[发明专利]一种基于旋转敏感特征的文本回归检测方法

权利要求书

1.一种基于旋转敏感特征的文本回归检测方法，其特征在于，所述方法包括下述步骤：

(1)训练基于旋转敏感特征的文本回归检测网络模型，包括如下子步骤：

(1.1)对原始数据集中所有图片的多方向文本进行单词级别的标注，标签为单词级别的文本包围盒的四个顶点坐标，顶点为顺时针标注，其中文本包围盒为四边形，得到带标注的标准训练数据集；

(1.2)定义基于旋转敏感特征的文本回归检测网络模型，根据(1.1)带标注的标准训练数据集，计算训练标签，并设计损失函数，利用反向传导方法训练该文本回归检测网络，得到文本回归检测网络模型；包括：

(1.2.1)构建基于旋转敏感特征的文本回归检测网络模型，所述检测网络模型由特征提取模块、回归分支和分类分支组成；具体地，特征提取模块由方向响应卷积网络组成，它以VGG16为基本网络，将常规卷积滤波器变换为主动卷积滤波器，其中，传统的卷积conv变换为方向响应卷积ORconv，包括13层：ORconv1_1、ORconv1_2、pool1、ORconv2_1、ORconv2_2、pool2、ORconv3_1、ORconv3_2，ORconv3_3、pool3、ORconv4_1、ORconv4_2、ORconv4_3，用于提取低层特征用于检测；后面为5个额外添加的卷积单元，包括10层：ORconv6、ORconv7、ORconv8_1、ORconv8_2、ORconv9_1、ORconv9_2、ORconv10_1、ORconv10_2、ORconv11_1、ORconv11_2，用于提取高层深度特征进行检测，其中ORconv4_3、ORconv7、ORconv8_2、ORconv9_2、conv10_2、ORconv11_2为6个待提取特征层；待提取特征层之后分别接入了回归分支模块和分类分支模块，其中回归分支包含感知块，它由m×m、m×n、n×m这三种尺度的卷积核组合而成，有利于适应多方向长文本的尺度和长宽比变化，三种卷积核输出的特征进行组合用于预测位置偏移量；分类分支模块包含池化层和感知块，感知块结构和回归分支相同，用于预测文本和非文本类别；

(1.2.2)根据特征图在原图上产生水平初始包围盒，计算训练标签，包括位置偏移量和类别；

(1.2.3)以带标注的标准训练数据集Itr作为检测网络模型的输入，利用特征提取模块提取旋转敏感特征；

(1.2.4)将旋转敏感特征输入分类分支，通过池化操作得到旋转不变特征，利用旋转不变特征预测初始包围盒的分类得分；

(1.2.5)将旋转敏感特征输入回归分支，利用旋转敏感特征预测初始包围盒的位置偏移量；

(1.2.6)以训练标签gt为网络期望输出，以预测标签为网络预测输出，针对构建的网络模型，设计期望输出和预测输出之间的目标损失函数；

(2)利用上述训练好的模型对待检测文本图片进行文字检测，包括如下子步骤：

(2.1)对待检测图片进行分类预测和回归预测；

(2.2)对预测的文本包围盒进行非最大值抑制操作以实现过滤，得到输出结果。