字符检测在生活的很多方面发挥着重要作用,例如身份验证、翻译和车辆牌照识别等。自然场景图像具有多样性,在字体的大小、字体的颜色以及背景上的巨大差异,使得场景字符检测成为一个具有挑战性的问题。早些年,字符检测技术靠手动提取图像中的字符特征,这种方式只能应用于文档识别等背景简单的场景,且人工定义和提取特征是一件耗时费力的工作,传统字符检测技术的发展遇到了瓶颈。随着深度学习技术发展,学者们开始尝试用卷积神经网络自动提取图像特征,字符检测技术有了新的突破方向。近年来,许多学者将字符检测看作是目标检测的一个特例,将图片中的字符看作目标,用各种深度学习目标检测算法检测自然场景图片中的字符。自然场景字符识别技术可分成两个独立的子问题,即定位和分类,定位解决的是字符的位置问题,分类解决的是字符的类别问题。基于深度学习的自然场景字符识别模型普遍存在两个问题,一个是如何快速定位字符区域,另一个是如何提高检测精度。为了解决这两个问题,本文提出了一种新的自然场景字符检测模型。本文的主要创新点如下。(1)提出了一种新的自然场景字符检测模型。考虑到自然场景中的字符相对于其它目标而言,字符目标占图像的整体面积普遍较小。因此论文对YOLOv3网络进行了改进,设计了一种新的字符检测网络(Tiny YOLO,简称TYOLO),用来检测小目标。该网络既可以保证不降低检测速度的前提下,又能做到提高字符的检测精度。另外,以往的目标检测网络模型,只是简单的手动设置几种类型的锚框,手动设置的锚框不一定正好符合目标尺寸。相比较而言,本文用聚类算法统计了数据集中字符本身的几何特性,并根据统计结果自动选择锚框,能够更准确地定位字符位置。在公开的数据集上的实验结果表明,本文提出的模型优于现有的字符检测模型。(2)提出了一种新的自然场景字符检测损失函数。一般来说,自然场景字符图像中的字符个数较少,在提取锚框阶段,相对应的有字符的锚框个数也会较少,这就导致了正负样本不均衡问题。为了解决这个问题,我们提出一个新的损失函数,该损失函数可以自适应地降低负样本在训练中所占的权重。另外,本研究不再沿用传统的交并比损失函数来计算定位损失,而是提出了一种新的定位损失函数。该损失函数充分考虑到了预测框和真实框不相交的情况,有利于提高模型的定位精度。本研究还从如何增加训练数据的多样性角度出发,提出了一个新的数据增强方法,创建多类型的样本,增强模型的泛化能力。(3)提出了一种新的后处理方法。在字符检测的过程当中,一些特殊的字符容易被预测成多个目标。例如m字符,其左半部分容易被检测为n,导致整个算法的检测精度不高。本研究提出的后处理方法考虑了上述情况,解决了单目标被预测为多目标的问题。