ctpn：图像文字检测方法

夏敏

1. 区别

本文工作基于faster RCNN , 区别在于

1. 改进了rpn，anchor产生的window的宽度固定为3。
2. rpn后面不是直接接全连接+分类/回归，而是再通过一个LSTM，再接全连接层。
3. 坐标仅仅回归一个y，而不是x1, y1, x2, y2
4. 添加 side-refinement offsets（可能这个就是4个回归值中的其中2个）

2. 问题分析

1. 文字目标的特殊性，一个很大的先验是，文字总是水平排列的。
2. 文字的特征总感觉体现在edge上。
3. 自然场景文字检测的难点在于：小目标，遮挡，仿射畸变。本文使用VGG16，只使用conv5，可能对小文字的检测效果不好。

3. 实验

CTPN用在ICDAR2017中文检测数据集上的结果：AP=0.18

论文的关键idea

文本检测的其中一个难点就在于文本行的长度变化是非常剧烈的。因此如果是采用基于faster rcnn等通用物体检测框架的算法都会面临一个问题：怎么生成好的text proposal。这个问题实际上是比较难解决的。

Detecting Text in Natural Image with Connectionist Text Proposal Network

在这篇文章中作者提供了另外一个思路，检测一个一个小的，固定宽度的文本段，然后再后处理部分再将这些小的文本段连接起来，得到文本行。检测到的文本段的示意图如下图所示。

• 具体的说，作者的基本想法就是去预测文本的竖直方向上的位置，水平方向的位置不预测。因此作者提出了一个vertical anchor的方法。与faster rcnn中的anchor类似，但是不同的是，vertical anchor的宽度都是固定好的了，论文中的大小是16个像素。而高度则从11像素到273像素变化，总共10个anchor.
• 同时，对于水平的文本行，其中的每一个文本段之间都是有联系的，因此作者采用了CNN+RNN的一种网络结构，检测结果更加鲁棒。RNN和CNN的无缝结合可以提高检测精度。CNN用来提取深度特征，RNN用来序列的特征识别（2类），二者无缝结合，用在检测上性能更好。
• Top-down（先检测文本区域，再找出文本线）的文本检测方法比传统的bottom-up的检测方法（先检测字符，再串成文本线）更好。自底向上的方法的缺点在于（这点在作者的另一篇文章中说的更清楚），总结起来就是没有考虑上下文，不够鲁棒，系统需要太多子模块，太复杂且误差逐步积累，性能受限。
• 基于检测的方法能很好地解决水平文字的检测问题，缺点是对于非水平的文字不能检测。具体的做法可以参考Detecting Text in Natural Image with Connectionist Text Proposal Network，ECCV16的一篇论文，网络结构为RPN，针对文字检测的特点做了一些修改，最重要的有两点，一是改变了判断正负样本的方法，不同于物体检测，文字检测中proposal如果只框住了一行文字中的几个文字其实也算正样本，而用IOU计算的话会被当成负样本，所以判断正负样本只需要计算proposal与ground truth高度的overlap就可以了。第二点是anchor的选取，既然我们判断正负样本的时候不考虑宽度，自然选anchor的时候也不用选择不同宽度的了，只需要固定宽度然后根据具体任务选择几个合适的高度就可以了。其他地方和RPN基本一样。

pipeline

整个算法的流程主要有以下几个步骤：（参见下图）

• 首先，使用VGG16作为base net提取特征，得到conv5_3的特征作为feature map，大小是W×H×C
• 然后在这个feature map上做滑窗，窗口大小是3×3。也就是每个窗口都能得到一个长度为3×3×C的特征向量。这个特征向量将用来预测和10个anchor之间的偏移距离，也就是说每一个窗口中心都会预测出10个text propsoal。
• 将上一步得到的特征输入到一个双向的LSTM中，得到长度为W×256的输出，然后接一个512的全连接层，准备输出。
• 输出层部分主要有三个输出。2k个vertical coordinate，因为一个anchor用的是中心位置的高（y坐标）和矩形框的高度两个值表示的，所以一个用2k个输出。（注意这里输出的是相对anchor的偏移）。2k个score，因为预测了k个text proposal，所以有2k个分数，text和non-text各有一个分数。k个side-refinement，这部分主要是用来精修文本行的两个端点的，表示的是每个proposal的水平平移量。
• 这是会得到密集预测的text proposal，所以会使用一个标准的非极大值抑制算法来滤除多余的box。
• 最后使用基于图的文本行构造算法，将得到的一个一个的文本段合并成文本行。

一些细节

vertical anchor

k个anchor的设置如下：宽度都是16像素，高度从11~273像素变化（每次乘以1.4）
- 预测的k个vertical coordinate的坐标如下：
回归的高度和bounding box的中心的y坐标如下，带*的表示是groundTruth，带a的表示是anchor

• score阈值设置：0.7 （+NMS）

• 与真值IoU大于0.7的anchor作为正样本，与真值IoU最大的那个anchor也定义为正样本，这个时候不考虑IoU大小有没有到0.7，这样做有助于检测出小文本。

• 与真值IoU小于0.5的anchor定义为负样本。
• 只保留score大于0.7的proposal

BLSTM

文章使用了双向的LSTM，每个LSTM有128个隐层
- 加了RNN之后，整个检测将更加鲁棒，

Side-refinement

• 文本线构造算法（多个细长的proposal合并成一条文本线）
  
  • 主要思想：每两个相近的proposal组成一个pair，合并不同的pair直到无法再合并为止（没有公共元素）
  • 判断两个proposal，Bi和Bj组成pair的条件：
    
    1. Bj->Bi， 且Bi->Bj。（Bj->Bi表示Bj是Bi的最好邻居）
    2. Bj->Bi条件1：Bj是Bi的邻居中距离Bi最近的，且该距离小于50个像素
    3. Bj->Bi条件2：Bj和Bi的vertical overlap大于0.7
• 固定要regression的box的宽度和水平位置会导致predict的box的水平位置不准确，所以作者引入了side-refinement，用于水平位置的regression。where xside is the predicted x-coordinate of the nearest horizontal side (e.g., left or right side) to current anchor. x∗ side is the ground truth (GT) side coordinate in x-axis, which is pre-computed from the GT bounding box and anchor location. cax is the center of anchor in x-axis. wa is the width of anchor, which is fixed, wa = 16

训练

对于每一张训练图片，总共抽取128个样本，64正64负，如果正样本不够就用负样本补齐。这个和faster rcnn的做法是一样的。
- 训练图片都将短边放缩到600像素。

总结

这篇文章的方法最大亮点在于把RNN引入检测问题（以前一般做识别）。文本检测，先用CNN得到深度特征，然后用固定宽度的anchor来检测text proposal（文本线的一部分），并把同一行anchor对应的特征串成序列，输入到RNN中，最后用全连接层来分类或回归，并将正确的text proposal进行合并成文本线。这种把RNN和CNN无缝结合的方法提高了检测精度。

特点

不是在字的级别，最终输出是在行的级别
- 对每一行，每一个feature map位置，固定需要回归的框的宽度为16像素，需要预测k个anchor的高度和数值方向
- side-refinement用来预测每一个anchor的x的坐标，准确率有效得到提升

问题

1没有很好地处理多方向的文本行

2训练的时候由于有regression和LSTM，需要小心控制梯度爆炸。