基于質(zhì)心感知的自然場(chǎng)景文字檢測(cè)技術(shù)

張高明

（上海電力大學(xué)電子與信息工程學(xué)院，上海 201306）

近年來(lái)，圖像文字檢測(cè)在自動(dòng)駕駛、圖像分割[2]、商品識(shí)別等領(lǐng)域被廣泛應(yīng)用，伴隨著大數(shù)據(jù)的支持及深度學(xué)習(xí)的發(fā)展，自然場(chǎng)景文字檢測(cè)引起了計(jì)算機(jī)視覺界的廣泛關(guān)注。文字檢測(cè)的任務(wù)是定位圖像中的文字區(qū)域，印刷文檔中的文字往往排列整齊、背景簡(jiǎn)單，文字與非文字區(qū)域存在明顯差異。由于現(xiàn)實(shí)場(chǎng)景中圖像中的文本大多排列樣式多樣，且具有形狀不規(guī)則、背景干擾較大等特點(diǎn)，均使得在該場(chǎng)景中進(jìn)行文字檢測(cè)面臨著巨大的挑戰(zhàn)。

隨著深度學(xué)習(xí)技術(shù)的興起和不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)也開始應(yīng)用于自然場(chǎng)景文字檢測(cè)之中。若設(shè)計(jì)多個(gè)相關(guān)性較強(qiáng)的任務(wù)進(jìn)行多任務(wù)學(xué)習(xí)[3]，如TextSnake[4]、PSENet[5]等，在主任務(wù)確定的條件下，在網(wǎng)絡(luò)結(jié)構(gòu)中額外增加與主任務(wù)相關(guān)性較高的輔助任務(wù)，可顯著提高模型效果。

為此，本文提出在自然場(chǎng)景文字檢測(cè)網(wǎng)絡(luò)中增加質(zhì)心預(yù)測(cè)分支，與網(wǎng)絡(luò)中文本分類分支結(jié)合，通過(guò)增大靠近文字實(shí)例中心處的分類概率值，減小遠(yuǎn)離中心處的分類概率值，提升模型性能。

1 自然場(chǎng)景文字檢測(cè)網(wǎng)絡(luò)

1.1 場(chǎng)景文字質(zhì)心預(yù)測(cè)

經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)，即使用anchor free 方法可對(duì)多個(gè)不同尺寸特征圖進(jìn)行預(yù)測(cè)，但效果仍不如anchor based方法，主要原因是神經(jīng)網(wǎng)絡(luò)的分類任務(wù)只考慮當(dāng)前位置屬于文字的概率，許多遠(yuǎn)離目標(biāo)質(zhì)心位置處的文字分類概率較高，而受限于感受野的影響，距離文字中心較遠(yuǎn)位置處得到的回歸結(jié)果往往準(zhǔn)確度較低。因此若簡(jiǎn)單將分類結(jié)果高于閾值區(qū)域?qū)?yīng)的回歸結(jié)果保留，將可能導(dǎo)致在后續(xù)非極大值抑制過(guò)程中保留錯(cuò)誤回歸結(jié)果，丟棄正確回歸結(jié)果，對(duì)模型準(zhǔn)確率造成極大影響，如CTPN[6]、RRPN[7]等，因此，借鑒FCOS[8]的想法，本文在分類網(wǎng)絡(luò)中增設(shè)文字質(zhì)心預(yù)測(cè)，判斷每個(gè)像素點(diǎn)屬于文字區(qū)域質(zhì)心的概率。像素點(diǎn)越靠近文字區(qū)域的質(zhì)心，則對(duì)應(yīng)位置處的值越接近1，相反則越接近0。

與FCOS 通過(guò)邊框內(nèi)每個(gè)位置與其對(duì)應(yīng)xmin、xmax、ymin、ymax關(guān)系得到質(zhì)心預(yù)測(cè)目標(biāo)值不同，考慮到自然場(chǎng)景文字檢測(cè)任務(wù)的對(duì)象往往具有多種形式（水平、傾斜、彎曲），直接使用矩形邊框?qū)χ行牡挠?jì)算方法不能保證中心點(diǎn)始終在文字實(shí)例中心。為此，本文根據(jù)自然場(chǎng)景中的文字形式設(shè)置了新的質(zhì)心預(yù)測(cè)目標(biāo)值計(jì)算方法，如圖1 所示。

給定文字區(qū)域內(nèi)某像素坐標(biāo)（xi，yi），分別計(jì)算其與該文字實(shí)例x軸最值（xmin，yi）、（xmax，yi）的距 離li、ri，和垂 直 方向 與上 下邊 界（xi，） 、（xi，） 距離ti、bi，即可計(jì)算該位置質(zhì)心得分wi，wi的計(jì)算方式如下：

wi的取值范圍為0～1，與文本分類相似，表示每個(gè)像素點(diǎn)位于質(zhì)心的概率。在測(cè)試階段將分類與質(zhì)心結(jié)果逐像素相乘，得到最終分類結(jié)果。

1.2 目標(biāo)函數(shù)

模型輸出包含分類與回歸2 個(gè)部分。其中分類任務(wù)部分同時(shí)得到文本、非文本分類和質(zhì)心、非質(zhì)心分類2 個(gè)結(jié)果，考慮到樣本中正例遠(yuǎn)小于負(fù)例，為應(yīng)對(duì)類別不均衡的分類問(wèn)題，2 個(gè)分類任務(wù)均采用Focal Loss[9]作為損失函數(shù)，定義如下：

回歸任務(wù)部分采用ⅠOU 損失作為損失函數(shù)，如圖2 所示，ⅠOU 損失定義如下：

圖2 ⅠOU 損失計(jì)算示意圖

式（1）中：Gi為實(shí)際文本位置；Pi為預(yù)測(cè)的文本位置。

因此，模型總的損失函數(shù)為L(zhǎng)=Lcls1+Lcls2+Lreg。

1.3 評(píng)估指標(biāo)

本文采用自然場(chǎng)景文字檢測(cè)問(wèn)題中常用指標(biāo)（精確率、召回率、F-score）對(duì)方法的有效性進(jìn)行評(píng)估。

精確率表示預(yù)測(cè)為文字的區(qū)域內(nèi)實(shí)際為文字區(qū)域的比例，召回率表示實(shí)際為文字的區(qū)域同時(shí)也被預(yù)測(cè)為文字區(qū)域的比例，公式如下：

式（2）（3）中：Gi為實(shí)際為文字的區(qū)域；Di為預(yù)測(cè)為文字的區(qū)域。

根據(jù)精確率與召回率反映檢測(cè)模型的綜合性能，F(xiàn)-score 的定義如下：

2 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證本文提出的質(zhì)心預(yù)測(cè)分支網(wǎng)絡(luò)有效性，分別訓(xùn)練無(wú)質(zhì)心預(yù)測(cè)分支和包含質(zhì)心預(yù)測(cè)分支的網(wǎng)絡(luò)，進(jìn)行消融實(shí)驗(yàn)。使用SynthText 對(duì)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，然后在TotalText 數(shù)據(jù)集中進(jìn)行相同輪數(shù)的微調(diào)和推理，比較不同網(wǎng)絡(luò)效果。實(shí)驗(yàn)使用的編程環(huán)境為Python3.6.4 和Pytorch 1.1.0，在Ubuntu16.04 操作系統(tǒng)中利用一張顯存為12 GB 的GTX TⅠTAN X 顯卡進(jìn)行模型訓(xùn)練和測(cè)試，CUDA 版本為11.0。

通過(guò)隨機(jī)旋轉(zhuǎn)（旋轉(zhuǎn)范圍為[-5°，＋5°]）、抖動(dòng)（對(duì)圖像加入輕微噪聲）、翻轉(zhuǎn)（50%概率對(duì)圖像左右翻轉(zhuǎn)）對(duì)圖像進(jìn)行數(shù)據(jù)增強(qiáng)，并將圖像分辨率修改為512×512。將常用的ResNet50-FPN 作為基礎(chǔ)網(wǎng)絡(luò)，設(shè)置batch 數(shù)量為12，每個(gè)文字實(shí)例的長(zhǎng)邊使用K=10個(gè)插值進(jìn)行表示，并采用帶動(dòng)量的隨機(jī)梯度下降為優(yōu)化器，動(dòng)量為0.9。首先設(shè)置學(xué)習(xí)率為0.000 1，使用人工合成數(shù)據(jù)集SynthText 對(duì)網(wǎng)絡(luò)進(jìn)行80 萬(wàn)次預(yù)訓(xùn)練，再將學(xué)習(xí)率修改為0.001，分別在TotalText 數(shù)據(jù)集中進(jìn)行微調(diào)和測(cè)試[10]。測(cè)試結(jié)果如表1 所示。

表1 TotalText 數(shù)據(jù)集結(jié)果對(duì)比

本文方法在TotalText 數(shù)據(jù)集上進(jìn)行測(cè)試，在其他條件保持一致的情況下，比較神經(jīng)網(wǎng)絡(luò)包含和不包含質(zhì)心預(yù)測(cè)分支時(shí)的效果情況。由表1 可知，網(wǎng)絡(luò)模型中增添質(zhì)心預(yù)測(cè)分支后，模型效果得到了顯著提升，其中精確率的提升尤其明顯。

3 結(jié)論

本文提出一種質(zhì)心檢測(cè)網(wǎng)絡(luò)分支，用于在自然場(chǎng)景文字檢測(cè)場(chǎng)景中提升模型效果。在FCOS 的質(zhì)心計(jì)算基礎(chǔ)上，修改質(zhì)心的計(jì)算方法，使其更適用于自然場(chǎng)景文字檢測(cè)問(wèn)題，提高了模型的準(zhǔn)確度。經(jīng)過(guò)數(shù)據(jù)對(duì)比，本文提出的方法在TotalText 等包含任意形狀文字實(shí)例的數(shù)據(jù)集中均取得了較好的實(shí)驗(yàn)效果，驗(yàn)證了方法的可行性和有效性。