yolov4训练自己的数据 灰度图像_【AI实战】手把手教你深度学习文字识别（文字检测篇：基于MSER, CTPN, SegLink, EAST等方法）...

文字检测是文字识别过程中的一个非常重要的环节，文字检测的主要目标是将图片中的文字区域位置检测出来，以便于进行后面的文字识别，只有找到了文本所在区域，才能对其内容进行识别。

文字检测的场景主要分为两种，一种是简单场景，另一种是复杂场景。其中，简单场景的文字检测较为简单，例如像书本扫描、屏幕截图、或者清晰度高、规整的照片等；而复杂场景，主要是指自然场景，情况比较复杂，例如像街边的广告牌、产品包装盒、设备上的说明、商标等等，存在着背景复杂、光线忽明忽暗、角度倾斜、扭曲变形、清晰度不足等各种情况，文字检测的难度更大。如下图：

本文将介绍简单场景、复杂场景中常用的文字检测方法，包括形态学操作、MSER+NMS、CTPN、SegLink、EAST等方法，并主要以ICDAR场景文字图片数据集介绍如何使用这些方法，如下图：

1、简单场景：形态学操作法

通过利用计算机视觉中的图像形态学操作，包括膨胀、腐蚀基本操作，即可实现简单场景的文字检测，例如检测屏幕截图中的文字区域位置，如下图：

其中，“膨胀”就是对图像中的高亮部分进行扩张，让白色区域变多；“腐蚀”就是图像中的高亮部分被蚕食，让黑色区域变多。通过膨胀、腐蚀的一系列操作，可将文字区域的轮廓突出，并消除掉一些边框线条，再通过查找轮廓的方法计算出文字区域的位置出来。主要的步骤如下：

读取图片，并转为灰度图

图片二值化，或先降噪后再二值化，以便简化处理

膨胀、腐蚀操作，突出轮廓、消除边框线条

查找轮廓，去除不符合文字特点的边框

返回文字检测的边框结果

通过OpenCV，便能轻松实现以上过程，核心代码如下：

# -*- coding: utf-8 -*-

import cv2

import numpy as np

# 读取图片

imagePath = '/data/download/test1.jpg'

img = cv2.imread(imagePath)

# 转化成灰度图

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 利用Sobel边缘检测生成二值图

sobel = cv2.Sobel(gray, cv2.CV_8U, 1, 0, ksize=3)

# 二值化

ret, binary = cv2.threshold(sobel, 0, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY)

# 膨胀、腐蚀

element1 = cv2.getStructuringElement(cv2.MORPH_RECT, (30, 9))

element2 = cv2.getStructuringElement(cv2.MORPH_RECT, (24, 6))

# 膨胀一次，让轮廓突出

dilation = cv2.dilate(binary, element2, iterations=1)

# 腐蚀一次，去掉细节

erosion = cv2.erode(dilation, element1, iterations=1)

# 再次膨胀，让轮廓明显一些

dilation2 = cv2.dilate(erosion, element2, iterations=2)

# 查找轮廓和筛选文字区域

region = []

contours, hierarchy = cv2.findContours(dilation2, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

for i in range(len(contours)):

cnt = contours[i]

# 计算轮廓面积，并筛选掉面积小的

area = cv2.contourArea(cnt)

if (area < 1000):

continue

# 找到最小的矩形

rect = cv2.minAreaRect(cnt)

print ("rect is: ")

print (rect)

# box是四个点的坐标

box = cv2.boxPoints(rect)

box = np.int0(box)

# 计算高和宽

height = abs(box[0][1] - box[2][1])

width = abs(box[0][0] - box[2][0])

# 根据文字特征，筛选那些太细的矩形，留下扁的

if (height > width * 1.3):

continue

region.append(box)

# 绘制轮廓

for box in region:

cv2.drawContours(img, [box], 0, (0, 255, 0), 2)

cv2.imshow('img', img)

cv2.waitKey(0)

cv2.destroyAllWindows()

该图像处理过程如下图所示：

可以看到最终成功将图像中的文字区域检测出来了。

这种方法的特点是计算简单、处理起来非常快，但在文字检测中的应用场景非常有限，例如如果图片是拍照的，光线有明有暗或者角度有倾斜、纸张变形等，则该方法需要不断重新调整才能检测，而且效果也不会很好，如下图。例如上面介绍的代码是针对白底黑字的检测，如果是深色底白色字则需要重新调整代码，如果有需要，可再私信我交流。

2、简单场景：MSER+NMS检测法

MSER(Maximally Stable Extremal Regions，最大稳定极值区域)是一个较为流行的文字检测传统方法(相对于基于深度学习的AI文字检测而言)，在传统OCR中应用较广，在某些场景下，又快又准。

MSER算法是在2002提出来的，主要是基于分水岭的思想进行检测。分水岭算法思想来源于地形学，将图像当作自然地貌，图像中每一个像素的灰度值表示该点的海拔高度，每一个局部极小值及区域称为集水盆地，两个集水盆地之间的边界则为分水岭，如下图：

MSER的处理过程是这样的，对一幅灰度图像取不同的阈值进行二值化处理，阈值从0至255递增，这个递增的过程就好比是一片土地上的水面不断上升，随着水位的不断上升，一些较低的区域就会逐渐被淹没，从天空鸟瞰，大地变为陆地、水域两部分，并且水域部分在不断扩大。在这个“漫水”的过程中，图像中的某些连通区域变化很小，甚至没有变化，则该区域就被称为最大稳定极值区域。在一幅有文字的图像上，文字区域由于颜色(灰度值)是一致的，因此在水平面(阈值)持续增长的过程中，一开始不会被“淹没”，直到阈值增加到文字本身的灰度值时才会被“淹没”。该算法可以用来粗略地定位出图像中的文字区域位置。

听起来这个处理过程似乎非常复杂，好在OpenCV中已内置了MSER的算法，可以直接调用，大大简化了处理过程。

检测效果如下图：

检测后的结果是存在各种不规则的检测框形状，通过对这些框的坐标作重新处理，变成一个个的矩形框。如下图：

核心代码如下：

# 读取图片

imagePath = '/data/download/test2.jpg'

img = cv2.imread(imagePath)

# 灰度化

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

vis = img.copy()

orig = img.copy()

# 调用 MSER 算法

mser = cv2.MSER_create()

regions, _ = mser.detectRegions(gray) # 获取文本区域

hulls = [cv2.convexHull(p.reshape(-1, 1, 2)) for p in regions] # 绘制文本区域

cv2.polylines(img, hulls, 1, (0, 255, 0))

cv2.imshow('img', img)

# 将不规则检测框处理成矩形框

keep = []

for c in hulls:

x, y, w, h = cv2.boundingRect(c)

keep.append([x, y, x + w, y + h])

cv2.rectangle(vis, (x, y), (x + w, y + h), (255, 255, 0), 1)

cv2.imshow("hulls", vis)

从上图可以看出，检测框有很多是重叠的，大框里面有小框，框与框之间有交叉，有些框只是圈出了汉字的偏旁或者某些笔划，而我们期望是能圈出文字的外边框，这样便于后续的文字识别。为了处理这些很多重叠的大小框，一般会采用NMS方法(Non Maximum Suppression，非极大值抑制)，也就是抑制非极大值的元素，即抑制不是最大尺寸的框，相当于去除大框中包含的小框，达到去除重复区域，找到最佳检测位置的目的。

NMS算法的主要流程如下：

将所有框按置信度得分进行排序(如果边框没有置信度得分，也可以按坐标进行排序)

取其中得分最高的框出来

遍历该框与其余框的重叠面积(IoU)

删除IoU大于某个阈值的框(阈值可按需设定，例如0.3、0.5、0.8等)

取下一个得分最高的框出来，重复以上过程

经过以上步骤，最后剩下的就是不包含重叠部分的文本检测框了。核心代码如下：

# NMS 方法(Non Maximum Suppression，非极大值抑制)

def nms(boxes, overlapThresh):

if len(boxes) == 0:

return []

if boxes.dtype.kind == "i":

boxes = boxes.astype("float")

pick = []

# 取四个坐标数组

x1 = boxes[:, 0]

y1 = boxes[:, 1]

x2 = boxes[:, 2]

y2 = boxes[:, 3]

# 计算面积数组

area = (x2 - x1 + 1) * (y2 - y1 + 1)

# 按得分排序(如没有置信度得分，可按坐标从小到大排序，如右下角坐标)

idxs = np.argsort(y2)

# 开始遍历，并删除重复的框

while len(idxs) > 0:

# 将最右下方的框放入pick数组

last = len(idxs) - 1

i = idxs[last]

pick.append(i)

# 找剩下的其余框中最大坐标和最小坐标

xx1 = np.maximum(x1[i], x1[idxs[:last]])

yy1 = np.maximum(y1[i], y1[idxs[:last]])

xx2 = np.minimum(x2[i], x2[idxs[:last]])

yy2 = np.minimum(y2[i], y2[idxs[:last]])

# 计算重叠面积占对应框的比例，即 IoU

w = np.maximum(0, xx2 - xx1 + 1)

h = np.maximum(0, yy2 - yy1 + 1)

overlap = (w * h) / area[idxs[:last]]

# 如果 IoU 大于指定阈值，则删除

idxs = np.delete(idxs, np.concatenate(([last], np.where(overlap > overlapThresh)[0])))

return boxes[pick].astype("int")

经NMS处理后的检测结果如下图：

从上图可以看出，经MSER+NMS后，已能较好地将文字区域检测、圈出来。

MSER+NMS检测方法在传统的OCR应用中使用广泛，检测速度也非常快，能满足一定的文字识别场景。但当在复杂的自然场景中，特别是有复杂背景的，其检测效果也不尽人意，会将一些无关的因素也检测出来，如下图：

【重点来了】

接下来要介绍的方法，就主要是基于深度学习的AI文字检测法，可应用于复杂的自然场景中。

3、复杂场景：CTPN检测法

CTPN(Detecting Text in Natural Image with Connectionist Text Proposal Network，基于连接预选框网络的文本检测)是基于卷积神经网络和循环神经网络的文本检测方法，其基本做法是生成一系列适当尺寸的文本proposals(预选框)进行文本行的检测，示意图如下，具体的技术原理请见之前的文章(文章：大话文本检测经典模型：CTPN)

CTPN检测法能适应较为复杂的自然场景，是目前深度学习中作文字检测的常用方法之一。CTPN的原作者提供该算法的源代码(https://github.com/tianzhi0549/CTPN)，是基于caffe深度学习框架的。大家对tensorflow可能会更加熟悉，于是有人在github上提供了tensorflow版本的CTPN程序(https://github.com/eragonruan/text-detection-ctpn)，下面介绍如何使用该程序进行文字检测。

(1)下载源代码和模型

① 首先，将tensorflow版本的CTPN程序源代码下载下来，可直接下载成zip压缩包或者git克隆

git clone https://github.com/eragonruan/text-detection-ctpn.git

② 接下来，进行编译安装，执行以下命令

cd utils/bbox

chmod +x make.sh

./make.sh

③ 下载预训练好的模型，下载地址为 https://pan.baidu.com/s/1BNHt_9fiqRPGmEXPaxaFXw ，下载后的压缩文件为checkpoints_mlt.zip，新建目录text-detection-ctpn，将解压后将 checkpoints_mlt 文件夹放到text-detection-ctpn 目录中

(2)CTPN文本检测能力测试

将图片放到data/demo目录(默认有自带测试图片，如要检测自己的图片，则将自己的图片放于data/demo目录下)，然后执行以下命令，就能使用CTPN进行文字检测

python ./main/demo.py

检测后的结果存放于 data/res 目录中，检测结果由图片和检测框位置、置信度分数信息两种文件组成，如下图所示：

打开文件后，如下图所示，可见已较好地将文字检测出来：

再打开其它图片，可看到检测结果如下，检测效果还不错，如下图：

(3)CTPN文本检测能力封装

通过对main/demo.py的程序稍微进行改造，就能将CTPN检测能力封装后提供给其它程序调用了，核心代码如下：

# 基于 CTPN 的文字检测方法

# 输入：图片

# 返回：文本框位置和置信度分数

def text_detect(image):

with tf.get_default_graph().as_default():

# 模型参数定义

input_image = tf.placeholder(tf.float32, shape=[None, None, None, 3], name='input_image')

input_im_info = tf.placeholder(tf.float32, shape=[None, 3], name='input_im_info')

global_step = tf.get_variable('global_step', [], initializer=tf.constant_initializer(0), trainable=False)

bbox_pred, cls_pred, cls_prob = model.model(input_image)

variable_averages = tf.train.ExponentialMovingAverage(0.997, global_step)

saver = tf.train.Saver(variable_averages.variables_to_restore())

with tf.Session(config=tf.ConfigProto(allow_soft_placement=True)) as sess:

# 加载模型

ckpt_state = tf.train.get_checkpoint_state(checkpoint_dir)

model_path = os.path.join(checkpoint_dir, os.path.basename(ckpt_state.model_checkpoint_path))

saver.restore(sess, model_path)

# 预测文本框位置

img = image

h, w, c = img.shape

im_info = np.array([h, w, c]).reshape([1, 3])

bbox_pred_val, cls_prob_val = sess.run([bbox_pred, cls_prob],

feed_dict={input_image: [img],

input_im_info: im_info})

textsegs, _ = proposal_layer(cls_prob_val, bbox_pred_val, im_info)

scores = textsegs[:, 0]

textsegs = textsegs[:, 1:5]

textdetector = TextDetector(DETECT_MODE='H')

boxes = textdetector.detect(textsegs, scores[:, np.newaxis], img.shape[:2])

boxes = np.array(boxes, dtype=np.int)

return boxes,scores

从以上的检测结果来看，CTPN检测法在复杂的自然场景下具有较好的检测效果。

4、复杂场景：SegLink检测法

虽然CTPN在自然场景下的文字检测效果还不错，但CTPN的检测效果是基于水平方向的，对于非水平的文本检测效果并不好。在自然场景中，有很多的文本信息都是带有一定的旋转、倾斜角度的，例如街道上的广告牌。接下来介绍的SegLink检测法能够实现对旋转文本的多角度检测，该模型主要是对通过Segment(切片)、Link(链接)实现对文本的检测，示意图如下，具体的技术原理请见之前的文章(文章：大话文本检测经典模型：SegLink)

下面介绍如何使用SegLink来检测文本。

(1)下载源代码和模型

① 首先，在github上下载tensorflow版本的SegLink源代码(https://github.com/dengdan/seglink)，可直接下载成zip压缩包或者git克隆

git clone https://github.com/dengdan/seglink.git

② 下载pylib，下载路径为https://github.com/dengdan/pylib/tree/f7f5c5503fbb3d9593e6ac3bbf0b8508f53ee1cf ，解压后将src里面的util文件放到pylib目录下面，然后添加到环境变量，在test_seglink.py的前面加上

import sys

sys.path.append('/data/PycharmProjects/tensorflow/ocr/seglink/util')

或者在当前窗口执行以下命令，或在 /etc/profile，~/.bashrc 文件中添加以下命令

export PYTHONPATH=xx:$PYTHONPATH

③ 下载预训练好的模型(基于SynthText、IC15数据集)，作者提供了两个预训练好的模型seglink-384(基于384x384的图片)、seglink-512(基于512x512的图片)，下载地址为 https://pan.baidu.com/s/1slqaYux

④ 安装依赖包

conda install -c cachemeorg setproctitle

#或以下命令

#pip install setproctitle

⑤ 如果python是使用了python3的，则需要进行以下修改(使用python 2.x的，请忽略)

修改test_seglink.py第69行、第133行、第139行、第144行、第145行、第146行，print后面加上括号

修改pylib/util/io_.py，修改第11行，将import cPickle as pkl修改为import pickle as pkl

修改pylib/util/io_.py，修改第12行，将import commands改为import subprocess as commands

修改pylib/util/caffe_.py，修改第29行、第46行、第47行、第50行，在print后面加上括号

修改pylib/util/tf.py，修改第41行，将xrange改为range

修改config.py，修改第129行，将xrange改为range

修改tf_extended/seglink.py，修改第337行、第625行、第626行、第759行、第761行，将xrange改为range

修改test_seglink.py，第153行，将print(util.cmd.cmd(cmd))注释掉

⑥ 修改./tf_extended/seglink.py，第808行，opencv3没有cv.BoxPoints() 函数，修改如下：

# points = cv2.cv.BoxPoints(bbox)   #opencv2.4.9

points = cv2.boxPoints(bbox)       #opencv3.1.0

(2)SegLink检测文本测试(文本框坐标)

通过运行以下命令进行测试

./scripts/test.sh 0 GPU_ID CKPT_PATH DATASET_DIR

该命令由三个参数组成，第1个表示GPU，第2个表示模型路径，第3个表示数据目录。例如我们使用刚才下载的seglink-384预训练模型，将要检测的图片放到指定的目录后进行测试(可使用自己的图片，或使用场景文字图片数据集ICDAR2015进行测试，下载地址为http://rrc.cvc.uab.es/?ch=4&com=downloads)，那么执行的脚本如下：

./scripts/test.sh 0 ./models/seglink-512/model.ckpt-217867  ./dataset/ICDAR2015 /ch4_test_images

检测后，生成了图片检测出来的文本框位置(8个坐标点)，并存放在txt文件中，如下图：

从这些检测的文本框位置结果来看，并不显性化，不知道在图片中的实际检测效果如何。

(3)SegLink检测文本测试(结果显性化)

为了能显性化地展现出文本检测 的图片结果，可通过以下命令进行展示，格式为

python visualize_detection_result.py \

--image=检测的图片所在目录

--det=经过test_seglink.py检测输出的文本框位置坐标

--output=指定将文本框位置绘制到图片上的输出目录

该命令由三个参数组成，第一个表示输入的图像，第二个表示输出检测结果的文本信息，第三个表示输出检测结果的图像

① 在visualize_detection_result.py添加环境变量

import sys

sys.path.append('/data/PycharmProjects/tensorflow/ocr/seglink/util')

② 如果python是使用了python3的，则对visualize_detection_result.py第65行，print后面加上括号

对刚才输出的检测结果信息进行可视化展示，调用的命令如下(以ICDAR2015测试图片集为例，如要使用自己的照片，请替换图片目录)：

python visualize_detection_result.py \

--image=./dataset/ICDAR2015/ ch4_test_images/  \

--det=./models/seglink-512/model.ckpt-217867/test/icdar2015_test/model.ckpt-217867/seg_link_conf_th_0.800000_0.500000/txt \

--output=./dataset/output

执行后，可看到直接输出了检测后的结果图片，如下图：

打开其它图片，检测效果如下：

从上面的检测结果来看，可较好地检测出自然场景中的文字，特别是其中还有一些带有一定倾斜或旋转角度的文字，也能检测出来。

(4)SegLink文本检测能力封装

为了方便在其它程序中调用SegLink的检测能力，在test_seglink.py, visualize_detection_result.py代码的基础上进行封装改造，就能将SegLink的检测能力进行封装提供给其它程序调用，核心代码如下：

# 基于 SegLink 的文字检测方法

# 输入：图片

# 返回：文本框位置

def text_detect(img):

with tf.name_scope('eval'):

with tf.variable_scope(tf.get_variable_scope(),reuse=True):

# 模型参数

image = tf.placeholder(dtype=tf.int32, shape=[None, None, 3])

image_shape = tf.placeholder(dtype=tf.int32, shape=[3, ])

# 预处理图片

processed_image, _, _, _, _ = ssd_vgg_preprocessing.preprocess_image(image, None, None, None, None,

out_shape=config.image_shape,

data_format=config.data_format,

is_training=False)

b_image = tf.expand_dims(processed_image, axis=0)

b_shape = tf.expand_dims(image_shape, axis=0)

# 预测文本框

net = seglink_symbol.SegLinkNet(inputs=b_image, data_format=config.data_format)

bboxes_pred = seglink.tf_seglink_to_bbox(net.seg_scores, net.link_scores,

net.seg_offsets,

image_shape=b_shape,

seg_conf_threshold=config.seg_conf_threshold,

link_conf_threshold=config.link_conf_threshold)

sess_config = tf.ConfigProto(log_device_placement=False, allow_soft_placement=True)

sess_config.gpu_options.allow_growth = True

saver = tf.train.Saver()

if util.io.is_dir(checkpoint_dir):

checkpoint = util.tf.get_latest_ckpt(checkpoint_dir)

else:

checkpoint = checkpoint_dir

with tf.Session(config=sess_config) as sess:

# 加载模型

saver.restore(sess, checkpoint)

# 预测文本框

image_data = img

image_bboxes = sess.run([bboxes_pred], feed_dict={image: image_data, image_shape: image_data.shape})

bboxes = image_bboxes[0]

return bboxes

5、复杂场景：EAST检测法

CTPN检测法、SegLink检测法是通过先预测proposals(预选框)、segment(切片)，然后再回归、合并等方式实现对文本的检测，中间过程比较冗长。而接下来介绍的EAST检测法，则将中间过程缩减为只有FCN(全卷积网络)、NMS(非极大值抑制)两个阶段，而且输出结果支持文本行、单词的多个角度检测，既高效准确，又能适应多种自然应用场景，如下图所示，具体的技术原理请见之前的文章(文章：大话文本检测经典模型：EAST)

下面介绍如何使用EAST来检测文本。

(1)下载源代码和模型

① 首先在github上下载EAST的源代码(https://github.com/argman/EAST)，可直接下载成zip压缩包或者git克隆

git clone https://github.com/argman/EAST.git

② 在百度网盘上下载预先训练好的模型文件(基于ICDAR 2013、ICDAR 2015数据集训练)，下载地址为http://pan.baidu.com/s/1jHWDrYQ

③ 安装shapely依赖包，执行以下命令

conda install shapely

# 或执行以下命令

# pip install shapely

(2)EAST检测文本测试(demo页面)

进入EAST-master目录，然后执行以下命令，可启动demo页面

python run_demo_server.py –checkpoint_path model/east_icdar2015_resnet_v1_50_rbox/

页面默认会加载输出的结果图片，首次加载时没有结果输出，所以会提示404，这不影响后面的使用。

执行命令后，即可启动web服务，在浏览器中输入http://localhost:8769，打开demo页面，如下图：

点击“选择文件”选择待检测的图片，点击“Submit”提交进行检测，检测后将在页面上返回显示检测后的图片，随机挑选了其中三张图片，检测效果如下图：

作者还很贴心地提供在在线的demo页面，让用户可直接进行体验使用，使用方式跟上面的demo页面一样，网站链接为http://east.zxytim.com/

(3)EAST检测文本测试(批量检测)

可通过命令行调用一批图片批量检测文本，还是以刚才的ICDAR图片数据集进行检测(如果要检测自己的图片，请替换数据目录)，命令如下：

python eval.py –test_data_path=/data/work/tensorflow/model/seglink/ICDAR2015/ch4_test_images/ --checkpoint_path=model/east_icdar2015_resnet_v1_50_rbox/ --output_dir=/tmp/east

执行该命令后，将会批量读取图片进行检测，并输出检测结果，包括图片中检测到的文本框位置、检测结果框住文本后的图片，如下图所示：

从上图也可以看出，EAST也能较好地检测出自然场景的文字，对其中一些带有旋转角度的文字也可准确地检测出来。

(4)EAST文本检测能力封装

为了方便将EAST提供给其它代码调用，通过对eval.py进行修改，封装EAST文本检测的方法，可直接供其它代码调用，代码如下：

# 基于 EAST 的文字检测方法

# 输入：图片

# 返回：文本框位置相关信息

def text_detect(img):

# 模型路径

checkpoint_path='/data/PycharmProjects/tensorflow/ocr/east/model/east_icdar2015_resnet_v1_50_rbox/'

# 模型参数

input_images = tf.placeholder(tf.float32, shape=[None, None, None, 3], name='input_images')

global_step = tf.get_variable('global_step', [], initializer=tf.constant_initializer(0), trainable=False)

f_score, f_geometry = model.model(input_images, is_training=False)

variable_averages = tf.train.ExponentialMovingAverage(0.997, global_step)

saver = tf.train.Saver(variable_averages.variables_to_restore())

sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True))

# 加载模型

ckpt_state = tf.train.get_checkpoint_state(checkpoint_path)

model_path = os.path.join(checkpoint_path, os.path.basename(ckpt_state.model_checkpoint_path))

saver.restore(sess, model_path)

# 预测文本框

im_resized, (ratio_h, ratio_w) = resize_image(img)

score, geometry = sess.run(

[f_score, f_geometry],

feed_dict={input_images: [im_resized[:,:,::-1]]})

boxes,_ = detect(score_map=score, geo_map=geometry, timer=collections.OrderedDict([('net', 0),('restore', 0),('nms', 0)]))

if boxes is not None:

scores = boxes[:,8].reshape(-1)

boxes = boxes[:, :8].reshape((-1, 4, 2))

boxes[:, :, 0] /= ratio_w

boxes[:, :, 1] /= ratio_h

text_lines = []

if boxes is not None:

text_lines = []

for box, score in zip(boxes, scores):

box = sort_poly(box.astype(np.int32))

if np.linalg.norm(box[0] - box[1]) < 5 or np.linalg.norm(box[3]-box[0]) < 5:

continue

tl = collections.OrderedDict(zip(

['x0', 'y0', 'x1', 'y1', 'x2', 'y2', 'x3', 'y3'],

map(float, box.flatten())))

tl['score'] = float(score)

text_lines.append(tl)

ret = {

'text_lines': text_lines,

}

return ret

为方便介绍，以上CTPN、SegLink、EAST的文本检测能力封装时，将加载模型、文本框预测、图片绘制文本框等代码写在一起，而在实际生产使用中，一般是将其分开，在后台启动OCR服务能力时预先加载模型，然后提供核心的文本检测、识别能力，而输出结果是否将文本框绘制到图片上，则视具体需求场景而定。在生产环境中，如何更加有效地封装AI能力，可再私信进行交流。

欢迎关注本人的微信公众号“大数据与人工智能Lab”(BigdataAILab)，获取完整源代码

推荐相关阅读

1、AI 实战系列

2、大话深度学习系列

3、AI 杂谈

4、大数据超详细系列