一種無監督的場景文本識別方法

摘 要：隨著互聯網應用的爆發式增長，對海量數據的分類和知識發現提出了更高的要求，特別是在圖像識別領域，各種移動應用產生數量巨大的圖像，對圖像的自動理解成為一個具有挑戰性的問題。自然場景中的文本區域識別問題是其中一個重要的研究方向，由于文本區域與背景區域的交錯、重疊和混雜，為建立自動識別模型帶來很大的困難。

關鍵詞：文本識別;深度學習;自動編碼器;圖像分割

隨著移動設備和互聯網應用的高速發展，數據規模呈現出指數級別的增長，人們對獲取海量電子化存儲的數據中所蘊含的知識和信息的要求也越來越高，對機器學習和數據挖掘研究者們來說是巨大的挑戰。其中，對圖像的識別是其中一個重要的分析任務，但由于圖像的復雜性以及其非結構和異質的特性，適用于文本數據的知識發現方法并不適用于圖像數據，因此研究者們對圖像數據的分析進行了廣泛而深入的研究。本文闡述對自然場景圖像中文字區域的識別方法。對圖像中文字信息的識別已有一定的研究基礎，如光學字符識別（OCR，Optical Character Recognition）已有廣泛的研究并成熟地面向商業應用的軟件。但OCR僅限于對空白背景的文字識別，且其識別的字符集有較大限制，在自然場景中OCR難以發揮作用。下圖展示了兩幅包含明顯文本區域的自然場景圖像。

■自然場景中的文本區域示例

本文提出一種無監督的方法對自然場景圖像中的文本區域進行識別。其主要思路是通過一種無監督的學習方法，獲取圖像文本區域的特征表達，從而引導圖像分割過程使文本區域與背景區域分離，實現文本區域的識別。提出該方法的動機有以下兩點：第一是圖像的文本區域變化繁多，難以構建有效的訓練樣本集進行有監督學習;第二是圖像的文本區域與背景多有重疊和相交的部分，單純基于像素的圖像分割方法難以得到有效的區域。因此，采用無監督學習的方式通過已有的圖像數據自動學習文本區域的內在特征，并提升為高層次的概念，在此基礎上進行區域的分割，是一種合理的方法，避免了對區域特征的直接表達，也節省了在有監督學習中構建有標簽訓練樣本集所需的昂貴人工成本。

一、主要方法

采用堆疊自動編碼器作為深度學習模型，其結構為多個自動編碼器的輸出和輸入相連接，各個自動編碼器的輸出碼長隨機選擇，各個自動編碼器分別訓練再堆疊在一起，最后輸出一組特征向量作為圖像的特征表達。形式上，設I={I1，I2，…，In}為圖像集合，每個圖像的大小均為w×h像素，設A={A1，A2，…，An}為自動編碼器集合，其中A1的輸入個數和w×h的輸出個數均為v×h，當1

自動編碼器的訓練采用類似于神經網絡常用的反向傳播訓練算法（BP，Back Propagation）進行訓練，網絡中的邊權值在訓練中確定，訓練目標設定為輸出的編碼值在相同的權重作用下盡可能還原輸入值，即：minwA-1[A（x）]-x，尋找使該式最小的w值。每個隱含層神經元采用的是Sigmoid函數，每一層均按這樣的方式進行訓練，訓練全過程以無監督的方式進行。尋找最優w的過程通過標準的BP算法進行，由于僅有兩層結點，可以快速收斂。

二、實驗

在公開的圖像數據集進行實驗評估。算法使用兩個數據集，第一個是ICDAR2003的競賽數據集，第二個是公開的街景文字數據集（Street View Text，SVT）。兩個數據集中的圖像都是24位彩色圖像，大小是1024×768像素，文件格式為JPEG。其中ICDAR 2003包含420幅訓練圖像和141幅測試圖像，SVT包含5003幅圖像，每幅圖像有一個文本向量表示其中所包含的文字。

對于本文方法，采用20層堆疊的自動編碼器，其中第1個自動編碼器的輸入和最后一個自動編碼器的輸出均為1024×768。中間層的輸入和輸出隨機生成，范圍在200×500至1024×768之間隨機生成。節點的激勵函數用Sigmoid函數，即g（x）=■，該函數能夠把一個連續的實值輸入量x壓縮到開區間（0，1），且具有良好的數學性質。

總之，圖像理解是數據挖掘和機器學習的熱點研究領域，而其中的文本區域識別對理解圖像的語義具有重要作用。本文提出了一個識別方法，采用深度學習的方法對文本區域的特征進行提取，有效表達了文本區域所蘊含的抽象特征，在此基礎上進行區域的識別和分類，取得了較好的效果。在兩個公開的圖像數據集上對本文提出的方法進行測試，評估結果表明本文方法是有效的。

深度學習本質上是一種無監督的特征表達手段，近年來被深入研究，并在表達抽象概念上展現出了強大的能力。隨著對其研究的深入，會有更多的方法被提出并應用于圖像理解領域，而這也是我們今后的主要研究方向。

參考文獻：

[1]L.Ogiela.Cognitive informatics in image semantics description，identification and automatic pattern understanding.Neurocomput，2013.

[2]H.Zhang，K.Zhao，Y.Z.Song，J.Guo.Text extraction from natural scene image：A survey.Neurocomput，2013.

[3]B.Hemery，H.Laurent，B.Emile，C.Rosenberger. Parametriza-tion of an image understanding quality metric with a subjective evalua-tion.Pattern Recogn.Lett， 2013.

？誗編輯 溫雪蓮