这几天闲的无聊看了一下有关于OCR方面的要点，主要还是详细了解基于CTPN+CRNN进行OCR检测。并且也看了内部代码，在这里想梳理一下论文要点以及代码逻辑。
首先给一下论文地址及代码地址：
1.论文地址：Detecting Text in Natural Image with Connectionist Text Proposal Network
- 代码地址(pytorch)： [https://github.com/opconty/pytorch_ctpn(https://github.com/opconty/pytorch_ctpn)
3.代码地址(pytorch+tensorflow+keras): https://github.com/xiaofengShi/CHINESE-OCR]
一、 原理解释
1. CTPN(Connectionist Text Proposal Network])
（一）网络提出的出发点
这个网络的出发点可以从一下几个方面来介绍下。
- 文本检测与一般目标检测是区别的，文本检测本身是具有序列性质的。例如一些文本是有多个字以及字符构成，而不仅仅是一个个字符目标。所以我们认为这即是难点也是优势，难点在于我们需要检测出一个完整的文本线，同一文本线字符可能差异大，距离远，要作为一个整体的目标难度大。但是优点，我们可以利用统一文本线上的不同字符之间的上线文关系。
- Top-down（先检测文本区域，再找出文本线）的文本检测方法比传统的bottom-up的检测方法（先检测字符，再串成文本线）更好。自底向上的方法的缺点在于（这点在作者的另一篇文章中说的更清楚），总结起来就是没有考虑上下文，不够鲁棒，系统需要太多子模块，太复杂且误差逐步积累，性能受限。
- RNN和CNN的无缝结合可以提高检测精度。CNN用来提取深度特征，RNN用来序列的特征识别（2类），二者无缝结合，用在检测上性能更好。
（二）网络结构图
如上图所示，此图就是我们CTPN的网络示意图，即：
提取特征 ➡️ 卷积层 ➡️ Bi-LSTM层 ➡️ FC层 ➡️ 输出层
1）基于VGG层提取特征
因为此模型是2016年在faster-rcnn网络提出之后出来的网络，当时提取网络的backbone采用的是vgg16。因此首先用vgg16的前5个Conv stage得到feature map。
我们输入图片大小为()通过vgg得到大小的feature map。
2）卷积
这里输入输出chanel以及feature map保持不变。 用3*3的滑动窗口在前一步得到的feature map上提取特征，利用这些特征来对多个anchor进行预测,这里anchor定义与之前faster-rcnn中的定义相同，也就是帮我们去界定出目标待选区域。
3)Bi-LSTM层
将我们上述的得到的特征图像输入到Bi-LSTM网络中去。这里的feature map可以在两个维度上理解。在H上可以理解为是每一个batch，在W这个维度上可以理解为是Bi-LSTM的每一个输入。我们设置输出chanel为128，因为是Bi-LSTM,所以输出通道数目是256()。
4）FC层
通过卷积得到chanel为512的fc层()。
5） 输出层
最后通过分类或回归得到的输出主要分为三部分，根据上图从上到下依次为2k vertical coordinates:表示选择框的高度和中心的y轴的坐标；2k scores:表示的是k个anchor的类别信息，说明其是否为字符；k side-refinement表示的是选择框的水平偏移量。本文实验中anchor的水平宽度都是16个像素不变，也就是说我们微分的最小选择框的单位是 “16像素”。
第一个分支是对k个auchor的纵坐标，每一个anchor的纵坐标有两个，分别是盒子的y坐标中心和高度，因此，总共的维度是2k。具体表示如下：
其中，、
分别是预测的坐标和真实的坐标，和分别是一个anchor的y坐标中心和高度，和分别是预测出来的y坐标中心和高度，和分别是真实的y坐标中心和高度。
第二个分支是对k个anchor的score进行预测，即该盒子是否包含文本的概率，每个盒子对应一个二分类，因此，总共是2k个维度。当score>0.7时，认为该anchor包含文本。
第三个分支是对k个anchor的横坐标进行预测，可以在每个anchor盒子的左侧或右侧的横坐标，因此，k个盒子对应的维度就是k。之所以需要这个分支主要是为了修正anchor的水平位置。坐标的具体表示如下：
其中，是预测出来的距离anchor水平坐标（左或右坐标）最近的坐标，是真实的x坐标，是anchor的x坐标中心，是anchor的宽度，也就是16。
(三) CTPN网络贡献
This section presents details of the Connectionist Text Proposal Network (CTPN). It includes three key contributions that make it reliable and accurate for text localization: detecting text in fine-scale proposals, recurrent connectionist text proposals, and side-refinement.
我们根据论文key contribution大致分成以下几个:
1⃣️ detecting text in fine-scale proposals 2⃣️ recurrent connectionist text proposals 3⃣️ side-refinement
1） detecting text in fine-scale proposals
这里作者主要介绍了基于faster-rcnn的思想，将文本区域切分成若干个长方形预选框，这里预选框的宽度固定为16个像素，高度从11~283像素变化（每次乘以1.4），也就是说k的值设定为10，通过下面代码可以看出我们的anchor设置大小。
heights = [11, 16, 23, 33, 48, 68, 97, 139, 198, 273]
widths = [16, 16, 16, 16, 16, 16, 16, 16, 16, 16]
2）side-refinement
这里是将我们预测出来的anchor连接成一个完整的文本线。作者在这里称做为side-refinement算法。其思想如下：
首先对于第i个text proposal，记为, 寻找其配对的邻居，记配对后的关系➡️, 这其中满足一下条件
1⃣️ 距离的长度在50个像素点以内，并且其score最大
2⃣️ 与在垂直方向的重合度必须大于0.7
接着，对进行反向寻找近邻，当其近邻也刚好是时，则和的文本线构建成功。
（五）损失函数
2. CRNN(Convolutional Recurrent Neural Network)
上面我们通过CTPN网络已经得出来了文本区域位置，此时我们需要将文本信息的crop image作为我们CRNN网络的输入， 如上图所示。
首先我们先输入一个一张图片，再经过卷积网络，注意此时的卷积网络的下采样的stride宽高不是一致的，这是为了适应我们的BI-LSTM网络。这是怎么理解的呢？比如说我通过卷积网络得到100×32（height×width）的feature map， 此时我的stride在宽度的下采样程度高于高度，因此经过几次下采样之后我们的feature map大小变为25×1, 并且通道数为512。此时我们将这个结果作为输如到Bi-LSTM中。
2. CTC(Connectionist Temporal Classification)
CRNN中需要解决的问题是图像文本长度是不定长的，所以会存在一个对齐解码的问题，所以RNN需要一个额外的搭档来解决这个问题，这个搭档就是著名的CTC解码。我们知道，CRNN中RNN层输出的一个不定长的序列，比如原始图像宽度为W，可能其经过CNN和RNN后输出的序列个数为S，此时我们要将该序列翻译成最终的识别结果。RNN进行时序分类时，不可避免地会出现很多冗余信息，比如一个字母被连续识别两次，这就需要一套去冗余机制，但是简单地看到两个连续字母就去冗余的方法也有问题，比如cook，geek一类的词，所以CTC有一个blank机制来解决这个问题。这里举个例子来说明
我们25×1的feaure 输入到LSTM中， 但是假如我的预测label为‘hello’， 那肯定会出现， 多个feaure unint表示一个字母，如：‘hhhhhhhheeeelllllloooooo’, 我们可以将重复的字母用blank填充， 如： -------h----h----l--l--o--。
这篇博客觉得解释的很形象
二、 pytorch代码实现与理解
参考
- 场景文本检测—CTPN算法介绍
- 【OCR技术系列之七】端到端不定长文字识别CRNN算法详解