[发明专利]基于Faster R-CNN的自然场景文本检测算法

权利要求书

1.基于Faster R-CNN的自然场景文本检测算法，其特征包括以下步骤：

步骤1：特征提取阶段：使用Resnet-101网络作为骨干网络，并引用改进的Inception模块；

步骤2：目标检测阶段：融合无锚框思想对RPN进行改进，将传统的基于区域预测的RPN结构改成基于点预测的anchor-free RPN，使模型能够应对场景文本多方向的特点；

步骤3：损失函数阶段：使用了focal loss取代传统的softmax损失函数，进一步提高模型精度；

步骤4：基于Faster R-CNN的自然场景文本检测模型的构建。

2.根据权利要求1所述的基于Faster R-CNN的自然场景文本检测算法，其特征在于，所述步骤1中，引入Resnet-101作为骨干网络，结合特征金字塔来提取特征图；同时在融合不同尺度的特征图后面添加Inception模块通过叠加更多卷积操作来提取更为丰富的特征向量，从而使最后的分类结果更加准确。

3.根据权利要求1所述的基于Faster R-CNN的自然场景文本检测算法，其特征在于，所述步骤2中，提取到四层特征之后，在其后面分别连接四个不同尺度的检测模块，与区域生成网络结构类似，每个检测模块都可以看作是一个滑动窗口检测器，在每一层特征金字塔结构上使用一个子网络对每个3×3的滑动窗口进行文本/非文本分类和边界框回归。

4.根据权利要求1所述的基于Faster R-CNN的自然场景文本检测算法，其特征在于，所述步骤3中，引入文本分类损失Lc，预测框回归损失Lr，λc和λr为平衡参数，具体如下：L＝λ_cL_c+λ_cL_c，其中回归损失函数使用Smooth L1损失，即则回归损失函数计算公式为L_r(t,t^*)＝Smooth L1(t,t^*)＝∑_i＝1,2,3,4Smooth L1(Δ_xi)+Smooth L1(Δ_yi)，其中t和t*分别表示从P到G的归一化之后的8维坐标预测值和真实值，深度特征提取过程中，首先将图像输入残差网络提取卷积特征得到Dconv×Hconv×Wconv的特征图，然后将特征图视为一列特征向量序列，其长度与特征图的宽度Wconv相等，序列中每个向量的维度等于特征图的高度乘以深度Dconv×Hconv，根据卷积神经网络特征的局部性，我们可以将整张输入图片视为一个个竖条型区域的组合，按照从左到右的顺序排列，特征向量序列与竖条型区域逐个对应，即特征序列按照从左到右的顺序描述了输入图像的一个个局部区域，为了提高特征的描述能力和上下文关联性，我们在卷积神经网络上叠加一个双向长短期记忆网络，同时从两个方向(从左向右和从右向左)提取空间依赖关系，分析长距离相关性，使得到的特向量包含更为丰富的上下文信息，双向长短期记忆网络的输出是一个新的特征序列，表示为h＝[h1,...hL]，L＝W_conv。

5.根据权利要求1所述的基于Faster R-CNN的自然场景文本检测算法，其特征在于，所述步骤4中，在训练和测试阶段，利用Resnet-101提取特征图，利用Faster R-CNN算法针对目标文本进行检测，确定识别模块的参数，然后利用测试集进行功能验证。