1. 摘要

        在深度神经网络和大规模数据集的推动下，自然场景文本检测方法在过去的几年里取得了巨大的进步，不断刷新各种基准记录。然而，如下图所示，受到描述文本表征(水平矩形框、旋转矩形框或任意四边形框)的限制，现有的方法在处理更自由形式的文本实例(例如弯曲文本)时可能会表现的差强人意，而这些文本实例往往在实际中非常常见。为了解决这个问题，本文提出了一种更灵活的场景文本表征，称为TextSnake，它能够以水平、多方向和弯曲的形式有效地表征文本实例。在TextSnake中，文本实例检测框表征为以对称轴为中心的有序的、重叠的圆盘序列，每个圆盘都有其可变的半径和方向。

2. TextSnake算法

2.1 文本表征

       文本区域TR(黄色)利用一系列有序圆盘(蓝色)来表示，每个圆盘位于中心线TCL(绿色，即对称轴)上，圆盘的几何形状与半径r和方位θ相关联。其与传统的表征方式(轴对齐矩形、旋转矩形和四边形)相比，不考虑文本区域的形状和长度。

       数学定义：由几个字符组成的文本实例t可以看作是一个有序列表S(t)。S(t)={D0,D1,…,Di,…,Dn}，其中Di代表ith圆盘，n代表圆盘数。每个圆盘D又由一组几何属性表示，即D=(c, r, θ)，其中c、r和θ分别是圆盘D的中心、半径和方向。半径r定义为t的局部区域宽度的一半，而方向θ是当前圆盘与下一个圆盘中心点连线与水平方向的夹角。当获得S(t)后，则可重建弯曲的文本区域。另外注意，圆盘不对应t中的单个字符，即圆盘是重叠的。

2.2 网络结构

        基于FCN+FPN网络预测文本框，包含特征提取、特征合并、输出层三个阶段。

        特征提取：VGG-16/19；       

        特征合并：按顺序叠加各个阶段，每个阶段由一个从上一阶段提取的特征图和相应的主干网络层组成。合并过程由下列方程定义：

       输出层： 第五个合并阶段之后，得到一个新的特征图，其size为原始输入图像的1/2；然后，增加上采样层和2个卷积层产生最终的像素级预测输出层P：

       输出层P特征图size是（BatchSize，7，h，w）。其中，文本中心线(TCL,Text Center Line)2个通道、文本区域(TR,Text Region)2个通道，圆盘的几何属性（r、cosθ和sinθ）3个通道。

2.4 前向传播

       首先，在前向传播之后，网络输出层生成TCL、TR和几何图属性。对于TCL和TR的后处理，分别采用Ttcl和Ttr值阈值操作；然后，利用TR与TCL的交集（消除噪点）给出TCL的最终预测；最后，基于striding算法重构文本区域。

      striding算法：提取一个表示文本实例形状和过程的有序点列表，对文本实例区域进行重构。首先采用两种简单的启发式算法对false positive文本实例进行过滤：

(1) TCL像素数至少为其平均半径的0.2倍，否则滤除；

(2) 预测的文本区域与TR的交集，至少是TR的一半，否则滤除。

后处理算法框架：

act (a) centralizing：将给定的点重新定位到中轴；如图6所示，随机选择TCL上的一个点，画出切线（虚线）和法线（实线），通过法线与TCL区域交点的中点获得中点。

act(b) striding算法：该算法向下一个搜索点迈出一大步，分别朝向文本实例的两个末端方向搜索；每一步位移的计算方式为。如果下一步是在TCL区域之外，则逐渐减少步幅，直到它在区域内，或到达末端。

act(c) sliding算法：该算法在中轴线上迭代并沿中轴线绘制圆圈，圆的半径是r。圆圈所涵盖的区域表示预测的文本实例。

2.5 生成标签

       文本中心线：本文方法也依赖一个前提假设，即假设文本实例是蛇形的，不会分叉到多个分支。对于蛇形文本实例，它有两个边，分别是头部和尾部，即如图7(a)中的AH和DE（底边）。头部或尾部附近的两条边是平行的，但方向相反，如图7(a)中的AB和GH。

a. 确定底边       

         由一组顶点{v0,v1,v2,…,vn}按顺时针或逆时针顺序表示文本实例t，确定一条边ei,i+1是底边的度量方式是旁边的两条边夹角是180度，公式化为：

b.采样锚点

        对两个边线(ABCD和HGFE)上采样相同数量的锚点(anchor points)；

c.计算TCL点

        计算 TCL点，即为两条边线上相应锚点的中点。另外，将TCL的两端缩小1/2 r（两端TCL点的半径）像素，这可以令TCL位于TR内，并使网络更容易学习两个相邻的文本实例。又因为单点线容易产生噪声，所以本文将TCL的面积扩大1/5 r。

       计算r和θ：r是利用边线上对应点的距离计算获得的；

                         θ是利用相邻的TCL点连接成一条直线来计算获得的。对于非TCL像素，将其相应的几何属性设置为0。

2.6 损失函数

       以下列损失函数为目标的端到端训练：

       其中，Lcls代表TR和TCL的分类损失，Lreg代表r、cosθ和sinθ的回归损失；Ltr和Ltcl分别是TR和TCL的交叉熵损失；Lr, Lsin和Lcos为smooth-L1损失：

       权重常数λ1、λ2、λ3、λ4和λ5都设置为1。

3. 实验

3.1 数据集

       实验数据集包括：SynthText、TotalText、CTW1500、ICDAR2015、MSRA-TD500.

       其中，使用SynthText数据集预训练模型。

3.2 数据增强

       a. 图像随机旋转；

       b. 图像随机裁剪，裁剪面积从0.24到1.69，纵横比从0.33到3；

       c. 随机调整噪声、模糊度和亮度，并确保增强图像上的文本仍然清晰。

3.3 训练参数

      本文方法是基于TensorFlow 1.3.0框架实现，该网络首先在SynthText数据集预训练一个epoch，然后在其他数据集进行fine-tuned；采用Adam优化算法；在预训练阶段，学习率固定在e−3；在fine-tuning阶段，学习速率最初设置为e−3，每5000次迭代的学习速率衰减0.8倍。

3.4 实验结果

       上图为不同数据集的预测情况，上面四个图中的黄色框为预测框，绿色框为标注框；下面四个图是得分特征图，其中TR是红色区域，TCL是黄色区域。

        以Total-Text和CTW1500数据集训练为例：

       这两个数据集fine-tuning 迭代5k次，阈值Ttr和Ttcl分别设置为(0.4,0.6)和(0.4,0.5)。在测试中，Total-Text图像被resize为512×512，而对于CTW 1500，由于CTW 1500中的图像相当小，则不resize。

4. 算法分析

        本文的方法能够精确地预测文本实例的形状和过程，主要原因在于TCL机制，文本中心线可以看作是支撑文本实例的骨架，几何属性在其之上提供更多的细节。优点如下：

(1) 较小的TCL能够更好地描述文本实例的过程和形状；

(2) TCL从直观上来看并不重叠，使得实例分割可以非常简单、直观，从而简化了pipeline。

5. 代码实现