【AI實戰】手把手教你深度學習文字識別（文字檢測篇：基於MSER, CTPN, SegLink, EAST等方法）

文字檢測是文字識別過程中的一個非常重要的環節，文字檢測的主要目標是將圖片中的文字區域位置檢測出來，以便於進行後面的文字識別，只有找到了文本所在區域，才能對其內容進行識別。

文字檢測的場景主要分爲兩種，一種是簡單場景，另一種是複雜場景。其中，簡單場景的文字檢測較爲簡單，例如像書本掃描、屏幕截圖、或者清晰度高、規整的照片等；而複雜場景，主要是指自然場景，情況比較複雜，例如像街邊的廣告牌、產品包裝盒、設備上的說明、商標等等，存在着背景複雜、光線忽明忽暗、角度傾斜、扭曲變形、清晰度不足等各種情況，文字檢測的難度更大。如下圖：

本文將介紹簡單場景、複雜場景中常用的文字檢測方法，包括形態學操作、MSER+NMS、CTPN、SegLink、EAST等方法，並主要以ICDAR場景文字圖片數據集介紹如何使用這些方法，如下圖：

1、簡單場景：形態學操作法

通過利用計算機視覺中的圖像形態學操作，包括膨脹、腐蝕基本操作，即可實現簡單場景的文字檢測，例如檢測屏幕截圖中的文字區域位置，如下圖：

其中，“膨脹”就是對圖像中的高亮部分進行擴張，讓白色區域變多；“腐蝕”就是圖像中的高亮部分被蠶食，讓黑色區域變多。通過膨脹、腐蝕的一系列操作，可將文字區域的輪廓突出，並消除掉一些邊框線條，再通過查找輪廓的方法計算出文字區域的位置出來。主要的步驟如下：

• 讀取圖片，並轉爲灰度圖
• 圖片二值化，或先降噪後再二值化，以便簡化處理
• 膨脹、腐蝕操作，突出輪廓、消除邊框線條
• 查找輪廓，去除不符合文字特點的邊框
• 返回文字檢測的邊框結果

通過OpenCV，便能輕鬆實現以上過程，核心代碼如下：

# -*- coding: utf-8 -*-

import cv2
import numpy as np

# 讀取圖片
imagePath = '/data/download/test1.jpg'
img = cv2.imread(imagePath)

# 轉化成灰度圖
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 利用Sobel邊緣檢測生成二值圖
sobel = cv2.Sobel(gray, cv2.CV_8U, 1, 0, ksize=3)
# 二值化
ret, binary = cv2.threshold(sobel, 0, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY)

# 膨脹、腐蝕
element1 = cv2.getStructuringElement(cv2.MORPH_RECT, (30, 9))
element2 = cv2.getStructuringElement(cv2.MORPH_RECT, (24, 6))

# 膨脹一次，讓輪廓突出
dilation = cv2.dilate(binary, element2, iterations=1)

# 腐蝕一次，去掉細節
erosion = cv2.erode(dilation, element1, iterations=1)

# 再次膨脹，讓輪廓明顯一些
dilation2 = cv2.dilate(erosion, element2, iterations=2)

#  查找輪廓和篩選文字區域
region = []
contours, hierarchy = cv2.findContours(dilation2, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
for i in range(len(contours)):
    cnt = contours[i]

    # 計算輪廓面積，並篩選掉面積小的
    area = cv2.contourArea(cnt)
    if (area < 1000):
        continue

    # 找到最小的矩形
    rect = cv2.minAreaRect(cnt)
    print ("rect is: ")
    print (rect)

    # box是四個點的座標
    box = cv2.boxPoints(rect)
    box = np.int0(box)

    # 計算高和寬
    height = abs(box[0][1] - box[2][1])
    width = abs(box[0][0] - box[2][0])

    # 根據文字特徵，篩選那些太細的矩形，留下扁的
    if (height > width * 1.3):
        continue

    region.append(box)

# 繪製輪廓
for box in region:
    cv2.drawContours(img, [box], 0, (0, 255, 0), 2)

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

該圖像處理過程如下圖所示：

可以看到最終成功將圖像中的文字區域檢測出來了。

這種方法的特點是計算簡單、處理起來非常快，但在文字檢測中的應用場景非常有限，例如如果圖片是拍照的，光線有明有暗或者角度有傾斜、紙張變形等，則該方法需要不斷重新調整才能檢測，而且效果也不會很好，如下圖。例如上面介紹的代碼是針對白底黑字的檢測，如果是深色底白色字則需要重新調整代碼，如果有需要，可再私信我交流。

 

2、簡單場景：MSER+NMS檢測法

MSER（Maximally Stable Extremal Regions，最大穩定極值區域）是一個較爲流行的文字檢測傳統方法（相對於基於深度學習的AI文字檢測而言），在傳統OCR中應用較廣，在某些場景下，又快又準。

MSER算法是在2002提出來的，主要是基於分水嶺的思想進行檢測。分水嶺算法思想來源於地形學，將圖像當作自然地貌，圖像中每一個像素的灰度值表示該點的海拔高度，每一個局部極小值及區域稱爲集水盆地，兩個集水盆地之間的邊界則爲分水嶺，如下圖：

MSER的處理過程是這樣的，對一幅灰度圖像取不同的閾值進行二值化處理，閾值從0至255遞增，這個遞增的過程就好比是一片土地上的水面不斷上升，隨着水位的不斷上升，一些較低的區域就會逐漸被淹沒，從天空鳥瞰，大地變爲陸地、水域兩部分，並且水域部分在不斷擴大。在這個“漫水”的過程中，圖像中的某些連通區域變化很小，甚至沒有變化，則該區域就被稱爲最大穩定極值區域。在一幅有文字的圖像上，文字區域由於顏色（灰度值）是一致的，因此在水平面（閾值）持續增長的過程中，一開始不會被“淹沒”，直到閾值增加到文字本身的灰度值時纔會被“淹沒”。該算法可以用來粗略地定位出圖像中的文字區域位置。

聽起來這個處理過程似乎非常複雜，好在OpenCV中已內置了MSER的算法，可以直接調用，大大簡化了處理過程。

檢測效果如下圖：

檢測後的結果是存在各種不規則的檢測框形狀，通過對這些框的座標作重新處理，變成一個個的矩形框。如下圖：

核心代碼如下：

# 讀取圖片
imagePath = '/data/download/test2.jpg'
img = cv2.imread(imagePath)

# 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
vis = img.copy()
orig = img.copy()

# 調用 MSER 算法
mser = cv2.MSER_create()
regions, _ = mser.detectRegions(gray)  # 獲取文本區域
hulls = [cv2.convexHull(p.reshape(-1, 1, 2)) for p in regions]  # 繪製文本區域
cv2.polylines(img, hulls, 1, (0, 255, 0))
cv2.imshow('img', img)

# 將不規則檢測框處理成矩形框
keep = []
for c in hulls:
    x, y, w, h = cv2.boundingRect(c)
    keep.append([x, y, x + w, y + h])
    cv2.rectangle(vis, (x, y), (x + w, y + h), (255, 255, 0), 1)
cv2.imshow("hulls", vis)

從上圖可以看出，檢測框有很多是重疊的，大框裏面有小框，框與框之間有交叉，有些框只是圈出了漢字的偏旁或者某些筆劃，而我們期望是能圈出文字的外邊框，這樣便於後續的文字識別。爲了處理這些很多重疊的大小框，一般會採用NMS方法（Non Maximum Suppression，非極大值抑制），也就是抑制非極大值的元素，即抑制不是最大尺寸的框，相當於去除大框中包含的小框，達到去除重複區域，找到最佳檢測位置的目的。

NMS算法的主要流程如下：

• 將所有框按置信度得分進行排序（如果邊框沒有置信度得分，也可以按座標進行排序）
• 取其中得分最高的框出來
• 遍歷該框與其餘框的重疊面積（IoU）
• 刪除IoU大於某個閾值的框（閾值可按需設定，例如0.3、0.5、0.8等）
• 取下一個得分最高的框出來，重複以上過程

經過以上步驟，最後剩下的就是不包含重疊部分的文本檢測框了。核心代碼如下：

# NMS 方法（Non Maximum Suppression，非極大值抑制）
def nms(boxes, overlapThresh):
    if len(boxes) == 0:
        return []

    if boxes.dtype.kind == "i":
        boxes = boxes.astype("float")

    pick = []

    # 取四個座標數組
    x1 = boxes[:, 0]
    y1 = boxes[:, 1]
    x2 = boxes[:, 2]
    y2 = boxes[:, 3]

    # 計算面積數組
    area = (x2 - x1 + 1) * (y2 - y1 + 1)

    # 按得分排序（如沒有置信度得分，可按座標從小到大排序，如右下角座標）
    idxs = np.argsort(y2)

    # 開始遍歷，並刪除重複的框
    while len(idxs) > 0:
        # 將最右下方的框放入pick數組
        last = len(idxs) - 1
        i = idxs[last]
        pick.append(i)

        # 找剩下的其餘框中最大座標和最小座標
        xx1 = np.maximum(x1[i], x1[idxs[:last]])
        yy1 = np.maximum(y1[i], y1[idxs[:last]])
        xx2 = np.minimum(x2[i], x2[idxs[:last]])
        yy2 = np.minimum(y2[i], y2[idxs[:last]])

        # 計算重疊面積佔對應框的比例，即 IoU
        w = np.maximum(0, xx2 - xx1 + 1)
        h = np.maximum(0, yy2 - yy1 + 1)
        overlap = (w * h) / area[idxs[:last]]

        # 如果 IoU 大於指定閾值，則刪除
        idxs = np.delete(idxs, np.concatenate(([last], np.where(overlap > overlapThresh)[0])))

    return boxes[pick].astype("int")

經NMS處理後的檢測結果如下圖：

從上圖可以看出，經MSER+NMS後，已能較好地將文字區域檢測、圈出來。

MSER+NMS檢測方法在傳統的OCR應用中使用廣泛，檢測速度也非常快，能滿足一定的文字識別場景。但當在複雜的自然場景中，特別是有複雜背景的，其檢測效果也不盡人意，會將一些無關的因素也檢測出來，如下圖：

【重點來了】

接下來要介紹的方法，就主要是基於深度學習的AI文字檢測法，可應用於複雜的自然場景中。

 

3、複雜場景：CTPN檢測法

CTPN（Detecting Text in Natural Image with Connectionist Text Proposal Network，基於連接預選框網絡的文本檢測）是基於卷積神經網絡和循環神經網絡的文本檢測方法，其基本做法是生成一系列適當尺寸的文本proposals（預選框）進行文本行的檢測，示意圖如下，具體的技術原理請見之前的文章（文章：大話文本檢測經典模型：CTPN）

CTPN檢測法能適應較爲複雜的自然場景，是目前深度學習中作文字檢測的常用方法之一。CTPN的原作者提供該算法的源代碼（https://github.com/tianzhi0549/CTPN），是基於caffe深度學習框架的。大家對tensorflow可能會更加熟悉，於是有人在github上提供了tensorflow版本的CTPN程序（https://github.com/eragonruan/text-detection-ctpn），下面介紹如何使用該程序進行文字檢測。

（1）下載源代碼和模型

① 首先，將tensorflow版本的CTPN程序源代碼下載下來，可直接下載成zip壓縮包或者git克隆

git clone https://github.com/eragonruan/text-detection-ctpn.git

② 接下來，進行編譯安裝，執行以下命令

cd utils/bbox

chmod +x make.sh

./make.sh

③ 下載預訓練好的模型，下載地址爲 https://pan.baidu.com/s/1BNHt_9fiqRPGmEXPaxaFXw ，下載後的壓縮文件爲checkpoints_mlt.zip，新建目錄text-detection-ctpn，將解壓後將 checkpoints_mlt 文件夾放到text-detection-ctpn 目錄中

（2）CTPN文本檢測能力測試

將圖片放到data/demo目錄（默認有自帶測試圖片，如要檢測自己的圖片，則將自己的圖片放於data/demo目錄下），然後執行以下命令，就能使用CTPN進行文字檢測

python ./main/demo.py

檢測後的結果存放於 data/res 目錄中，檢測結果由圖片和檢測框位置、置信度分數信息兩種文件組成，如下圖所示：

打開文件後，如下圖所示，可見已較好地將文字檢測出來：

再打開其它圖片，可看到檢測結果如下，檢測效果還不錯，如下圖：

（3）CTPN文本檢測能力封裝

通過對main/demo.py的程序稍微進行改造，就能將CTPN檢測能力封裝後提供給其它程序調用了，核心代碼如下：

# 基於 CTPN 的文字檢測方法
# 輸入：圖片
# 返回：文本框位置和置信度分數
def text_detect(image):

    with tf.get_default_graph().as_default():
        # 模型參數定義
        input_image = tf.placeholder(tf.float32, shape=[None, None, None, 3], name='input_image')
        input_im_info = tf.placeholder(tf.float32, shape=[None, 3], name='input_im_info')

        global_step = tf.get_variable('global_step', [], initializer=tf.constant_initializer(0), trainable=False)

        bbox_pred, cls_pred, cls_prob = model.model(input_image)

        variable_averages = tf.train.ExponentialMovingAverage(0.997, global_step)
        saver = tf.train.Saver(variable_averages.variables_to_restore())

        with tf.Session(config=tf.ConfigProto(allow_soft_placement=True)) as sess:
            # 加載模型
            ckpt_state = tf.train.get_checkpoint_state(checkpoint_dir)
            model_path = os.path.join(checkpoint_dir, os.path.basename(ckpt_state.model_checkpoint_path))
            saver.restore(sess, model_path)

            # 預測文本框位置
            img = image
            h, w, c = img.shape
            im_info = np.array([h, w, c]).reshape([1, 3])
            bbox_pred_val, cls_prob_val = sess.run([bbox_pred, cls_prob],
                                                   feed_dict={input_image: [img],
                                                              input_im_info: im_info})

            textsegs, _ = proposal_layer(cls_prob_val, bbox_pred_val, im_info)
            scores = textsegs[:, 0]
            textsegs = textsegs[:, 1:5]

            textdetector = TextDetector(DETECT_MODE='H')
            boxes = textdetector.detect(textsegs, scores[:, np.newaxis], img.shape[:2])
            boxes = np.array(boxes, dtype=np.int)

    return boxes,scores

從以上的檢測結果來看，CTPN檢測法在複雜的自然場景下具有較好的檢測效果。

 

4、複雜場景：SegLink檢測法

雖然CTPN在自然場景下的文字檢測效果還不錯，但CTPN的檢測效果是基於水平方向的，對於非水平的文本檢測效果並不好。在自然場景中，有很多的文本信息都是帶有一定的旋轉、傾斜角度的，例如街道上的廣告牌。接下來介紹的SegLink檢測法能夠實現對旋轉文本的多角度檢測，該模型主要是對通過Segment（切片）、Link（鏈接）實現對文本的檢測，示意圖如下，具體的技術原理請見之前的文章（文章：大話文本檢測經典模型：SegLink）

下面介紹如何使用SegLink來檢測文本。

（1）下載源代碼和模型

① 首先，在github上下載tensorflow版本的SegLink源代碼（https://github.com/dengdan/seglink），可直接下載成zip壓縮包或者git克隆

git clone https://github.com/dengdan/seglink.git

② 下載pylib，下載路徑爲https://github.com/dengdan/pylib/tree/f7f5c5503fbb3d9593e6ac3bbf0b8508f53ee1cf ，解壓後將src裏面的util文件放到pylib目錄下面，然後添加到環境變量，在test_seglink.py的前面加上

import sys

sys.path.append('/data/PycharmProjects/tensorflow/ocr/seglink/util')

或者在當前窗口執行以下命令，或在 /etc/profile，~/.bashrc 文件中添加以下命令

export PYTHONPATH=xx:$PYTHONPATH

③ 下載預訓練好的模型（基於SynthText、IC15數據集），作者提供了兩個預訓練好的模型seglink-384（基於384x384的圖片）、seglink-512（基於512x512的圖片），下載地址爲 https://pan.baidu.com/s/1slqaYux

④ 安裝依賴包

conda install -c cachemeorg setproctitle

#或以下命令

#pip install setproctitle

⑤ 如果python是使用了python3的，則需要進行以下修改（使用python 2.x的，請忽略）

• 修改test_seglink.py第69行、第133行、第139行、第144行、第145行、第146行，print後面加上括號
• 修改pylib/util/io_.py，修改第11行，將import cPickle as pkl修改爲import pickle as pkl
• 修改pylib/util/io_.py，修改第12行，將import commands改爲import subprocess as commands
• 修改pylib/util/caffe_.py，修改第29行、第46行、第47行、第50行，在print後面加上括號
• 修改pylib/util/tf.py，修改第41行，將xrange改爲range
• 修改config.py，修改第129行，將xrange改爲range
• 修改tf_extended/seglink.py，修改第337行、第625行、第626行、第759行、第761行，將xrange改爲range
• 修改test_seglink.py，第153行，將print(util.cmd.cmd(cmd))註釋掉

⑥ 修改./tf_extended/seglink.py，第808行，opencv3沒有cv.BoxPoints() 函數，修改如下：

# points = cv2.cv.BoxPoints(bbox)   #opencv2.4.9

points = cv2.boxPoints(bbox)       #opencv3.1.0

 

（2）SegLink檢測文本測試（文本框座標）

通過運行以下命令進行測試

./scripts/test.sh 0 GPU_ID CKPT_PATH DATASET_DIR

該命令由三個參數組成，第1個表示GPU，第2個表示模型路徑，第3個表示數據目錄。例如我們使用剛纔下載的seglink-384預訓練模型，將要檢測的圖片放到指定的目錄後進行測試（可使用自己的圖片，或使用場景文字圖片數據集ICDAR2015進行測試，下載地址爲http://rrc.cvc.uab.es/?ch=4&com=downloads），那麼執行的腳本如下：

./scripts/test.sh 0 ./models/seglink-512/model.ckpt-217867  ./dataset/ICDAR2015 /ch4_test_images

檢測後，生成了圖片檢測出來的文本框位置（8個座標點），並存放在txt文件中，如下圖：

從這些檢測的文本框位置結果來看，並不顯性化，不知道在圖片中的實際檢測效果如何。

（3）SegLink檢測文本測試（結果顯性化）

爲了能顯性化地展現出文本檢測 的圖片結果，可通過以下命令進行展示，格式爲

python visualize_detection_result.py \

    --image=檢測的圖片所在目錄

    --det=經過test_seglink.py檢測輸出的文本框位置座標

--output=指定將文本框位置繪製到圖片上的輸出目錄

該命令由三個參數組成，第一個表示輸入的圖像，第二個表示輸出檢測結果的文本信息，第三個表示輸出檢測結果的圖像

① 在visualize_detection_result.py添加環境變量

import sys

sys.path.append('/data/PycharmProjects/tensorflow/ocr/seglink/util')

② 如果python是使用了python3的，則對visualize_detection_result.py第65行，print後面加上括號

 

對剛纔輸出的檢測結果信息進行可視化展示，調用的命令如下（以ICDAR2015測試圖片集爲例，如要使用自己的照片，請替換圖片目錄）：

python visualize_detection_result.py \

    --image=./dataset/ICDAR2015/ ch4_test_images/  \

    --det=./models/seglink-512/model.ckpt-217867/test/icdar2015_test/model.ckpt-217867/seg_link_conf_th_0.800000_0.500000/txt \

    --output=./dataset/output

執行後，可看到直接輸出了檢測後的結果圖片，如下圖：

打開其它圖片，檢測效果如下：

從上面的檢測結果來看，可較好地檢測出自然場景中的文字，特別是其中還有一些帶有一定傾斜或旋轉角度的文字，也能檢測出來。

（4）SegLink文本檢測能力封裝

爲了方便在其它程序中調用SegLink的檢測能力，在test_seglink.py, visualize_detection_result.py代碼的基礎上進行封裝改造，就能將SegLink的檢測能力進行封裝提供給其它程序調用，核心代碼如下：

# 基於 SegLink 的文字檢測方法
# 輸入：圖片
# 返回：文本框位置
def text_detect(img):
    with tf.name_scope('eval'):
        with tf.variable_scope(tf.get_variable_scope(),reuse=True):
            # 模型參數
            image = tf.placeholder(dtype=tf.int32, shape=[None, None, 3])
            image_shape = tf.placeholder(dtype=tf.int32, shape=[3, ])
            # 預處理圖片
            processed_image, _, _, _, _ = ssd_vgg_preprocessing.preprocess_image(image, None, None, None, None,
                                                                                 out_shape=config.image_shape,
                                                                                 data_format=config.data_format,
                                                                                 is_training=False)
            b_image = tf.expand_dims(processed_image, axis=0)
            b_shape = tf.expand_dims(image_shape, axis=0)
            # 預測文本框
            net = seglink_symbol.SegLinkNet(inputs=b_image, data_format=config.data_format)
            bboxes_pred = seglink.tf_seglink_to_bbox(net.seg_scores, net.link_scores,
                                                     net.seg_offsets,
                                                     image_shape=b_shape,
                                                     seg_conf_threshold=config.seg_conf_threshold,
                                                     link_conf_threshold=config.link_conf_threshold)

    sess_config = tf.ConfigProto(log_device_placement=False, allow_soft_placement=True)
    sess_config.gpu_options.allow_growth = True

    saver = tf.train.Saver()
    if util.io.is_dir(checkpoint_dir):
        checkpoint = util.tf.get_latest_ckpt(checkpoint_dir)
    else:
        checkpoint = checkpoint_dir

    with tf.Session(config=sess_config) as sess:
        # 加載模型
        saver.restore(sess, checkpoint)
        # 預測文本框
        image_data = img
        image_bboxes = sess.run([bboxes_pred], feed_dict={image: image_data, image_shape: image_data.shape})
        bboxes = image_bboxes[0]

    return bboxes

 

5、複雜場景：EAST檢測法

CTPN檢測法、SegLink檢測法是通過先預測proposals（預選框）、segment（切片），然後再回歸、合併等方式實現對文本的檢測，中間過程比較冗長。而接下來介紹的EAST檢測法，則將中間過程縮減爲只有FCN（全卷積網絡）、NMS（非極大值抑制）兩個階段，而且輸出結果支持文本行、單詞的多個角度檢測，既高效準確，又能適應多種自然應用場景，如下圖所示，具體的技術原理請見之前的文章（文章：大話文本檢測經典模型：EAST）

下面介紹如何使用EAST來檢測文本。

（1）下載源代碼和模型

① 首先在github上下載EAST的源代碼（https://github.com/argman/EAST），可直接下載成zip壓縮包或者git克隆

git clone https://github.com/argman/EAST.git

② 在百度網盤上下載預先訓練好的模型文件（基於ICDAR 2013、ICDAR 2015數據集訓練），下載地址爲http://pan.baidu.com/s/1jHWDrYQ

③ 安裝shapely依賴包，執行以下命令

conda install shapely

# 或執行以下命令

# pip install shapely

（2）EAST檢測文本測試（demo頁面）

進入EAST-master目錄，然後執行以下命令，可啓動demo頁面

python run_demo_server.py –checkpoint_path model/east_icdar2015_resnet_v1_50_rbox/

頁面默認會加載輸出的結果圖片，首次加載時沒有結果輸出，所以會提示404，這不影響後面的使用。

執行命令後，即可啓動web服務，在瀏覽器中輸入http://localhost:8769，打開demo頁面，如下圖：

點擊“選擇文件”選擇待檢測的圖片，點擊“Submit”提交進行檢測，檢測後將在頁面上返回顯示檢測後的圖片，隨機挑選了其中三張圖片，檢測效果如下圖：

作者還很貼心地提供在在線的demo頁面，讓用戶可直接進行體驗使用，使用方式跟上面的demo頁面一樣，網站鏈接爲http://east.zxytim.com/

（3）EAST檢測文本測試（批量檢測）

可通過命令行調用一批圖片批量檢測文本，還是以剛纔的ICDAR圖片數據集進行檢測（如果要檢測自己的圖片，請替換數據目錄），命令如下：

python eval.py –test_data_path=/data/work/tensorflow/model/seglink/ICDAR2015/ch4_test_images/ --checkpoint_path=model/east_icdar2015_resnet_v1_50_rbox/ --output_dir=/tmp/east

執行該命令後，將會批量讀取圖片進行檢測，並輸出檢測結果，包括圖片中檢測到的文本框位置、檢測結果框住文本後的圖片，如下圖所示：

從上圖也可以看出，EAST也能較好地檢測出自然場景的文字，對其中一些帶有旋轉角度的文字也可準確地檢測出來。

（4）EAST文本檢測能力封裝

爲了方便將EAST提供給其它代碼調用，通過對eval.py進行修改，封裝EAST文本檢測的方法，可直接供其它代碼調用，代碼如下：

# 基於 EAST 的文字檢測方法
# 輸入：圖片
# 返回：文本框位置相關信息
def text_detect(img):
    # 模型路徑
    checkpoint_path='/data/PycharmProjects/tensorflow/ocr/east/model/east_icdar2015_resnet_v1_50_rbox/'

    # 模型參數
    input_images = tf.placeholder(tf.float32, shape=[None, None, None, 3], name='input_images')
    global_step = tf.get_variable('global_step', [], initializer=tf.constant_initializer(0), trainable=False)

    f_score, f_geometry = model.model(input_images, is_training=False)

    variable_averages = tf.train.ExponentialMovingAverage(0.997, global_step)
    saver = tf.train.Saver(variable_averages.variables_to_restore())

    sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True))

    # 加載模型
    ckpt_state = tf.train.get_checkpoint_state(checkpoint_path)
    model_path = os.path.join(checkpoint_path, os.path.basename(ckpt_state.model_checkpoint_path))
    saver.restore(sess, model_path)

    # 預測文本框
    im_resized, (ratio_h, ratio_w) = resize_image(img)
    score, geometry = sess.run(
        [f_score, f_geometry],
        feed_dict={input_images: [im_resized[:,:,::-1]]})

    boxes,_ = detect(score_map=score, geo_map=geometry, timer=collections.OrderedDict([('net', 0),('restore', 0),('nms', 0)]))

    if boxes is not None:
        scores = boxes[:,8].reshape(-1)
        boxes = boxes[:, :8].reshape((-1, 4, 2))
        boxes[:, :, 0] /= ratio_w
        boxes[:, :, 1] /= ratio_h

    text_lines = []
    if boxes is not None:
        text_lines = []
        for box, score in zip(boxes, scores):
            box = sort_poly(box.astype(np.int32))
            if np.linalg.norm(box[0] - box[1]) < 5 or np.linalg.norm(box[3]-box[0]) < 5:
                continue
            tl = collections.OrderedDict(zip(
                ['x0', 'y0', 'x1', 'y1', 'x2', 'y2', 'x3', 'y3'],
                map(float, box.flatten())))
            tl['score'] = float(score)
            text_lines.append(tl)
    ret = {
        'text_lines': text_lines,
    }
    return ret

 

爲方便介紹，以上CTPN、SegLink、EAST的文本檢測能力封裝時，將加載模型、文本框預測、圖片繪製文本框等代碼寫在一起，而在實際生產使用中，一般是將其分開，在後臺啓動OCR服務能力時預先加載模型，然後提供核心的文本檢測、識別能力，而輸出結果是否將文本框繪製到圖片上，則視具體需求場景而定。在生產環境中，如何更加有效地封裝AI能力，可再私信進行交流。

 

推薦相關閱讀

1、AI 實戰系列

• 【AI實戰】手把手教你文字識別（文字檢測篇：MSER、CTPN、SegLink、EAST 等）
• 【AI實戰】手把手教你文字識別（入門篇：驗證碼識別）
• 【AI實戰】快速掌握TensorFlow（一）：基本操作
• 【AI實戰】快速掌握TensorFlow（二）：計算圖、會話
• 【AI實戰】快速掌握TensorFlow（三）：激勵函數
• 【AI實戰】快速掌握TensorFlow（四）：損失函數
• 【AI實戰】搭建基礎環境
• 【AI實戰】訓練第一個模型
• 【AI實戰】編寫人臉識別程序
• 【AI實戰】動手訓練目標檢測模型（SSD篇）
• 【AI實戰】動手訓練目標檢測模型（YOLO篇）

2、大話深度學習系列

• 【精華整理】CNN進化史
• 大話文本識別經典模型（CRNN）
• 大話文本檢測經典模型（CTPN）
• 大話文本檢測經典模型（SegLink）
• 大話文本檢測經典模型（EAST）
• 大話卷積神經網絡（CNN）
• 大話循環神經網絡（RNN）
• 大話深度殘差網絡（DRN）
• 大話深度信念網絡（DBN）
• 大話CNN經典模型：LeNet
• 大話CNN經典模型：AlexNet
• 大話CNN經典模型：VGGNet
• 大話CNN經典模型：GoogLeNet
• 大話目標檢測經典模型：RCNN、Fast RCNN、Faster RCNN
• 大話目標檢測經典模型：Mask R-CNN

3、AI 雜談

• 27種深度學習經典模型
• 淺說“遷移學習”
• 什麼是“強化學習”
• AlphaGo算法原理淺析
• 大數據究竟有多少個V

4、大數據超詳細系列

• Apache Hadoop 2.8 完全分佈式集羣搭建超詳細教程
• Apache Hive 2.1.1 安裝配置超詳細教程
• Apache HBase 1.2.6 完全分佈式集羣搭建超詳細教程
• 離線安裝Cloudera Manager 5和CDH5（最新版5.13.0）超詳細教程