图像内容中通常包含大量的文本信息。如果能够可靠准确地识别出图像中的文本信息,对于图像内容理解是非常有价值的。但是由于拍摄条件和图像背景等条件的影响,其图像中的文本明显存在扭曲变形等问题。因此如何在深度学习理论基础上研究网络结构,提高文本识别准确率,是当前计算机视觉领域一个需要深入研究的问题。论文主要工作包括:(1)论文在已有Faster-RCNN模型基础上实现了一种场景文本检测的细粒度方法。算法将文本检测转化为一系列细粒度文本候选框的检测问题,采用宽度固定的垂直Anchor,完成对文本框的精细预测,并最后用文本行构造方法连接细粒度候选框,实现文本区域的准确预测。通过实验分析验证了算法的有效性。(2)论文提出了一种改进的端到端文本识别网络结构,改进的网络结构增加了深度,提高了文本图像的特征描述能力和在噪声下的稳定性。首先,网络采用残差模块将文本按列切分成特征向量输入到循环层。另一方面,残差模块采用堆叠层来学习残差映射,在层数加深的情况下提高了网络的收敛性。然后循环层使用长短时记忆网络学习文本之间的依赖关系,解决长序列训练过程中的“梯度消失”问题。最后通过最优路径方法进行文本标签转录。通过实验对多个测试数据集和已有典型算法进行对比分析,结果表明该网络结构能够得到更好的场景文本识别准确率,验证了所提网络结构的有效性。(3)论文针对非规则文本识别问题提出了一种基于注意力机制的文本识别网络架构。该结构在残差网络基础上引入注意力模型,替换原有的CTC解码方法,完成序列到序列的预测。此外,论文网络结构通过变形矫正模块提高网络对非规则文本识别的稳定性和可靠性。最后通过实验分析验证了算法的有效性。(4)在上述算法研究基础上,论文实现了一个文本识别驱动的手机用户界面自动化测试原型系统。为了提高手机用户界面中的文字识别率,论文创建了一个手机用户界面的OCR数据集。该数据集收集了从不同手机页面上的截图80万条。实验结果显示,该数据集能够明显提高识别准确率。最后论文通过OCR文本识别、按钮目标检测以及特征点匹配实现了对手机页面的自动兼容性测试。论文部分算法已经成功应用于北京云测信息技术有限公司的自动化测试平台。该平台使用OCR深度学习方案来支持控件定位的输入,全面提升测试产品的易用性和自动化效率。