文本检测方法及装置、电子设备、存储介质制造方法及图纸

本申请提供一种文本检测方法及装置、电子设备、存储介质，该方法包括：获取待处理文本图像；将待处理文本图像通过骨干网络转换成不同尺度的多张深度特征图；将不同尺度的多张深度特征图按照特征融合架构进行特征融合，得到融合特征图；将融合特征图分别作为概率分支网络和二值化分支网络的输入，得到概率分支网络输出的概率分布图和二值化分支网络输出的文本区域掩膜图；利用概率分布图修正文本区域掩膜图中框出的文本区域。由此可以简化计算，提高文本检测的准确性。

【技术实现步骤摘要】
文本检测方法及装置、电子设备、存储介质
本申请涉及图像处理
，特别涉及一种文本检测方法及装置、电子设备、计算机可读存储介质。
技术介绍
文本检测是文字识别算法流程的一部分，一般是指对文本图像进行文本行信息的检测与提取，获取文字图像上各文本行的位置的过程，以便后续用于对各文本行进行文本识别从而构成一个基本的OCR文字识别流程。随着深度学习的兴起，文本检测方法由原有的基于传统图像处理的方法，慢慢变为使用深度学习方法，常用方法为图像目标检测、图像目标分割等计算机视觉领域的方法，不同场景的缺陷检测需求不同，因此检测方法也多种多样。目前一种比较流行的文本检测方法是基于滑动窗口的文本检测方法。该方法基于通用目标检测的思想，设置大量不同长宽比、不同大小的锚点框，以这些锚点框为滑动窗口，在图像上或者在从图像上进行过卷积操作得到的特征映射图上进行遍历搜索，对于每个搜索到的位置框，进行框内是否是文本的分类判定。但是，这种方法计算量过大，不仅需要耗费大量计算资源，而且耗时较长。
技术实现思路
本申请实施例提供了一种文本检测方法，可以本文档来自技高网...

【技术保护点】
1.一种文本检测方法，其特征在于，所述方法包括：/n获取待处理文本图像；/n将所述待处理文本图像通过骨干网络转换成不同尺度的多张深度特征图；/n将所述不同尺度的多张深度特征图按照特征融合架构进行特征融合，得到融合特征图；/n将所述融合特征图分别作为概率分支网络和二值化分支网络的输入，得到所述概率分支网络输出的概率分布图和所述二值化分支网络输出的文本区域掩膜图；/n利用所述概率分布图修正所述文本区域掩膜图中框出的文本区域。/n

【技术特征摘要】
1.一种文本检测方法，其特征在于，所述方法包括：
获取待处理文本图像；
将所述待处理文本图像通过骨干网络转换成不同尺度的多张深度特征图；
将所述不同尺度的多张深度特征图按照特征融合架构进行特征融合，得到融合特征图；
将所述融合特征图分别作为概率分支网络和二值化分支网络的输入，得到所述概率分支网络输出的概率分布图和所述二值化分支网络输出的文本区域掩膜图；
利用所述概率分布图修正所述文本区域掩膜图中框出的文本区域。


2.根据权利要求1所述的方法，其特征在于，按照尺度由大到小，所述多张深度特征图包括第一特征图、第二特征图和第三特征图；所述将所述不同尺度的多张深度特征图按照特征融合架构进行特征融合，得到融合特征图，包括：
将所述第三特征图通过训练的第一卷积核进行卷积计算，并将计算结果按照第一倍数上采样生成第三放大特征图；
将所述第三特征图与所述第二特征图进行特征融合，得到第二放大特征图；
将所述第二特征图与所述第一特征图进行特征融合，得到第一放大特征图；
将所述第一放大特征图、所述第二放大特征图和所述第一放大特征图拼接得到所述融合特征图。


3.根据权利要求2述的方法，其特征在于，所述将所述第三特征图与所述第二特征图进行特征融合，得到第二放大特征图，包括:
将所述第三特征图通过训练的第二卷积核进行卷积计算，并将计算结果按照第二倍数进行上采样，得到第一中间特征图；
将所述第一中间特征图与所述第二特征图进行叠加；
将叠加结果通过训练的第三卷积核进行卷积计算，并将计算结果按照第三倍数进行上采样，得到所述第二放大特征图。


4.根据权利要求2述的方法，其特征在于，所述将所述第二特征图与所述第一特征图进行特征融合，得到第一放大特征图，包括：
将所述第二特征图通过训练的第四卷积核进行卷积计算，并将计算结果按照第四倍数进行上采样，得到第二中间特征图；
将所述第二中间特征图与所述第一特征图进行叠加；
将叠加结果通过训练的第五卷积核进行卷积计算，并将计算结果按照第五倍数进行上采样，得到所述第一放大特征图。


5.根据权利要求1的方法，其特征在于，所述利用所述概率分布图修正所述文本区域掩膜图中框出的文本区域，包括：

【专利技术属性】
技术研发人员：张发恩，陆强，
申请(专利权)人：创新奇智西安科技有限公司，
类型：发明
国别省市：陕西;61