一種無(wú)監(jiān)督的場(chǎng)景文本識(shí)別方法

摘 要：隨著互聯(lián)網(wǎng)應(yīng)用的爆發(fā)式增長(zhǎng)，對(duì)海量數(shù)據(jù)的分類和知識(shí)發(fā)現(xiàn)提出了更高的要求，特別是在圖像識(shí)別領(lǐng)域，各種移動(dòng)應(yīng)用產(chǎn)生數(shù)量巨大的圖像，對(duì)圖像的自動(dòng)理解成為一個(gè)具有挑戰(zhàn)性的問(wèn)題。自然場(chǎng)景中的文本區(qū)域識(shí)別問(wèn)題是其中一個(gè)重要的研究方向，由于文本區(qū)域與背景區(qū)域的交錯(cuò)、重疊和混雜，為建立自動(dòng)識(shí)別模型帶來(lái)很大的困難。

關(guān)鍵詞：文本識(shí)別;深度學(xué)習(xí);自動(dòng)編碼器;圖像分割

隨著移動(dòng)設(shè)備和互聯(lián)網(wǎng)應(yīng)用的高速發(fā)展，數(shù)據(jù)規(guī)模呈現(xiàn)出指數(shù)級(jí)別的增長(zhǎng)，人們對(duì)獲取海量電子化存儲(chǔ)的數(shù)據(jù)中所蘊(yùn)含的知識(shí)和信息的要求也越來(lái)越高，對(duì)機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘研究者們來(lái)說(shuō)是巨大的挑戰(zhàn)。其中，對(duì)圖像的識(shí)別是其中一個(gè)重要的分析任務(wù)，但由于圖像的復(fù)雜性以及其非結(jié)構(gòu)和異質(zhì)的特性，適用于文本數(shù)據(jù)的知識(shí)發(fā)現(xiàn)方法并不適用于圖像數(shù)據(jù)，因此研究者們對(duì)圖像數(shù)據(jù)的分析進(jìn)行了廣泛而深入的研究。本文闡述對(duì)自然場(chǎng)景圖像中文字區(qū)域的識(shí)別方法。對(duì)圖像中文字信息的識(shí)別已有一定的研究基礎(chǔ)，如光學(xué)字符識(shí)別（OCR，Optical Character Recognition）已有廣泛的研究并成熟地面向商業(yè)應(yīng)用的軟件。但OCR僅限于對(duì)空白背景的文字識(shí)別，且其識(shí)別的字符集有較大限制，在自然場(chǎng)景中OCR難以發(fā)揮作用。下圖展示了兩幅包含明顯文本區(qū)域的自然場(chǎng)景圖像。

■自然場(chǎng)景中的文本區(qū)域示例

本文提出一種無(wú)監(jiān)督的方法對(duì)自然場(chǎng)景圖像中的文本區(qū)域進(jìn)行識(shí)別。其主要思路是通過(guò)一種無(wú)監(jiān)督的學(xué)習(xí)方法，獲取圖像文本區(qū)域的特征表達(dá)，從而引導(dǎo)圖像分割過(guò)程使文本區(qū)域與背景區(qū)域分離，實(shí)現(xiàn)文本區(qū)域的識(shí)別。提出該方法的動(dòng)機(jī)有以下兩點(diǎn)：第一是圖像的文本區(qū)域變化繁多，難以構(gòu)建有效的訓(xùn)練樣本集進(jìn)行有監(jiān)督學(xué)習(xí);第二是圖像的文本區(qū)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(qū)域。因此，采用無(wú)監(jiān)督學(xué)習(xí)的方式通過(guò)已有的圖像數(shù)據(jù)自動(dòng)學(xué)習(xí)文本區(qū)域的內(nèi)在特征，并提升為高層次的概念，在此基礎(chǔ)上進(jìn)行區(qū)域的分割，是一種合理的方法，避免了對(duì)區(qū)域特征的直接表達(dá)，也節(jié)省了在有監(jiān)督學(xué)習(xí)中構(gòu)建有標(biāo)簽訓(xùn)練樣本集所需的昂貴人工成本。

一、主要方法

采用堆疊自動(dòng)編碼器作為深度學(xué)習(xí)模型，其結(jié)構(gòu)為多個(gè)自動(dòng)編碼器的輸出和輸入相連接，各個(gè)自動(dòng)編碼器的輸出碼長(zhǎng)隨機(jī)選擇，各個(gè)自動(dòng)編碼器分別訓(xùn)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(dá)。形式上，設(shè)I={I1，I2，…，In}為圖像集合，每個(gè)圖像的大小均為w×h像素，設(shè)A={A1，A2，…，An}為自動(dòng)編碼器集合，其中A1的輸入個(gè)數(shù)和w×h的輸出個(gè)數(shù)均為v×h，當(dāng)1

自動(dòng)編碼器的訓(xùn)練采用類似于神經(jīng)網(wǎng)絡(luò)常用的反向傳播訓(xùn)練算法（BP，Back Propagation）進(jìn)行訓(xùn)練，網(wǎng)絡(luò)中的邊權(quán)值在訓(xùn)練中確定，訓(xùn)練目標(biāo)設(shè)定為輸出的編碼值在相同的權(quán)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(gè)隱含層神經(jīng)元采用的是Sigmoid函數(shù)，每一層均按這樣的方式進(jìn)行訓(xùn)練，訓(xùn)練全過(guò)程以無(wú)監(jiān)督的方式進(jìn)行。尋找最優(yōu)w的過(guò)程通過(guò)標(biāo)準(zhǔn)的BP算法進(jìn)行，由于僅有兩層結(jié)點(diǎn)，可以快速收斂。

二、實(shí)驗(yàn)

在公開(kāi)的圖像數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)評(píng)估。算法使用兩個(gè)數(shù)據(jù)集，第一個(gè)是ICDAR2003的競(jìng)賽數(shù)據(jù)集，第二個(gè)是公開(kāi)的街景文字?jǐn)?shù)據(jù)集（Street View Text，SVT）。兩個(gè)數(shù)據(jù)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(xùn)練圖像和141幅測(cè)試圖像，SVT包含5003幅圖像，每幅圖像有一個(gè)文本向量表示其中所包含的文字。

對(duì)于本文方法，采用20層堆疊的自動(dòng)編碼器，其中第1個(gè)自動(dòng)編碼器的輸入和最后一個(gè)自動(dòng)編碼器的輸出均為1024×768。中間層的輸入和輸出隨機(jī)生成，范圍在200×500至1024×768之間隨機(jī)生成。節(jié)點(diǎn)的激勵(lì)函數(shù)用Sigmoid函數(shù)，即g（x）=■，該函數(shù)能夠把一個(gè)連續(xù)的實(shí)值輸入量x壓縮到開(kāi)區(qū)間（0，1），且具有良好的數(shù)學(xué)性質(zhì)。

總之，圖像理解是數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的熱點(diǎn)研究領(lǐng)域，而其中的文本區(qū)域識(shí)別對(duì)理解圖像的語(yǔ)義具有重要作用。本文提出了一個(gè)識(shí)別方法，采用深度學(xué)習(xí)的方法對(duì)文本區(qū)域的特征進(jìn)行提取，有效表達(dá)了文本區(qū)域所蘊(yùn)含的抽象特征，在此基礎(chǔ)上進(jìn)行區(qū)域的識(shí)別和分類，取得了較好的效果。在兩個(gè)公開(kāi)的圖像數(shù)據(jù)集上對(duì)本文提出的方法進(jìn)行測(cè)試，評(píng)估結(jié)果表明本文方法是有效的。

深度學(xué)習(xí)本質(zhì)上是一種無(wú)監(jiān)督的特征表達(dá)手段，近年來(lái)被深入研究，并在表達(dá)抽象概念上展現(xiàn)出了強(qiáng)大的能力。隨著對(duì)其研究的深入，會(huì)有更多的方法被提出并應(yīng)用于圖像理解領(lǐng)域，而這也是我們今后的主要研究方向。

參考文獻(xiàn)：

[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