【AI实战】手把手教你文字识别（检测篇二：AdvancedEAST、PixelLink方法）

原文链接： https://my.oschina.net/u/876354/blog/3065728

 
自然场景下的文字检测是深度学习的重要应用，在之前的文章中已经介绍过了在简单场景、复杂场景下的文字检测方法，包括MSER+NMS、CTPN、SegLink、EAST等方法，详见文章：

【AI实战】手把手教你文字识别（检测篇一：  MSER、CTPN、SegLink、EAST方法）

今天将继续介绍复杂场景下基于深度学习的文本检测方法，手把手教你如何使用AdvancedEAST、PixelLink进行文本检测。

1、AdvancedEAST方法实战
在上一篇文本检测的AI实战文章中，介绍了EAST检测方式，取得了不错的检测效果，但是在长文本预测中效果还不是很理想。于是，有大牛对EAST检测方法进行了改进，获得了比EAST更好的预测准确性（特别是在长文本上），并开源了源代码，这就是AdvancedEAST方法。网络结构如下：
 
AdvancedEAST的网络结构与EAST相似（EAST技术原理详见文章：大话文本检测经典模型EAST），但采用了VGG作为网络主干结构，基于Keras编写，在特征提取层中增加了后面卷积层的通道数量，对后处理方法也进行了优化。下面动手来试试AdvancedEAST的实际检测效果吧。
（1）下载源代码
 
首先，在github上下载AdvancedEAST源代码（https://github.com/huoyijie/AdvancedEAST），可直接下载成zip压缩包或者git克隆

git clone https://github.com/huoyijie/AdvancedEAST.git

（2）下载模型文件
下载AdvancedEAST预训练好的模型，下载链接: https://pan.baidu.com/s/1KO7tR_MW767ggmbTjIJpuQ 提取码: kpm2
创建文件夹saved_model，将下载后的模型文件解压后放到里面
 
修改cfg.py文件里面的train_task_id，将该id修改与下载的预训练模型一致，以便于在执行程序时，可自动加载模型，修改如下：

train_task_id = ‘3T736’

下载keras的VGG预训练模型，因为AdvancedEAST使用了VGG作为网络的主干结构，因此，在调用keras时会加载VGG预训练模型，下载地址为https://github.com/fchollet/deep-learning-models/releases/download/v0.1/vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5，然后放到keras加载模型的默认路径，目录如下：

~/.keras/model

如果没有手动下载，那么在加载keras的VGG模型时，程序也会自动下载，但一般速度会很慢，经常会超时

（3）准备基础环境
AdvancedEAST依赖于以下的基础环境，使用conda或pip进行安装准备。

• python 3.6.3+
• tensorflow-gpu 1.5.0+(or tensorflow 1.5.0+)
• keras 2.1.4+
• numpy 1.14.1+
• tqdm 4.19.7+

（4）AdvancedEAST检测文本
执行python predict.py进行文本检测
 
默认读取项目自带的demo/012.png文件，进行检测
 
检测后生成以下文件
 
其中，012.png_act.jpg是检测过程的结果
 
012.png_predict.jpg是检测出最终文本框的圈定结果
 
012.txt是检测文本框的位置坐标（4个顶点）
 
在执行模型时，其中会有少部分检测结果是不完整的（边框少于4个顶点），默认会显示出来
 
可通过在predict.py的源代码中，让其保持静默（不提示不完整的检测结果），修改最后一行为

predict(east_detect, img_path, threshold, quiet=True)

如果要检测指定的图片，在执行python predict.py时，可通过增加参数指定图片路径。另外，还可指定阈值，即在做像素分类判断是否为文本的阈值，默认为0.9。执行命令如下：

python predict.py --path=/data/work/tensorflow/data/icdar_datasets/ICDAR2015/ch4_test_images/img_364.jpg --threshold=0.9

执行效果如下：
 

（5）AdvancedEAST接口封装
为了方便其它程序调用AdvancedEAST的文本检测能力，在predict.py的基础上进行代码修改，对AdvancedEAST进行接口封装，核心代码如下：

# sigmoid 函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# AdvancedEAST 模型
def east_detect():
    east = East()
    east_detect = east.east_network()
    east_detect.load_weights(cfg.saved_model_weights_file_path)
    return east_detect

# 基于 Advanced EAST 的文本检测
# 输入：AdvancedEAST模型，图片路径，像素分类阈值
# 返回：检测后文本框的位置信息
def text_detect(east_detect,img_path,pixel_threshold=0.9):
    img = image.load_img(img_path)
    d_wight, d_height = resize_image(img, cfg.max_predict_img_size)
    scale_ratio_w = d_wight / img.width
    scale_ratio_h = d_height / img.height
    img = img.resize((d_wight, d_height), Image.NEAREST).convert('RGB')
    img = image.img_to_array(img)
    img = preprocess_input(img, mode='tf')

    x = np.expand_dims(img, axis=0)
    y = east_detect.predict(x)

    y = np.squeeze(y, axis=0)
    y[:, :, :3] = sigmoid(y[:, :, :3])
    cond = np.greater_equal(y[:, :, 0], pixel_threshold)
    activation_pixels = np.where(cond)
    quad_scores, quad_after_nms = nms(y, activation_pixels)

    bboxes = []
    for score, geo in zip(quad_scores, quad_after_nms):
        if np.amin(score) > 0:
            rescaled_geo = geo / [scale_ratio_w, scale_ratio_h]
            rescaled_geo_list = np.reshape(rescaled_geo, (8,)).tolist()
            bboxes.append(rescaled_geo_list)

    return bboxes

 

2、Pixel Link方法实战
前面介绍的文本检测方法，一般都是执行两个预测：通过分类判断是文本/非文本，通过回归确定边界框的位置和角度。其中，回归的耗时比分类要多得多，而PixelLink（像素连接）方法则全部都是通过“分类”的方式实现文本/非文本的判断，并同时给出文本框的位置和角度，具体技术原理详见之前的文章：大话文本检测经典模型PixelLink。
PixelLink的整体框架如下图：
 
下面介绍如何使用PixelLink模型来检测文字。
（1）下载源代码和模型
 
首先，在github上下载PixelLink源代码（https://github.com/ZJULearning/pixel_link），可直接下载成zip压缩包或者git克隆

git clone https://github.com/ZJULearning/pixel_link.git

下载pylib，下载路径为https://github.com/dengdan/pylib/tree/e749559c9a4bcee3339081ec2d159a6dcf41636e ，解压后将src目录中的util文件夹放到pylib目录下面，然后添加到环境变量，在test_pixel_link.py , test_pixel_link_on_any_image.py, visualize_detection_result.py,  datasets/dataset_utils.py的前面加上

import sys
sys.path.append('/data/work/tensorflow/model/pixel_link/pixel_link-master/pylib')
sys.path.append('/data/work/tensorflow/model/pixel_link/pixel_link-master/pylib/util')

或者在当前窗口执行以下命令，或在 /etc/profile，~/.bashrc 文件中添加以下命令

export PYTHONPATH=xx:$PYTHONPATH

下载基于IC15数据集预训练好的模型，作者提供了两个预训练好的模型PixelLink + VGG16 4s （下载地址 https://pan.baidu.com/s/1jsOc-cutC4GyF-wMMyj5-w），PixelLink + VGG16 2s（下载地址 https://pan.baidu.com/s/1asSFsRSgviU2GnvGt2lAUw）

新建文件夹models/4s和models/2s，解压模型压缩文件，将两个模型放入到相应的目录下，方便进行调用

（2）安装基础环境
在下载的源代码文件中pixel_link_env.txt文件提供了conda基础环境安装包，其中，由于现在清华的conda镜像源已停止服务，于是将其替换为中科大的conda镜像源，修改后的依赖基础环境如下：

name: pixel_link
channels:
- menpo
- https://mirrors.ustc.edu.cn/anaconda/pkgs/free
- https://mirrors.ustc.edu.cn/anaconda/pkgs/main
- defaults
dependencies:
- certifi=2016.2.28=py27_0
- cudatoolkit=7.5=2
- cudnn=5.1=0
- funcsigs=1.0.2=py27_0
- libprotobuf=3.4.0=0
- mkl=2017.0.3=0
- mock=2.0.0=py27_0
- numpy=1.12.1=py27_0
- openssl=1.0.2l=0
- pbr=1.10.0=py27_0
- pip=9.0.1=py27_1
- protobuf=3.4.0=py27_0
- python=2.7.13=0
- readline=6.2=2
- setuptools=36.4.0=py27_1
- six=1.10.0=py27_0
- sqlite=3.13.0=0
- tensorflow-gpu=1.1.0=np112py27_0
- tk=8.5.18=0
- werkzeug=0.12.2=py27_0
- wheel=0.29.0=py27_0
- zlib=1.2.11=0
- opencv=2.4.11=nppy27_0
- pip:
  - backports.functools-lru-cache==1.5
  - bottle==0.12.13
  - cycler==0.10.0
  - cython==0.28.2
  - enum34==1.1.6
  - kiwisolver==1.0.1
  - matplotlib==2.2.2
  - olefile==0.44
  - pillow==4.3.0
  - polygon2==2.0.8
  - pyparsing==2.2.0
  - python-dateutil==2.7.2
  - pytz==2018.4
  - setproctitle==1.1.10
  - subprocess32==3.2.7
  - tensorflow==1.1.0
  - virtualenv==15.1.0

使用以下命令创建pixel_link的conda虚拟环境和安装基础依赖包

conda env create --file pixel_link_env.txt

 
完成基础环境包安装之后，即可使用以下命令切换到pixel_link虚拟环境，在里面执行相应的操作

source activate pixel_link

该源代码提供基础环境是基于python2版本的，如果自己之前已安装了相应的基础环境，即可直接使用，其中，要特别注意的是如果是使用python3，则需要对以下脚本进行改造：

• 修改test_pixel_link.py第94行、第156行、第164行、第166行，在print后面加上括号
• 修改datasets/dataset_util.py第112行，在print后面加上括号
• 修改pylib/util/plt.py第174行，在print后面加上括号
• 修改pylib/util/img.py第8行，在print后面加上括号
• 修改pylib/util/proc.py第29行、第30行，在print后面加上括号。第35行，在raise后面加上括号
• 修改pylib/util/thread_.py第39行，在raise后面加上括号
• 修改pylib/util/caffe_.py第29行、第46行、第47行、第50行，在print后面加上括号
• 修改pixel_link.py第187行，在raise后面加上括号
• 修改pylib/util/tf.py第46行，将xrange改为range
• 修改models/4s/config.py第153行，将xrange改为range
• 修改pixel_link.py第257行、第353行，将xrange改为range
• 由于在python3中没有cPickle，在pylib/util/io_.py中，第11行，将import cPickle as pkl改为import _pickle as pkl
• 由于在python3中commands已由subprocess代替，在pylib/util/io_.py中，第12行，将import commands改为import subprocess as commands。在pylib/util/cmd.py中，第4行，将import commands改为import subprocess as commands
• 在test_pixel_link.py在前面加上import util.cmd

（3）PixelLink检测文本测试（批量图片）
通过运行以下命令进行测试

./scripts/test.sh ${GPU_ID} ${model_path}/model.ckpt-xxx ${image_dir}

该命令由三个参数组成，第1个参数表示GPU的序号，第2个参数表示模型路径，第3个参数表示测试图片的目录。
在这里使用刚才下载的PixelLink+VGG16 4s预训练模型，使用场景文字图片数据集ICDAR2015进行测试（下载地址 http://rrc.cvc.uab.es/?ch=4&com=downloads），也可以使用自己的测试图片，将测试的图片放入到指定的目录。
执行脚本如下：

./scripts/test.sh 0 models/4s/model.ckpt-38055 /data/work/tensorflow/data/icdar_datasets/ICDAR2015/ ch4_test_images

 
检测后的结果保存在模型目录下，结果文件是测试图片中的文本框位置（4个坐标点），如下图：
 
所有结果还会生成zip压缩文件，如下图：

如果要使检测结果显性化，可通过调用scripts/vis.sh脚本，将会使文本检测的结果直接显示在图片上，调用命令为

./scripts/vis.sh ${image_dir} ${det_dir}

其中，第一个参数表示原始图片的路径，第二个参数表示检测后的文本框位置文件所在目录，最后输出的标示文本框图片结果保存在~/temp/no-use/pixel_result目录下
执行脚本如下

./scripts/vis.sh /data/work/tensorflow/data/icdar_datasets/ICDAR2015/ch4_test_images models/4s/test/icdar2015_test/model.ckpt-38055/txt

 

输出的结果图片如下

 

（4）PixelLink检测文本测试（任意图片）
为方便测试，可直接调用以下命令对任意图片进行测试，命令如下：

./scripts/test_any.sh ${GPU_ID} ${model_path}/model.ckpt-xxx ${image_dir}

该命令由三个参数组成，第1个参数表示GPU的序号，第2个参数表示模型路径，第3个参数表示图片的路径。
例如仍拿ICDAR2015的测试图片集进行测试，执行的命令如下：

./scripts/test_any.sh 0 models/4s/model.ckpt-38055 /data/work/tensorflow/data/icdar_datasets/ICDAR2015/ ch4_test_images

 
执行后，文字的检测结果将会直接显示在图片上，如下图

 

可能会有些人有疑惑，test_any.sh命令不就是把test.sh、vis.sh两个命令整合在一起吗，那究竟有什么区别呢？主要的区别如下：
a. test_any.sh命令调用的是test_pixel_link_on_any_image.py，而test.sh命令调用的是test_pixel_link.py，两者在调用检测模型时，test_pixel_link_on_any_image.py将并查集的后处理放到模型里面，而test_pixel_link.py则是将并查集的后处理放到模型外边。从检测效率来看，test_pixel_link_on_any_image.py比test_pixel_link.py在速度上慢了很多，这是由于并查集处理需要大量计算，放到模型外面利用CPU计算反而更加快速
b. test_pixel_link.py只输出文本框位置数据，而test_pixel_link_on_any_image.py直接将检测的文本框标示到图片上

（5）PixelLink文本检测能力封装
为方便其它程序调用PixelLink的文字检测能力，通过对test_pixel_link.py, visualize_detection_result.py代码进行改造封装，即可将文字检测能力提供给相应的程序调用，核心代码如下：

# 模型参数
checkpoint_dir='/data/work/tensorflow/model/pixel_link/pixel_link-master/models/4s/model.ckpt-38055'
image_width = 1280
image_height = 768

# 配置初始化
def config_initialization():
    image_shape = (image_height, image_width)
        
    config.init_config(image_shape, 
                       batch_size = 1, 
                       pixel_conf_threshold = 0.8,
                       link_conf_threshold = 0.8,
                       num_gpus = 1, 
                   )
    
# 文本检测
def text_detect(img):
    with tf.name_scope('eval'):
        image = tf.placeholder(dtype=tf.int32, shape = [None, None, 3])
        image_shape = tf.placeholder(dtype = tf.int32, shape = [3, ])
        processed_image, _, _, _, _ = ssd_vgg_preprocessing.preprocess_image(image, None, None, None, None, 
                                                   out_shape = config.image_shape,
                                                   data_format = config.data_format, 
                                                   is_training = False)
        b_image = tf.expand_dims(processed_image, axis = 0)
        net = pixel_link_symbol.PixelLinkNet(b_image, is_training = True)
        global_step = slim.get_or_create_global_step()
    
    sess_config = tf.ConfigProto(log_device_placement = False, allow_soft_placement = True)
    sess_config.gpu_options.allow_growth = True
    
    saver = tf.train.Saver()
            
    checkpoint = util.tf.get_latest_ckpt(checkpoint_dir)
    bboxes = []

    with tf.Session(config = sess_config) as sess:
        saver.restore(sess, checkpoint)
        image_data = img

        pixel_pos_scores, link_pos_scores = sess.run(
            [net.pixel_pos_scores, net.link_pos_scores], 
            feed_dict = {
                image:image_data
        })

        mask = pixel_link.decode_batch(pixel_pos_scores, link_pos_scores)[0, ...]
        bboxes = pixel_link.mask_to_bboxes(mask, image_data.shape)

    return bboxes

（6）pixellink的keras版本
刚才介绍的pixel link是基于tensorflow版本的，还有大牛使用Keras对核心代码进行改写，并在github上开放了keras版本pixel link的源代码。具体使用如下：
a. 下载源代码
 
下载地址为https://github.com/opconty/pixellink_keras，可直接下载成zip压缩包或者git克隆

git clone https://github.com/opconty/pixellink_keras.git

b. 下载预训练模型
作者并没有重新训练模型，而是直接拿tensorflow版本的训练模型结果PixelLink-VGG 4s，转化为Keras的权重文件。下载地址为https://drive.google.com/file/d/1MK0AkvBMPZ-VfKN5m4QtSWWSUqoMHY33/view?usp=sharing

c. 安装基础环境
除了需要安装Keras之外，还要安装imutils依赖包

pip install imutils

如果是使用了OpenCV 4.x，则需要修改pixellink_utils.py第220行，将cv2.findContours的返回结果由3个结果修改为2个结果，将_,cnts,_改为cnts,_

d. 运行模型
执行pixellink_eval.py，即可进行文本检测，命令如下

python pixellink_eval.py

 
默认对项目自带的图片进行检测（路径./samples/img_1099.jpg），检测效果如下：

 

如果要指定图片进行检测，可修改pixellink_eval.py文件中第21行，将img_path修改为指定的图片路径，然后再执行python pixellink_eval.py即可对指定的图片进行文字检测

为方便介绍，以上AdvancedEAST、PixelLink的文本检测能力封装时，将加载模型、文本框预测、图片绘制文本框等一些代码写在一起，而在实际生产使用中，一般是将其分开。如要了解在生产环境中的详细使用，可再私信进行交流。

 

欢迎关注本人的微信公众号“大数据与人工智能Lab”（BigdataAILab），获取 完整源代码

 

推荐相关阅读

1、AI 实战系列

• 【AI实战】手把手教你文字识别（文字检测篇一：MSER、CTPN、SegLink、EAST 等）
• 【AI实战】手把手教你文字识别（文字检测篇二：AdvancedEAST、PixelLink 方法）
• 【AI实战】手把手教你文字识别（入门篇：验证码识别）
• 【AI实战】快速掌握TensorFlow（一）：基本操作
• 【AI实战】快速掌握TensorFlow（二）：计算图、会话
• 【AI实战】快速掌握TensorFlow（三）：激励函数
• 【AI实战】快速掌握TensorFlow（四）：损失函数
• 【AI实战】搭建基础环境
• 【AI实战】训练第一个模型
• 【AI实战】编写人脸识别程序
• 【AI实战】动手训练目标检测模型（SSD篇）
• 【AI实战】动手训练目标检测模型（YOLO篇）

2、大话深度学习系列

• 【精华整理】CNN进化史
• 大话文本识别经典模型（CRNN）
• 大话文本检测经典模型（CTPN）
• 大话文本检测经典模型（SegLink）
• 大话文本检测经典模型（EAST）
• 大话文本检测经典模型（PixelLink）
• 大话文本检测经典模型（Pixel-Anchor）
• 大话卷积神经网络（CNN）
• 大话循环神经网络（RNN）
• 大话深度残差网络（DRN）
• 大话深度信念网络（DBN）
• 大话CNN经典模型：LeNet
• 大话CNN经典模型：AlexNet
• 大话CNN经典模型：VGGNet
• 大话CNN经典模型：GoogLeNet
• 大话目标检测经典模型：RCNN、Fast RCNN、Faster RCNN
• 大话目标检测经典模型：Mask R-CNN
• 大话注意力机制

3、图解 AI 系列

• 什么是语义分割、实例分割、全景分割
• 各种深度学习卷积（标准卷积、反卷积、可分离卷积、分组卷积…）

4、AI 杂谈

• 27种深度学习经典模型
• 浅说“迁移学习”
• 什么是“强化学习”
• AlphaGo算法原理浅析
• 大数据究竟有多少个V

5、大数据超详细系列

• Apache Hadoop 2.8 完全分布式集群搭建超详细教程
• Apache Hive 2.1.1 安装配置超详细教程
• Apache HBase 1.2.6 完全分布式集群搭建超详细教程
• 离线安装Cloudera Manager 5和CDH5（最新版5.13.0）超详细教程

 

转载于:https://my.oschina.net/u/876354/blog/3065728