のアンカーを含めるかどうかを判断します。
（2）ラベル構造。
如图，给定一个文本的标注框(x, y, w, h)，沿着水平方向进行切分，偏移为16个像素(conv5的stride为16，特征图中的一个像素对应标签的16的宽度)，得到了一系列的文本小片。将左右标记为红色的小片(两端50像素以内)作为side-refinement时候的标签，约束网络对文本起始和终止点的矫正。
(3). 文本线构造。
如图，有2个text proposal，包含红蓝2组Anchor。首先按水平x坐标排序Anchor。然后按照规则依次计算每个boxi的pair(boxj)，组成pair(boxi，boxj)，规则如下：
正向寻找：1. 沿水平正方向，寻找和boxi水平距离小于50的候选Anchor；2. 从候选Anchor中，挑出与boxi竖直方向overlapv>0.7的Anchor；3. 挑出符合条件2中Softmax score最大的boxj。
再反向寻找：1. 沿水平负方向，寻找和boxj水平距离小于50的候选Anchor；2. 从候选Anchor中，挑出与boxj竖直方向overlapv>0.7的Anchor；3. 挑出符合条件2中Softmax score最大的boxk。
最后对比scorei和scorek：如果scorei>=scorek，这是一个最长连接，设置Graph(i,j)=True；如果scorei<scorek，不是一个最长连接。
如上图，Anchor已经按照x坐标排序且Softmax score已知。对于box3(i=3)，向前寻找50像素，满足overlapv>0.7且score最大的是box7(j=7)；box7反向寻找，满足overlapv>0.7且score最大的是box3(k=3)。因为scorei=3>=scorek=3，pair(box3,box7)是一个最长连接，设置Graph(3,7)=True。对于box4，正向寻找得到box7；box7反向寻找得到box3，但scorei=4>=scorek=3，所以pair(box4,box7)不是最长连接，包含在pair(box3,box7)中。
以这种方式，建立一个N×N(N是正Anchor数量)的connect graph，并遍历graph。Graph(0,3)=True且Graph(3,7)=True，所以Anchor index 0->3->7组成蓝色文本区域；Graph(6,10)=True且Graph(10,12)=True，所以Anchor index 6->10->12组成红色文本区域。
综上，我们通过Text proposals确定了文本检测框。
2.【SegLink】
Seglink是在SSD基础上改进的，基本思想是：一次性检测整个文本行比较困难，就先检测局部片段，然后通过规则将所有的片段进行连接，得到最终的文本行。可以检测任意长度和多方向的文本行，CTPN只能检测水平方向。
全卷积网络。输入：任意尺寸图像；输出：segments和links。
算法流程：
(1). 沿用SSD网络结构，VGG16作为backbone并将最后两个全连接层改成卷积层(fc6,fc7->conv6,conv7)，再额外增加conv8, conv9, conv10, conv11，用于提取更深的特征，最后的修改SSD的Pooling层，将其改为卷积层；
(2). 提取conv4_3, conv7, conv8_2, conv9_2, conv10_2, conv11不同层的特征图，尺寸1/2倍递减；
(3). 对不同层的特征图使用3×3卷积，产生segments和links来检测不同尺度文本行；
(4). 通过融合规则，将segment的box信息和link信息进行融合，得到最终的文本行。
关键策略：
(1). Segment检测。
segment可以看作是增加了方向信息的b-box，可以表示为：b = (xb,yb,wb,hb,θb)。卷积后输出通道数为7，包含segment相对于默认框(default boxes)的偏移量(xs,ys,ws,hs,θs)及segment是否为文字的置信度(0,1)。特征图上的点在原图中的映射，就是默认框的位置。6层特征图，每层都要输出segments，例如：l层尺寸为 wl× hl，一个点在特征图上的坐标为(x,y)，对应原图坐标(xa,ya)的点，那么一个默认框的中心坐标就是(xa,ya)：
不同于SSD，特征图每个位置只有一个长宽比为1的默认框，根据当前层的感受野通过经验等式进行设置。最后，通过默认框和特征图回归segment的位置，预测的offsets里除了Δx, Δy, Δw, Δh, 多了一个Δθ。
(2). Link检测。
links分为Within-Layer Link和Cross-Layer Link：
within-layer link在同一个feature map层，特征图中每个位置只预测一个segment，所以对于层内link，我们只考虑当前segment与它周围的８连通邻域的segment的连接情况，每个link有正负两个分数，正分用来表示二者是否属于同一个单词，负分表示二者是否属于不同单词(应断开连接)。这样，每个segment的link是8*2=16维的向量，links就是每个特征图卷积后输出16个通道，每两个通道表示segment与邻近的一个segment的link。
segment可能会被不同的feature map检测到，如果不同层输出segment是同一个位置，只是大小不一样，会造成重复检测的冗余问题。cross-layer link连接的是相邻两层feature map产生的segments。前一层特征图的size是后一层的特征图的两倍，这个size必须是偶数，所以输入图像的宽和高必须是128的倍数。对于跨层link，特征图的每个位置需要预测2*4=8个权重，４表示与上一层的４个邻域。
综上，conv4_3层输出的link维度为2*8=16；conv7, conv8_2, conv9_2, conv10_2, conv11其输出的link维度为2*8+2*4=24。
(3). 合并算法。
每层特征图提取出来后，再经过卷积，输出既有segments又有links的预测。
2表示二分类分数(是不是字符)，５表示位置信息(x, y, w, h, θ)，16表示８个同层的neighbor连接或不连接的２种情况，８表示前一层的4个neighbor连接与不连接情况。对于conv4_3：其预测输出维度为：2+5+2×8=23 ，因为该层没有cross-layer link；对于conv7, conv8_2, conv9_2, conv10_2, conv11，其预测输出维度为：2+5+2×8+2×4=31。
输出一系列的segments和links后，1. 首先人工设定α和β(对应segments和links的置信度设置不同的阈值)过滤噪声；2. 再采用DFS(depth first search)将segments看做node，links看做edge，将他们连接起来；3. 将连接后的所有结果作为输入，将连接在一起的segments当作是一个小的集合，称为B；4. 将B集合中所有segment的旋转角求平均值作为文本框的旋转角称为θb；5. 求tanθb作为斜率，得到一系列的平行线，求得B集合中所有segment的中心点到直线距离的和最小的那条直线；6. 将B集合中所有segment的中心点垂直投影到3步骤中找到的直线上；7. 在投影中找到距离最远的两个点(xp,yp),(xq,yq)；8. 上述两点的均值作为框的中心点，距离为框的宽，B集合中所有segment的高的均值就是高。
注：3-5其实就是最小二乘法线性回归。
(4). 训练。
训练当前网络需要生成groundtruth，包括default box的label，偏移(x, y, w, h, θ)，层内link及跨层link的label。求segments和links的标签前先确定与其对应的default box的标签值。图像只有一个文本框时，满足如下2点就是正样本(否则负样本)：1. default box的中心在当前文本行内；2. default box的大小al与文本框的高h满足公式：
。图像中有多个文本框时，default box对于任意文本框都不满足上述条件时为负样本，否则为正样本，满足多个文本框时，该default box为与其大小最相近的文本框的正样本，大小相近指的是：
。通过上述规则得到default box的正样本后，基于这些正样本计算segments相对于default box的位置偏移量。offset只对正样本有效，负样本不需要计算。
将文本框顺时针旋转θ与default box进行水平对齐，然后进行裁剪，宽度保留与default box相交的部分，最后再绕文本框中心点逆时针转回到原来的角度，就可以得到一个segment。根据公式(segment检测)，就可以求出segment和default box的偏移量，用来训练segment。link的标签值只要满足下面两个条件即为真：1. link连接的两个default box都为正样本；2. 两个default box属于同一个文本框。
损失函数定义如下：
ys表示所有的segments的标签值，如果第i个default box为正样本，yis=1，否则为0；yl表示所有links的标签值；cs,cl分别为segments和links的预测值；Lconf为softmax loss，用于计算segments和links置信度的损失；Lloc为为Smooth L1 regression loss，用于计算segments预测偏移量和标签值的损失；Ns为图像中所有正样本的default box的数量；Nl为图像中所有正样本的links的个数；λ1=λ2=1。关于Data Augmentation和Online Hard Negative Mining，做法和SSD中一致。
3.【EAST/AdvancedEAST】
EAST可以实现端到端文本检测。
a~d是几种常见的文本检测过程，典型的检测过程包括候选框提取、候选框过滤、b-box回归、候选框合并等阶段，中间过程比较冗长。EAST模型检测过程简化为只有FCN，NMS阶段，中间过程大大缩减，且输出结果支持文本行、单词的多角度检测，高效准确，适应性强。EAST模型的网络结构分为特征提取层、特征融合层、输出层三大部分。
算法流程：
(1). PVANet(也可采用VGG16，Resnet等)作为主干网络提取特征，并借鉴FPN思想，抽取4个尺度(1/4,1/8,1/16,1/32 input)的特征图；
(2). 参考UNet的方法，从feature extractor顶部按规则向下合并特征；
(3). 输出文本得分和文本形状。检测形状为RBOX时，输出检测框置信度、检测框的位置角度(x,y,w,h,θ)共6个参数；检测形状为QUAD时，输出检测框置信度、任意四边形检测框(定位扭曲变形文本行)的位置坐标(x1, y1), (x2, y2), (x3, y3), (x4, y4)共9个参数。
关键策略：
(1). 特征融合规则。
最后一层特征图被最先送入uppooling层放大２倍，再与前一层的特征图进行concatenate，然后依次进行1×1和3×3卷积；再重复上述过程2次，卷积核的个数(128,64,32)依次递减；最后经过3×3,32的卷积层。
(2). 训练。
QUAD训练样本生成：
通常数据集提供的标注为平行四边形的四个顶点(x1, y1), (x2, y2), (x3, y3), (x4, y4)，训练网络时，需要的将其转化为网络需要的形式，即这个平行四边形生成的9个单通道图片。
通道1：置信度score map。
1. 生成一个大小MxN为全零矩阵A，M,N为原图的长和宽；2. 将平行四边形的四个顶点两两相连，连成一个四边形Q；3. 将这个四边形向内缩小0.3，得到Q1；4. 将四边形Q1内的点置为1；5. 将矩阵A按比例缩小为原图的1/4，得到score map(长M/4,宽N/4)。
通道2：四边形位置germety map_1。
1. 生成一个大小为MxN的全零矩阵A，M,N为原图的长和宽；2. 将四边形的四个顶点两两相连，连成一个四边形Q；3. 给四边形Q内的每一个像素赋值，A(xi,yi) = x1-xi；将矩阵A按比例缩小为原图的1/4，得到germety map_1(长M/4,宽N/4)。
通道3：四边形位置germety map_2。
1. 生成一个大小为MxN的全零矩阵A，M,N为原图的长和宽；2. 将四边形的四个顶点两两相连，连成一个四边形Q；3. 给四边形Q内的每一个像素赋值，A(xi,yi) = y1-yi；将矩阵A按比例缩小为原图的1/4，得到germety map_2(长M/4,宽N/4)。
通道4：四边形位置germety map_3。
1. 生成一个大小为MxN的全零矩阵A，M,N为原图的长和宽；2. 将四边形的四个顶点两两相连，连成一个四边形Q；3. 给四边形Q内的每一个像素赋值，A(xi,yi) = x2-xi；将矩阵A按比例缩小为原图的1/4，得到germety map_3(长M/4,宽N/4)。
通道5：四边形位置germety map_4。
1. 生成一个大小为MxN的全零矩阵A，M,N为原图的长和宽；2. 将四边形的四个顶点两两相连，连成一个四边形Q；3. 给四边形Q内的每一个像素赋值，A(xi,yi) = y2-yi；将矩阵A按比例缩小为原图的1/4，得到germety map_4(长M/4,宽N/4)。
通道6：四边形位置germety map_5。
1. 生成一个大小为MxN的全零矩阵A，M,N为原图的长和宽；2. 将四边形的四个顶点两两相连，连成一个四边形Q；3. 给四边形Q内的每一个像素赋值，A(xi,yi) = x3-xi；将矩阵A按比例缩小为原图的1/4，得到germety map_5(长M/4,宽N/4)。
通道7：四边形位置germety map_6。
1. 生成一个大小为MxN的全零矩阵A，M,N为原图的长和宽；2. 将四边形的四个顶点两两相连，连成一个四边形Q；3. 给四边形Q内的每一个像素赋值，A(xi,yi) = y3-yi；将矩阵A按比例缩小为原图的1/4，得到germety map_6(长M/4,宽N/4)。
通道8：四边形位置germety map_7。
1. 生成一个大小为MxN的全零矩阵A，M,N为原图的长和宽；2. 将四边形的四个顶点两两相连，连成一个四边形Q；3. 给四边形Q内的每一个像素赋值，A(xi,yi) = x4-xi；将矩阵A按比例缩小为原图的1/4，得到germety map_7(长M/4,宽N/4)。
通道9：四边形位置germety map_8。
1. 生成一个大小为MxN的全零矩阵A，M,N为原图的长和宽；2. 将四边形的四个顶点两两相连，连成一个四边形Q；3. 给四边形Q内的每一个像素赋值，A(xi,yi) = y4-yi；将矩阵A按比例缩小为原图的1/4，得到germety map_8(长M/4,宽N/4)。
RBOX训练样本生成：
通常数据集提供的标注为5个值Theta,x1,y1,x3,y3，训练网络时，需要的将其转化为网络需要的形式，即这个旋转的矩阵生成的6个单通道图片。在此之前，先利用theta,x1,y1,x2,y2,生成矩形的另外两个顶点(x2,y2),(x4,y4)，这样，矩形的四个顶点可以表示为(x1,y1),(x2,y2),(x3,y3),(x4,y4)。
通道1：置信度score map。
1. 生成一个大小MxN为全零矩阵A，M,N为原图的长和宽；2. 将矩形的四个顶点两两相连，形成一个矩形Q；3. 将矩形Q内的点置为1；4. 将矩阵A按比例缩小为原图的1/4，得到score map(长M/4,宽N/4)。
通道2：角度angle map。
1. 生成一个大小MxN为全零矩阵A，M,N为原图的长和宽；2. 将矩形的四个顶点两两相连，形成一个矩形Q；3. 将矩形Q内的点置为theta，如果theta=-0.5,那么Q内的所有点都为-0.5；4. 将矩阵A按比例缩小为原图的1/4，得到angle map(长M/4,宽N/4)。
通道3：矩形位置germety map_1。
1. 生成一个大小MxN为全零矩阵A，M,N为原图的长和宽；2. 将矩形的四个顶点两两相连，形成一个矩形Q；3. 给矩形Q内的每一个像素赋值，A(xi,yi) = distance[ A(xi,yi), 直线A(x1,y1)A(x2,y2)] ；4. 将矩阵A按比例缩小为原图的1/4，得到germety map_1(长M/4,宽N/4)。
通道4：矩形位置germety map_2。
1. 生成一个大小MxN为全零矩阵A，M,N为原图的长和宽；2. 将矩形的四个顶点两两相连，形成一个矩形Q；3. 给矩形Q内的每一个像素赋值，A(xi,yi) = distance[ A(xi,yi), 直线A(x2,y2)A(x3,y3)] ；4. 将矩阵A按比例缩小为原图的1/4，得到germety map_2(长M/4,宽N/4)。
通道5：矩形位置germety map_3。
1. 生成一个大小MxN为全零矩阵A，M,N为原图的长和宽；2. 将矩形的四个顶点两两相连，形成一个矩形Q；3. 给矩形Q内的每一个像素赋值，A(xi,yi) = distance[ A(xi,yi), 直线A(x3,y3)A(x4,y4)] ；4. 将矩阵A按比例缩小为原图的1/4，得到germety map_3(长M/4,宽N/4)。
通道6：矩形位置germety map_4。
1. 生成一个大小MxN为全零矩阵A，M,N为原图的长和宽；2. 将矩形的四个顶点两两相连，形成一个矩形Q；3. 给矩形Q内的每一个像素赋值，A(xi,yi) = distance[ A(xi,yi), 直线A(x4,y4)A(x1,y1)] ；4. 将矩阵A按比例缩小为原图的1/4，得到germety map_4(长M/4,宽N/4)。
训练Loss：
loss由分数图损失(score map loss)和几何形状损失(geometry loss)两部分组成。分数图损失采用的是类平衡交叉熵，用于解决类别不平衡训练，具体实战中，一般采用dice loss，收敛速度更快。几何形状损失，针对RBOX loss采用IoU损失，针对QUAD loss采用smoothed-L1损失。本文中几何体数量较多，普通的NMS计算复杂度过高，EAST提出了基于行合并几何体的方法，locality-aware NMS。
为改进EAST的长文本检测效果不佳的缺陷，有人提出了Advanced EAST。Advanced EAST以VGG16作为网络结构的骨干，同样由特征提取层、特征合并层、输出层三部分构成，比EAST，尤其是在长文本上的检测准确性更好。
三. 文字识别
文字识别，根据待识别的文字特点一般分为定长文字、不定长文字两大类，前者(如:验证码识别)相对简单，这里不做分析。
1.【LSTM+CTC】
LSTM(Long Short Term Memory,长短期记忆网络)是一种特殊结构的RNN，用于解决RNN的随着输入信息的时间间隔不断增大，出现“梯度消失”或“梯度爆炸”的长期依赖问题。CTC(Connectionist Temporal Classifier，联接时间分类器)，主要用于解决输入特征与输出标签的对齐问题。由于字符变形等原因，分块识别时，相邻块可能会识别为同个结果，字符重复出现。通过CTC来解决对齐问题，模型训练后，对结果中去掉间隔字符、去掉重复字符。
2.【CRNN】
CRNN(Convolutional Recurrent Neural Network，卷积循环神经网络)是目前比较流行的文字识别模型，可以进行端到端的训练，不需要对样本数据进行字符分割，可识别任意长度的文本序列，模型速度快、性能好。
算法流程：
(1). 卷积层：从输入图像中提取出特征序列；
先做预处理，把所有输入图像缩放到相同高度，默认是32，宽度可任意长；然后进行卷积运算(由类似VGG的卷积、最大池化和BN层组成)；再从左到右提取序列特征，作为循环层的输入，每个特征向量表示了图像上一定宽度内的特征，默认是单个像素1(由于CRNN已将输入图像缩放到同样高度了，因此只需按照一定的宽度提取特征即可)。
(2). 循环层：预测从卷积层获取的特征序列的标签分布；
循环层由一个双向LSTM构成，预测特征序列中的每一个特征向量的标签分布。由于LSTM需要时间维度，模型中把序列的width当作time steps。“Map-to-Sequence”层用于特征序列的转换，将误差从循环层反馈到卷积层，是卷积层和循环层之间的桥梁。
(3). 转录层：把从循环层获取的标签分布通过去重、整合等操作转换成最终的识别结果。
转录层是将LSTM网络预测的特征序列的结果进行整合，转换为最终输出的结果。在CRNN模型中双向LSTM网络层的最后连接上一个CTC模型，从而做到了端对端的识别。
四. 代码实现
CTPN：https://github.com/eragonruan/text-detection-ctpn
SegLink：https://github.com/dengdan/seglink
EAST：https://github.com/argman/EAST
AdvancedEAST：https://github.com/huoyijie/AdvancedEAST
CRNN：https://github.com/Belval/CRNN
五. Reference
https://my.oschina.net/u/876354
https://zhuanlan.zhihu.com/p/34757009
https://www.jianshu.com/p/109231be4a24
https://zhuanlan.zhihu.com/p/37781277
https://me.csdn.net/imPlok