基于深度学习,目前性能较好的场景文本检测方法通常都会借鉴通用目标检测的思路。然而将场景文本检测看作是通用目标检测的特例时,它也有着自身的特点和难点:一是文本的宽高比变化较大,而在通用目标检测中,目标的宽高比一般在3以内;二是通用目标检测中的边界框是水平矩形,而文本是有方向的,其边界框需要用旋转矩形或四边形来表示。鉴于以上情况,场景文本检测至今仍是一项极具挑战性的任务。同样基于深度学习,本文提出一种联合边界框校准的场景文本检测方法。该方法以基于位置回归的一阶段通用目标检测框架为基础,其设计思路主要着眼于以下三个方面:首先,基于锚框机制的场景文本检测方法通常会设计较多锚框以覆盖文本不同的方向、尺度和宽高比。然而随着锚框增多,即采样密度增大,负样本所占比例也会相应升高,继而导致训练时正负样本类别失衡愈发严重,进而影响到模型的训练效果。针对于此,本文方法在设计锚框时剥离其方向特征但保留其尺度和宽高比特征,当覆盖相同的尺度和宽高比范围时,锚框的设计数量可相对减少,则负样本所占比例也相应降低,从而可缓解采样密集时正负样本类别失衡所带来的影响。其次,考虑到场景中位于同一区域的文本往往具有一致的方向性,所以本文方法假定同一网格中的所有锚框都具有相近的旋转角度偏移量(相对x轴),即同一网格中的所有锚框可共享旋转角度偏移量。并且相较于直接回归旋转角度偏移量,本文方法会以一种不同的形式实现,即通过独立的子网预测均匀分割的角度区间概率值,选取概率值最大的角度区间量化值作为共享旋转角度偏移量。最后,量化的旋转角度偏移量势必带来一定的角度偏差,如果边界框不能准确且紧致地框住文本,必然会影响到后续文本识别的准确率。针对于此,本文方法提出一种边界框校准算法,作为本文模型后处理层的最后一个步骤。该算法利用MSER获取字符边缘信息,通过基于规则的逻辑判断,对边界框进行收缩或膨胀操作,从而达到边界框校准目的。本文方法分别在ICDAR 2013和ICDAR 2015两个数据集上进行实验,并通过召回率、精确率和F分数三个常用指标进行评价。实验结果表明,本文方法取得了与其它现有方法可比较的检测结果,并且所提出的边界框校准算法也效果良好。