论文推荐| [PR 2021] TextMountain：基于实例分割的精准场景文本检测

本文简要介绍PR 2021的论文“TextMountain: Accurate scene text detection via instance segmentation”的主要工作。本文提出了一种新颖的场景文本检测方法—TextMountain，TextMountain的核心思想是充分利用边界-中心信息，与先前将中心-边界视为二分类问题的工作不同，TextMountain对Text Center-border Probability（TCBP）和Text Center-direction（TCD）进行预测，TCD可以帮助TCBP更好地学习。TextMountain的标注规则不会导致角度变换时定义模糊的问题，因此该方法对多方向文本具有鲁棒性，并且还可以较好地处理弯曲文本。在MLT、ICDAR2015、RCTW-17和SCUT-CTW1500数据集上进行的实验表明，该方法在准确性和效率上都达到了更好或相当的性能。本文代码即将开源。

一、研究背景

场景文本检测是计算机视觉领域的研究热点之一，在生活中得到了广泛的应用。例如：图片和视频检索、自动驾驶和场景文本翻译等。场景文本在形状、尺寸、角度方面有很大的区别并且存在着复杂的背景，因此场景文本检测任务仍极具挑战性。

二、方法原理简述

TextMountain通过一个全卷积网络（FCN）生成分割图用来预测Text Score（TS）、Text Center-border Probability（TCBP）和Text Center-direction（TCD）。首先，设置一个阈值用来从TCBP和TS中生成文本中心实例图和文本边界图。然后用在TS上的平均分数计算每个文本中心实例的分数，文本中心可以分隔在TS中不容易分隔的文本行。接下来，文本边界图上的每个像素都按上升方向或直接使用TCD方向通过TCBP搜索其峰值。每个像素都朝着文本中心移动，直到到达一个文本中心，然后就认为该像素属于该文本中心。

作者用TCBP梯度对文本行分类，可以用TCD或TCBP来计算。与之前[1,2]中直接按比例扩大输出矩形的方法相比，达到了更好的效果，解决了曲线文本检测问题。预测出的TCBP如图1所示，文本行边界（山脚）和中心（山峰）像素点的值分别为0和1，从中心到边界像素值逐步递减。TCBP的上升方向可以用来对像素点进行分类，按TCBP的分类方式比之前TCB Binary的分类方式要更加平滑。除此之外，文章指出引入TCD预测有助于TCBP的学习。 

图1 Text Center-border Probability（TCBP）

图2是TextMountain的网络结构，由三部分组成：1) FPN[3]构成的主干网和一个特征融合网络， 2)TS、TCBP和TCD输出，3)后处理部分。 

图2 TextMountain整体网络结构

总体的损失函数如公式（1）所示，由TS、TCBP和TCD损失组成，其中和是TCBP和TCD损失的权重，分别设置为5和2.5。

TS将每个像素点按文本和非文本进行分类。由于一张图中大部分像素点都是负样本，因此存在较严重的类别不平衡问题，本文采用Hard Negative Mining方法将正负样本比例设定为1:3，之后用交叉熵损失函数进行训练，如公式（2）所示。

之前的文本检测方法[1,2,4,5]把中心-边界问题定义成一个二分类问题，作者认为应该把中心-边界看作概率图，因为很难准确判断中心和边界，而且在TCBP中包含了更多的信息，概率增长的上升方向指向文本中心，这对像素分类很有用。下面介绍TCBP的计算方式。为了便于网络学习，作者提出了一种更简单的标注方式，只使用四条边的垂线来计算Label，如图3所示。 

图3 四条边的垂线计算Label

按式（3）近似计算文本高度

点x的TCBP由式（4）计算，TCBPX是[0,1]内的连续函数

TCBP的损失函数由式（5）计算，其中TS x *是TS的GT，该方法只需要计算文本区域内的损失

尽管TCBP中有足够的信息来对像素进行分组，但是作者发现网络可以通过预测TCD来实现更好的性能。TCD上的每个像素都将指向其所属的中心，方向向量如公式（6）所示，其中[z]+代表取z和0之间的最大值。

作者认为每侧都有推力将点推到中心，推力方向是从一边到另一点的垂线。越靠近点的位置，推力越大。如果距离大于高度的一半，则推力为零。两条相邻文本行的交点边缘上的像素具有相似的TCBP值但完全不同的TCD值，因此可以帮助分离相邻文本行。

TCD的损失函数也可以用L1 Loss来计算，如公式（7）所示，其中γ是中心阈值。值得注意的是，LTCD仅在边界区域有效，因为TCD可能会增加中心区域的歧义，并且TCD仅由边界像素进行推断。

对于SCUT-CTW1500数据集中的弯曲文本，本文也给出了标签计算的细节。SCUT-CTW1500数据集用14个顶点标记每个文本，其中七个顶点形成一条曲线。如图4所示，弯曲文本行也有四个侧面，其中两个侧面是弯曲的，并且线条的方向是顺时针方向。 

图4 弯曲文本行标注图 

图5 弯曲文本行上边缘

实际上，曲线是平滑的并且线的角度逐渐变化，用有限点标注会导致突变。因此在计算标签之前，首先要平滑线的角度。以图5为例，一条边用7个点和6条线标注。是第条线，和分别是的起点和终点。是第条线的单位向量，是第个点上的单位向量，作者用该点临近线的均值作为的值，如公式（8）所示。

其他点的单位向量通过双线性插值计算，如公式（9）所示，其中是到的距离。

与中心方向的夹角通过公式（10）计算得出，取单位向量角度后顺时针旋转90度使其指向中心。

弯曲文本的TCBP按照公式（11）和（12）进行计算，是待计算点x到文本行四条边最短直线的交点，是与x的距离。

计算TCD之前，首先需要用公式（9）和（10）计算出的角度记作，然后按照公式（13）、（14）和（15）计算出TCD的值。

在得到TS、TCBP和TCD后，用大于中心阈值的TCBP来生成山峰图。下面需要预测山脚的像素属于哪个山峰。首先，可以通过TCBP或TCD生成有向图。对于TCBP，选择每个像素的8个邻居中的最大点作为下一个点；对于TCD，下一点的计算如公式（16）和（17）所示，其中是TCD预测向量的归一化结果。

生成定向图后，山脚上的每个像素都会逐步爬到对应的山峰，边界获得和中心相同的分割结果。每个点的方向都是确定的，因此可以并行有效地解决此任务，所有像素都可以同时爬到山上。在获得像素级分割结果之后，可以通过FindContours找到每个实例分割的轮廓。对于弯曲的文本，直接输出文本的轮廓；对于四边形的文本，通过MinAreaRect计算包围轮廓的最小区域的旋转矩形。

三、主要实验结果及可视化效果

作者对TextMountain中用到的TS、TCBP和TCD进行了消融实验，结果如表1所示。可以看出加入本文提出的TCBP和TCD方法，模型性能均有所提高。

表1 TextMountain的消融实验结果 

同时作者在四个公开的数据集（MLT、ICDAR2015、RCTW-17和SCUT-CTW1500）上与之前的方法进行对比实验，均达到了更好或相当的结果，实验结果分别如表2～表5所示。特别是在MLT数据集上，F-measure达到了76.85%，大幅领先其他方法。

表2 TextMountain与其他方法在MLT数据集上的性能比较

表3 TextMountain与其他方法在ICDAR2015数据集上的性能比较

表4 TextMountain与其他方法在RCTW-17数据集上的性能比较

表5 TextMountain与其他方法在SCUT-CTW1500数据集上的性能比较 

TextMountain方法的一些可视化结果如图6所示，从左到右分别是来自MLT、ICDAR2015、RCTW-17和SCUT-CTW1500数据集的图片。 

图6 TextMountain方法的可视化结果 

图7 TCBP（上）和TCB binary（下）的可视化比较

图7是TCBP方法TCB Binary方法比较的可视化结果，从左到右分别是：检测结果、TS图、TCBP或TCB binary分类图和中心-边界图，从图中可以观察到TCBP方法对于形状、角度和大小的变化具有鲁棒性。

四、总结及讨论

本文提出了一种新颖的文本检测方法—TextMountain。该方法使用TCBP准确定义中心和边界概率，并使用TCBP的梯度对文本行进行分组。所提出的方法在四边形标注的数据集（MLT、ICDAR2015、RCTW-17）和多边形标注的弯曲文本数据集（SCUT-CTW1500）上均达到了更好或相当的性能。相比于RCTW和ICDAR15，本文所提出的方法在MLT上获得了更好的结果。作者认为TextMountain是基于分割的方法，与回归方法必须覆盖文本行的长边和短边相比，分割方法仅需要覆盖文本行的短边，它只需要较小的感受野。因此，TextMountain在文本行较长的MLT数据集上可以实现更好的性能。但是ICDAR2015是英文文本数据集与MLT相比单词较短，分割方法没有优势。

五、相关资源

论文地址：https://doi.org/10.1016/j.patcog.2020.107336

项目地址：https://github.com/uunnhh/TextMountain

参考文献

[1] T. He, W. Huang, Y. Qiao, J. Yao, Accurate text localization in natural image with cascaded convolutional text network, (2016). arXiv:1603.09423 

[2] Y. Wu, P. Natarajan, Self-organized text detection with minimal post-processing via border learning, in: Proc. ICCV, 2017. 

[3] T.-Y. Lin, P. Dollár, R.B. Girshick, K. He, B. Hariharan, S.J. Belongie, Feature pyra- mid networks for object detection., in: CVPR, 1, 2017, p. 4. 

[4] D. Deng, H. Liu, X. Li, D. Cai, PixelLink: detecting scene text via instance seg- mentation, in: Thirty-Second AAAI Conference on Artificial Intelligence, 2018. 

[5] X. Zhou, C. Yao, H. Wen, Y. Wang, S. Zhou, W. He, J. Liang, East: an efficient and accurate scene text detector, in: Proc. CVPR, 2017, pp. 2642–2651. 

---

原文作者：Yixing Zhu, Jun Du

撰稿：任峪瑾

编排：高 学

审校：殷 飞

发布：金连文

---

免责声明：（1）本文仅代表撰稿者观点，撰稿者不一定是原文作者，其个人理解及总结不一定准确及全面，论文完整思想及论点应以原论文为准。（2）本文观点不代表本公众号立场。 

往期精彩内容回顾

征稿启事：本公众号将不定期介绍文档图像分析与识别及相关领域的论文、数据集、代码等成果，欢迎自荐或推荐相关领域最新论文/代码/数据集等成果给本公众号审阅编排后发布。

扫描二维码，关注我们: