基于合成数据的场景文本深度表示方法

一、文本识别领域研究现状

目前的文字识别主要有两方面的研究。首先是传统的文字识别，也就是文档中的文字识别，主要是OCR技术，其技术已经比较成熟，效果也比较稳定。另一方面是基于场景的文字识别，也就是图片中的文字识别，即将图片里的文字转化成人类可以理解的语言。这个过程需要实现以下目标：获得图片中文字出现的位置，包括文本的起始位置、结束位置和上下高度；将所在位置的图片所包含的文本数据转化成人们可以理解的信息。这整个过程就是文字识别。

深度学习之所以能够比较成功地运用于场景理解，是因为拥有一个含有大量文字标注的数据集。但是将训练好的模型直接应用在文字识别上是行不通的，关键的问题在于文字和一般的场景物体相比具有特殊性。用传统的数据集来训练文字并不可行，文字标注也非常困难，因为文字形状的变化、颜色的变化、空间位置的变化难以完全预料。如何解决上述问题呢？答案就是合成数据。所谓合成数据，就是在一张图片中的某些区域添加文本，并加以不同的变化，比如字体的变化、颜色的变化、位置的变化等等。将通过上述方法得到的合成数据作为数据集，就可以训练一个网络。这样做的效果可能不好，但是可以通过其他方法进行改善。

二、TextBoxes：基于神经网络的文本检测

如报告开始所述，文本识别需要完成两个任务，一个任务是检测文字所在区域(Scene Text Detection)，另外一个任务是对文本区域进行识别(Scene Text Recognition)。本篇论文将重点集中于第一个任务。

在这项工作中，检测任务的训练集有80万张图片，识别任务的训练集有900万个合成数据。训练好的模型在ICDAR场景下的检测识别精度可以达到90%以上，是目前最好的结果。文章提出的网络达到了这样的目标：模型能够直接产生文字包，并判断文字包中是否确实含有文字，如果没有就将该文字包舍去。

在TextBoxes网络中，每一层都会计算相应的卷积，并计算其响应及判别，在最后会将所有监督信息融合在一起，得到相应结果。得到的结果需要进行非极大值抑制处理以舍弃重复结果。在网络初始化过程中，需要按照一定的技巧设定default box，以把文字更好地呈现出来。另外一个重点是卷积核的设置，一般的卷积核是正方形形状的，但是在文字之中，卷积核的长应大于宽。通过以上技巧可以使网络效果提高非常多。

下图是一些实例，可以看到词间空隙，字体变化，光照变化，复杂背景等情况都能有效识别。这里有一个很重要的技巧，就是即使在检测的时候出现错误也没有关系，因为可以用最后识别的结果把一些错误去除。这是因为文字的特性跟一般问题不同，它输出的是一个序列，其正确结果惟一。如果结果是一个合理的单词，就可以把它作为一个正确的结果，否则就可以把它作为一个错误的结果去掉。

结合了检测任务和识别任务以后的结果分为Spotting和Recognition两部分。Spotting仅仅关注能否尽可能精确地定位文本框，而end-to-end Recognition不仅要看文本检测的效果，而且要看识别的结果是否正确。TextBoxes的所有指标都领先于其他算法。

三、CRNN： 端到端的场景文本识别

上述工作主要介绍了文本检测的相关工作，并没有涉及到文本识别的内容。下面介绍文本识别的相关工作：CRNN。CRNN的构成借鉴了语音识别里的递归神经网络(RNN)。在RNN中，如果输入一个序列，比如一段字符串或一段语音，会得到上下文相关的建模，而文字也可以类似地看待。但是检测到的文字区域本身还是图像，所以需要进行特征提取转化成序列。将所得序列交给递归神经网络，最后转化成可理解单词，如英文字符或数字。这么看就非常地简单和直接， RNN这个模型做了两件事情，一个是判定上下文的关系，另外一个是序列的输出。

图中的50/1k表示字典大小，none表示没有字典。显然有字典的时候结果更好，没有字典效果差些，但也很不错。总体来说CRNN比传统的方法以及其他深度学习算法都要优越。

需要注意的是，在不同字体，特殊字符，模糊文本以及有阴影的情况下，如果用传统方法来做识别，还是很困难的，但是由神经网络来做，都可以做的很好。这说明神经网络对变化的文字信号有非常好的识别效果，能给很多识别任务的性能带来明显的提升，因此可以满足一些实际需求，这也是为什么很多企业把文字识别作为重点研究方向的一个原因。另外还有一些识别错误的情况，但是如果人眼都看不清楚，也不能强神经网络所难。

CRNN方法的一些性能是值得注意的。首先训练CRNN不需要对文字字符进行切割，另外字典不是必须的——尽管有字典的时候切割效果会好一点，此外CRNN的模型与传统的神经网络相比要小得多。

四、鲁棒的场景文本识别

神经网络对有形变的文字的处理效果并不好，如果在其前面加一个形变纠正算法，使文字变成理想的样子，效果一定会有提升。那要怎么实现呢？首先网络模型要有文本切割能力，可以把非水平方向的文字进行切割；另外要有方向变化能力，可以把宽度不一致的文字变得平衡一点；最后要有取平能力，可以将有弧度的文字拉平直。

当训练好的模型做识别任务时，发现常规情况下的改善并不明显，这是因为这些图片还是比较好的，无法体现纠正算法的有效性。如果将数据集更改为两个专门做图像变化的和取形变化的数据集，会发现其效果明显优于已有方法。

五、文本识别在不同场景下的应用

纯粹的文字识别应用范围并不广泛，但是如果将文字作为线索，就可以应用在不同的场景。图片中的房子如果单看外形难以确定其用途，但是如果有文字信息，就不是什么难事了。再比如，所有的网络图片、视频都会有标签，如果将标签与场景结合，是可以分析出很多有效的东西。所以从很多方面看，文字识别都是一个趋势。但是目前做场景的人远多于做文字识别的人，如果把这两个相结合，会有更大的突破。总而言之，多特征融合是大的趋势，把文本特征和图像特征这两个特征不同的表达融合在一起，图像和文字都能发挥很大的作用，这里面还有很多东西值得探索。

对于低质量的视频图像怎么去做识别、检索、理解，也是需要讨论的。实际应用中会遇到很差的视频或图像，在这种情况下如何去识别，也是研究的趋势。这就是为什么图象识别准确率这么高，但是实际应用不多的原因：实际情况相当复杂。

下面结合具体的示例来介绍文本识别的一些应用。

1、以图搜题

以图搜题的目标是根据图片中的文字，将题库中匹配的题目找出来。相关公司的算法识别度已经很高。为什么他们可以做的很好呢？因为他做的是刚需，人人都能应用，他的用户是稳定的。

2、号码牌检测

一次马拉松比赛可以获得十几万张图片，要从这么多照片里找到包含特定参赛者的照片，是很困难的。如果人工识别，需要耗费很长的时间，但是如果将照片上传到服务器，通过深度学习进行分类，就不那么困难了。另外如果需要在比赛过程中定位一个人，根据人脸去寻找是相对较难的，因为人脸是有表情变化的，身体姿态也在不断的变化，但是如果按照号码牌来寻找就比较简单了。

六、总结与展望

未来的趋势是以文字为源头，把所有通过文字、视频、图像得到的任务信息进行整合，然后进行后续的其他任务，比如自然语言处理、舆情分析、图像理解等等。换句话说，未来的趋势就是利用多元融合、多元学习完成一个复杂的任务。

Q&A

提问：如果不对图片中的文本进行切割，怎样建立序列？怎样才能预测有多少个字？

白老师：这是一个很好的问题。事实上我们在训练的时候是把文字缩放到一个高度上，长度不变，从高度上去规划，所以序列的长度是可以变化的。最后输出的结果首先是可以克服长度的变化，另外我们的算法可以把重复识别合并。所以可以允许长度有一定的弹性变化。

提问：现在文本的校正效果是否不是很理想？

白老师：校正还是比较困难的。传统的校正方法都是处理一些情况还好的图像，深度学习网络的目标是希望各种情况都能识别出来，并对它进行相应的调整。但是当然我认为当前仍然属于探索的阶段，里面包含了很多的不确定性。

感谢AIDL志愿者边学伟协助整理！

• 原文链接：http://kuaibao.qq.com/s/20180322G1PVLL00?refer=cp_1026