EAST模型結(jié)構(gòu)

EAST模型

EAST( An Efficient and Accurate Scene Text Detector)是標(biāo)題的英文首字母縮寫，模型出自曠視科技。相比其他幾種場(chǎng)景文字檢測(cè)模型，表現(xiàn)開掛。在ICDAR 2015數(shù)據(jù)集上表現(xiàn)優(yōu)異，見下圖：

可以看到紅色點(diǎn)標(biāo)記EAST模型的速度與性能超過(guò)之前的模型。EAST模型是一個(gè)全卷積神經(jīng)網(wǎng)絡(luò)(FCN)它會(huì)預(yù)測(cè)每個(gè)像素是否是TEXT或者WORDS，對(duì)比之前的一些卷積神經(jīng)網(wǎng)絡(luò)剔除了區(qū)域候選、文本格式化等操作，簡(jiǎn)潔明了，后續(xù)操作只需要根據(jù)閾值進(jìn)行過(guò)濾以及通過(guò)非最大抑制(NMS)得到最終的文本區(qū)域即可，EAST模型結(jié)構(gòu)如下：

其中stem網(wǎng)絡(luò)是一個(gè)基于ImageNet預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)(CNN)比如VGG-16，剩下的分別是通過(guò)卷積不斷降低尺度大小，再通過(guò)不同層的反卷積進(jìn)行合并，這個(gè)有點(diǎn)像UNet圖像分割網(wǎng)絡(luò)，最后輸出層，通過(guò)1x1的卷積分別得到score、RBOX、QUAD，輸出參數(shù)的解釋如下：

OpenCV DNN使用

OpenCV4.0 的深度神經(jīng)網(wǎng)絡(luò)(DNN)模塊能力大大加強(qiáng)，不僅支持常見的圖像分類、對(duì)象檢測(cè)、圖像分割網(wǎng)絡(luò)，還實(shí)現(xiàn)了自定義層與通用網(wǎng)絡(luò)模型支持，同時(shí)提供了非最大抑制相關(guān)API支持，使用起來(lái)十分方便。EAST模型的tensorflow代碼實(shí)現(xiàn)參見如下：

https://github.com/argman/EAST

下載預(yù)訓(xùn)練模型，生成pb文件，OpenCV DNN中導(dǎo)入tensorflow模型的API如下：

Netcv::readNet(
constString&model,
constString&config="",
constString&framework=""
)
model表示模型路徑
config表示配置文件，缺省為空
framework表示框架，缺省為空，根據(jù)導(dǎo)入模型自己決定

OpenCV DNN已經(jīng)實(shí)現(xiàn)非最大抑制算法，支持的API調(diào)用如下：

voidcv::NMSBoxes(
conststd::vector&bboxes,
conststd::vector&scores,
constfloatscore_threshold,
constfloatnms_threshold,
std::vector&indices,
constfloateta=1.f,
constinttop_k=0
)
Bboxes表示輸入的boxes
Score表示每個(gè)box得分
score_threshold表示score的閾值
nms_threshold表示非最大抑制閾值
indices表示輸出的結(jié)果，是每個(gè)box的索引index數(shù)組
eta表示自適應(yīng)的閾值nms閾值方式
top_k表示前多少個(gè)，為0表示忽略

代碼實(shí)現(xiàn)

首先加載模型，然后打開攝像頭，完成實(shí)時(shí)檢測(cè)，C++的代碼如下：

#include>
#include

usingnamespacecv;
usingnamespacecv::dnn;

voiddecode(constMat&scores,constMat&geometry,floatscoreThresh,
std::vector&detections,std::vector&confidences);

intmain(intargc,char**argv)
{
floatconfThreshold=0.5;
floatnmsThreshold=0.4;
intinpWidth=320;
intinpHeight=320;
Stringmodel="D:/python/cv_demo/ocr_demo/frozen_east_text_detection.pb";

//Loadnetwork.
Netnet=readNet(model);

//Openacamerastream.
VideoCapturecap(0);

staticconststd::stringkWinName="EAST:AnEfficientandAccurateSceneTextDetector";
namedWindow(kWinName,WINDOW_AUTOSIZE);

std::vectorouts;
std::vectoroutNames(2);
outNames[0]="feature_fusion/Conv_7/Sigmoid";
outNames[1]="feature_fusion/concat_3";

Matframe,blob;
while(waitKey(1)>frame;
if(frame.empty())
{
waitKey();
break;
}

blobFromImage(frame,blob,1.0,Size(inpWidth,inpHeight),Scalar(123.68,116.78,103.94),true,false);
net.setInput(blob);
net.forward(outs,outNames);

Matscores=outs[0];
Matgeometry=outs[1];

//Decodepredictedboundingboxes.
std::vectorboxes;
std::vectorconfidences;
decode(scores,geometry,confThreshold,boxes,confidences);

//Applynon-maximumsuppressionprocedure.
std::vectorindices;
NMSBoxes(boxes,confidences,confThreshold,nmsThreshold,indices);

//Renderdetections.
Point2fratio((float)frame.cols/inpWidth,(float)frame.rows/inpHeight);
for(size_ti=0;ilayersTimes;
doublefreq=getTickFrequency()/1000;
doublet=net.getPerfProfile(layersTimes)/freq;
std::stringlabel=format("Inferencetime:%.2fms",t);
putText(frame,label,Point(0,15),FONT_HERSHEY_SIMPLEX,0.5,Scalar(0,255,0));

imshow(kWinName,frame);
}
return0;
}

voiddecode(constMat&scores,constMat&geometry,floatscoreThresh,
std::vector&detections,std::vector&confidences)
{
detections.clear();
CV_Assert(scores.dims==4);CV_Assert(geometry.dims==4);CV_Assert(scores.size[0]==1);
CV_Assert(geometry.size[0]==1);CV_Assert(scores.size[1]==1);CV_Assert(geometry.size[1]==5);
CV_Assert(scores.size[2]==geometry.size[2]);CV_Assert(scores.size[3]==geometry.size[3]);

constintheight=scores.size[2];
constintwidth=scores.size[3];
for(inty=0;y(0,0,y);
constfloat*x0_data=geometry.ptr(0,0,y);
constfloat*x1_data=geometry.ptr(0,1,y);
constfloat*x2_data=geometry.ptr(0,2,y);
constfloat*x3_data=geometry.ptr(0,3,y);
constfloat*anglesData=geometry.ptr(0,4,y);
for(intx=0;x

	

	python的代碼實(shí)現(xiàn)如下：

	
if__name__=="__main__":
text_detector=TextAreaDetector("D:/python/cv_demo/ocr_demo/frozen_east_text_detection.pb")
frame=cv.imread("D:/txt.png")
start=time.time()
text_detector.detect(frame)
end=time.time()
print("[INFO]textdetectiontook{:.4f}seconds".format(end-start))
#showtheoutputimage
cv.imshow("TextDetection",frame)
cv.waitKey(0)
cap=cv.VideoCapture(0)
whileTrue:
ret,frame=cap.read()
ifretisnotTrue:
break
text_detector.detect(frame)
cv.imshow("easttextdetectdemo",frame)
c=cv.waitKey(5)
ifc==27:
break
cv.destroyAllWindows()


	

	運(yùn)行結(jié)果

	圖書封面 – 圖像檢測(cè)

	

	視頻場(chǎng)景中文字檢測(cè)

	

	手寫文本檢測(cè)

	

	

	   審核編輯：彭靜