文本信息在日常生活中无处不在。随着移动互联网和计算机视觉技术的发展,越来越多的研究者将目光转向如何高效精确地从图片中提取相应的文本内容,其中涉及到文本检测与识别技术。这项技术在截图翻译、辅助阅读、票据录入等领域获得了广泛的应用。目前的文本检测与识别方法主要针对自然场景进行研究,阅读场景相比自然场景具有文本实例长宽比变化大、文本行密集、中文文本实例偏多等特点,这给现有基于传统和基于深度学习的文本检测与识别方法带来了挑战。传统的方法通过手工提取文本实例的特征,这种方式难以得到精确的文本内容。本文研究基于深度学习的阅读场景下文本检测与识别算法,具体内容如下:1.本文构建了一个阅读场景下的中文文本检测数据集。本文分析了阅读场景下文本实例的特点以及现有的文本检测数据集的特点和局限性,明确本文数据集图片收集要点、收集方式、标注规则、以及本文采用的数据预处理方式。将该数据集与现有数据集进行对比分析,证明本文构建的阅读场景下中文文本检测数据集更适合本文算法研究。2.本文研究了一种基于文本特征对齐的文本检测算法。本文根据阅读场景下的文本实例长宽比变化大、具有多方向性等特点,研究并实现了文本特征对齐模块和分类与回归模块。文本特征对齐模块通过多条支路包含不同尺度的卷积和可变形卷积,增强不同比例和多方向文本实例的特征表达能力。该方法通过分类与回归模块定位文本区域。3.本文研究了一种基于像素聚合的文本检测算法。针对基于回归的方法在提取密集文本实例和弯曲文本实例时特征表达能力不足的特点,本文设计了一种基于分割的方法来完成文本检测。该方法使用轻量级的特征提取主干,融合了多个特征金字塔通道增强模块以提高主干网络较小的感受野和较弱的特征表示能力。具有可变形注意力机制的文本检测头预测文本区域、文本内核和实例向量,来更好地表达任意形状的文本特征。该方法通过像素聚合算法恢复文本区域。4.本文研究了一种基于自注意力机制的阅读场景文本识别算法。本文通过对CRNN算法的特征提取主干和编码器结构进行改进,将多头自注意力机制和Res Net结合作为特征提取主干,使用Transformer编码器进行序列建模,最后通过CTC解码器对特征进行序列解码,最终得到基于自注意力机制的文本识别算法。