CTPN/CRNN的OCR自然場景文字識別理解（一）

水果先生發表於2018-03-15
RNN

CTPN

前言

需閱讀faster-rcnn相關

摘要

問題分析

文字目標的特殊性，一個很大的先驗是，文字總是水平排列的。文字的特徵總感覺體現在edge上。

自然場景文字檢測的難點在於：小目標，遮擋，仿射畸變。本文使用VGG16，只使用conv5，可能對小文字的檢測效果不好。

文字檢測和一般目標檢測的不同——文字線是一個sequence（字元、字元的一部分、多字元組成的一個sequence），而不是一般目標檢測中只有一個獨立的目標。這既是優勢，也是難點。優勢體現在同一文字線上不同字元可以互相利用上下文，可以用sequence的方法比如RNN來表示。難點體現在要檢測出一個完整的文字線，同一文字線上不同字元可能差異大，距離遠，要作為一個整體檢測出來難度比單個目標更大。

因此，作者認為預測文字的豎直位置（文字bounding box的上下邊界）比水平位置（文字bounding box的左右邊界）更容易。

Top-down（先檢測文字區域，再找出文字線）的文字檢測方法比傳統的bottom-up的檢測方法（先檢測字元，再串成文字線）更好。自底向上的方法的缺點在於沒有考慮上下文，不夠魯棒，系統需要太多子模組，太複雜且誤差逐步積累，效能受限。

本文工作基於faster RCNN , 區別在於

  • 改進了rpn，anchor產生的window的寬度固定為3。
  • rpn後面不是直接接全連線+分類/迴歸，而是再通過一個LSTM，再接全連線層。 座標僅僅迴歸一個y，而不是x1, y1, x2, y2
  • 新增 side-refinement offsets（可能這個就是4個迴歸值中的其中2個)

本文中利用RNN和CNN的無縫結合可以提高檢測精度。CNN用來提取深度特徵，RNN用來序列的特徵識別（2類），二者無縫結合，用在檢測上效能更好。

具體的說，作者的基本想法就是去預測文字的豎直方向上的位置，水平方向的位置不預測。因此作者提出了一個vertical anchor的方法。與faster rcnn中的anchor類似，但是不同的是，vertical anchor的寬度都是固定好的了，論文中的大小是16個畫素。而高度則從11畫素到273畫素變化，總共10個anchor.

同時，對於水平的文字行，其中的每一個文字段之間都是有聯絡的，因此作者採用了CNN+RNN的一種網路結構，檢測結果更加魯棒。RNN和CNN的無縫結合可以提高檢測精度。CNN用來提取深度特徵，RNN用來序列的特徵識別（2類），二者無縫結合，用在檢測上效能更好。

基於檢測的方法能很好地解決水平文字的檢測問題，缺點是對於非水平的文字不能檢測。

網路結構為RPN，針對文字檢測的特點做了一些修改，最重要的有兩點，

一是改變了判斷正負樣本的方法，不同於物體檢測，文字檢測中proposal如果只框住了一行文字中的幾個文字其實也算正樣本，而用IOU計算的話會被當成負樣本，所以判斷正負樣本只需要計算proposal與ground truth高度的overlap就可以了。

第二點是anchor的選取，既然我們判斷正負樣本的時候不考慮寬度，自然選anchor的時候也不用選擇不同寬度的了，只需要固定寬度然後根據具體任務選擇幾個合適的高度就可以了。其他地方和RPN基本一樣。

基本過程

這裡寫圖片描述

整個檢測分六步：
第一，首先，使用VGG16作為base net提取特徵，得到conv5_3的特徵作為feature map，大小是W×H×C；

第二，然後在這個feature map上做滑窗，視窗大小是3×3。也就是每個視窗都能得到一個長度為3×3×C的特徵向量。這個特徵向量將用來預測和10個anchor之間的偏移距離，也就是說每一個視窗中心都會預測出10個text propsoal。

第三，將每一行的所有視窗對應的3*3*C的特徵（W*3*3*C）輸入到RNN（BLSTM）中，得到W*256的輸出；

第四，將RNN的W*256輸入到512維的fc層；

第五，fc層特徵輸入到三個分類或者回歸層中。
第二個2k scores 表示的是k個anchor的類別資訊（是字元或不是字元）。第一個2k vertical coordinate和第三個k side-refinement是用來回歸k個anchor的位置資訊。2k vertical coordinate因為一個anchor用的是中心位置的高（y座標）和矩形框的高度兩個值表示的，所以一個用2k個輸出。（注意這裡輸出的是相對anchor的偏移），k個side-refinement這部分主要是用來精修文字行的兩個端點的，表示的是每個proposal的水平平移量。這邊注意，只用了3個參數列示迴歸的bounding box，因為這裡預設了每個anchor的width是16，且不再變化（VGG16的conv5的stride是16）。迴歸出來的box如Fig.1中那些紅色的細長矩形，它們的寬度是一定的。

第六，這是會得到密集預測的text proposal，所以會使用一個標準的非極大值抑制演算法來濾除多餘的box。
第七，用簡單的文字線構造演算法，把分類得到的文字的proposal（圖Fig.1（b）中的細長的矩形）合併成文字線。

網路結構

這裡寫圖片描述

  1. 輸入為3*600（h)*900(w),首先vgg-16提取特徵，到conv5-3時（VGG第5個block的第三個卷積層），大小為512*38*57。
  2. im2col層 512*38*57 ->4608 * 38 * 57 其中4608為(512*9 (3*3卷積展開))
  3. 而後的lstm層，每個lstm層是128個隱層 57*38*4608 ->57*38*128 reverse-lstm同樣得到的是57*38*128。(雙向lstm沒有去研 究，但我個人理解應該是左邊的結果對右邊會產生影響，同樣右邊也會對左邊產生影響，有空再去看) merge後得到了最終lstm_output的結果 256* 38 * 57
  4. fc層 就是一個256*512的矩陣引數 得到512*38*57 fc不再展開；
  5. rpn_cls_score層得到置信度 512*38*57 ->20*38*57 其中20 = 10 * 2 其中10為10個尺度 同樣為512*20的引數，kernel_size為1的卷積層；
  6. rpn_bbox_pre層 得到偏移 512*38*57 ->20*38*57。同樣是十個尺度 2 * 10 * 38 * 57
    因為38*57每個點每個scale的固定位置我們是知道的。而它與真實位置的偏移只需兩個值便可以得到。
    假設固定位置中點( Cx,Cy) 。 高度Ch。實際位置中點（x,y) 高度h
    則log(h/Ch）作為一個值
    (y-Cy) / Ch作為一個值
    20 * 38 * 57 便是10個尺度下得到的這兩個值。有了這兩個值，我們便能知道真實的文字框位置了。

方法細節

k個anchor尺度和長寬比設定

寬度都是16，k = 10，高度從11~273（每次除於0.7）

迴歸的高度和bounding box的中心的y座標如下，帶*的表示是groundTruth，帶a的表示是anchor
這裡寫圖片描述

Side-refinement
文字線構造演算法（多個細長的proposal合併成一條文字線）
主要思想：每兩個相近的proposal組成一個pair，合併不同的pair直到無法再合併為止（沒有公共元素）
判斷兩個proposal，Bi和Bj組成pair的條件：
Bj->Bi， 且Bi->Bj。（Bj->Bi表示Bj是Bi的最好鄰居）
Bj->Bi條件1：Bj是Bi的鄰居中距離Bi最近的，且該距離小於50個畫素
Bj->Bi條件2：Bj和Bi的vertical overlap大於0.7

訓練

對於每一張訓練圖片，總共抽取128個樣本，64正64負，如果正樣本不夠就用負樣本補齊。這個和faster rcnn的做法是一樣的。

訓練圖片都將短邊放縮到600畫素。

問題

  1. 沒有很好地處理多方向的文字行
  2. 訓練的時候由於有regression和LSTM，需要小心控制梯度爆炸。
  3. 正如上文所提的，這個網路預測的是一些固定寬度的text proposal，所以真值也應該按照這樣來標註。但是一般資料庫給的都是整個文字行或者單詞級別的標註。因此需要把這些標註轉換成一系列固定寬度的box。
  4. 整個repo是基於RBG大神的faster rcnn改的，所以根據他的輸入要求。要再將資料轉換為voc的標註形式

相關文章