主要方法：1.CTPN：水平文字检测，四个自由度，类似物体检测(常用成熟

在看一些项目源码比如fasterrcnn、ctpn时，VGG都是它们的基础网络模型来获取特征图。这里注意记

此项目用于中文OCR，项目地址https://github.com/eragonruan/text-detection-ctpn。该项目基于linux平台，因此在windows下想要玩转就有无数的坑！

简介基于Tensorflow和Keras实现端到端的不定长中文字符检测和识别文本检测：CTPN文本识别：DenseNet+CTC环境部署（基于Ubuntu操作系统）shsetup.sh即：pipinstallnumpyscipymatplotlibpillowpipinstalleasydictopencv-pythonkerash5pyPyYAMLpipinstallcython

感觉作者非常不错，把自己的东西奉献出来，大家可以自学，另外自学困难可以找原创作者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

文本检测East论文阅读：https://blog.csdn.net/zhangwei15hh/article/details/79899300https://blog.csdn.net/sparkexpert/article/details/77987654https://blog.csdn.net/qq_17616069/article/details/78690023https://blog

2019独角兽企业重金招聘Python工程师标准>>>文字检测是文字识别过程中的一个非常重要的环节，文字检测的主要目标是将图片中的文字区域位置检测出来，以便于进行后面的文字识别，只有找到了文本所在区域，才能对其内容进行识别。文字检测的场景主要分为两种，一种是简单场景，另一种是复杂场景。其中，简单场景的文字检测较为简单，例如像书本扫描、屏幕截图、或者清晰度高、规整的照片等；而复杂场景，主要是指自然场

代码地址：https://github.com/tianzhi0549/CTPN，这是其中的一个作者提供的代码，我看的是

win配置faster-rcnn、yolo、ctpn等目标检测的几个大坑##bbox、nms这些文件的编译是个大坑几个常见的报错：AttributeError:‘MSVCCompiler’objecthasnoattribute

问题：OCR文本检测ctpn训练时，做一个空的权重文件，然后开始训练数据，把训练结果写入到权重文件时报错：OSError:Unabletoopenfile(truncatedfileFile"h5py\

文本检测方面，在前面的文章中已介绍过了多种基于深度学习的方法，可针对各种场景实现对文字的检测，详见以下文章：【AI实战】手把手教你文字识别（检测篇：MSER、CTPN、SegLink、

Python工程师标准>>>文字识别在现实生活中有着非常重要的应用，主要由文字检测、内容识别两个关键步骤组成，在本博客之前的文章中已介绍了文字检测、内容识别的经典模型原理（见文章：大话文本检测经典模型：CTPN

DetectingTextinNaturalImagewithConnectionistTextProposalNetwork1.Background2.ConnectionistTextProposalNetworkFine-scaleProposalsRecurrentConnectionistTextProposalsSide-RefinementLoss函数3.实验结果一周一篇论文~先吐槽

本文介绍运行ctpn的步骤以及一些坑引言：ctpn用来做文字检测，即找出图片中的文字位置，并且框出来。

申明，本文是跟在https://github.com/eragonruan/text-detection-ctpn这个作者后面做的最近在复现文字检测，因为caffe环境一直没搭好，所以想先在已有的条件下做一个小的实验

何为OCR？OCR的全称为“OpticalCharacterRecognition”中文翻译为光学字符识别。它是利用光学技术和计算机技术把印在或写在纸上的文字读取出来，并转换成一种计算机和人都能够理解的形式的过程。先来看一个简单的OCR的流程：第一步，通过图像信息采集（一般就是相机），得到包含了待识别字符的图像，分析结构。第二步，运用阈值操作等一些图像处理的方法对待测对象进行去噪和矫正。第三步，因

目录算法的主要流程网络结构分析训练策略附录链接算法的主要流程网络模型主要包括三个部分：卷积层、双向LSTM、全连接层1、VGG16为basenet提取特征，将conv5得到featuremap输出2、用3*3滑窗扫描上面得到的featuremap，也即在conv5得到的特征上做3*3的滑动窗口：每个点结合周围3*3的区域得到一个长度为3*3*C的特征向量具体实现如下图，每个点(featuremao

文本检测方面，在前面的文章中已介绍过了多种基于深度学习的方法，可针对各种场景实现对文字的检测，详见以下文章：【AI实战】手把手教你文字识别（检测篇：MSER、CTPN、SegLink、EAST等方法）【

一.概述对于复杂场景的文字识别，首先要定位文字的位置，即文字检测。这一直是一个研究热点。文本检测可以看成特殊的目标检测，但它有别于通用目标检测．在通用目标检测中，每个目标都有定义好的边界框，检测出的bbox与当前目标的groundtruth重叠率大于0.5就表示该检测结果正确．文本检测中正确检出需要覆盖整个文本长度，且评判的标准不同于通用目标检测，具体的评判方法参见(ICDAR2017Robust

CTPN代码阅读之split_label.pysplit_label.py的作用是将每一个标记框切分成宽为16的矩形框并且resize输入图像大小一，数据切分效果原始：需要达到的效果：二，代码importosimportsysimportcv2ascvimportnumpyasnpfromtqdmimporttqdmsys.path.append

CTPN训练自己的数据集代码来自：eragonruan/text-detection-ctpn一，下载预训练模型下载链接：预训练模型选择VGG16，但是貌似下载特别慢。

CTPN的demo.py实现过程记录最近又开始ocr相关的任务了，记录一下过程。本次使用的代码来自CTPN一，下载代码这个是tensorflow版本的代码，先看一下环境配置要求吧。

这几天一直在用Pytorch来复现文本检测领域的CTPN论文，本文章将从数据处理、训练标签生成、神经网络搭建、损失函数设计、训练主过程编写等这几个方面来一步一步复现CTPN。

项目地址：https://github.com/YCG09/chinese_ocr简介基于Tensorflow和Keras实现端到端的不定长中文字符检测和识别文本检测：CTPN文本识别：DenseNet

此项目用于中文OCR，项目地址https://github.com/eragonruan/text-detection-ctpn。

GitHub地址：https://github.com/YCG09/chinese_ocr该项目检测使用ctpn，识别使用cnn+lstm形式，通过GitHub给出的readme可以直接运行demo.py

文字识别方法对比（重点试）：文章地址：https://blog.csdn.net/lovebyz/article/details/849598181.Tesseract（LSTM）+Densenet（无代码）2.CTPN

译者按：用于OCR领域的经典网络，CTPN是目前流传最广、影响最大的开源文本检测模型，可以检测水平或微斜的文本行。文本行可以被看成一个字符sequence，而不是一般物体检测中单个独立的目标。

chinese-ocr自然场景下不定长文字识别（ctpn+densenet）注：本文中多处使用各位前辈的经验，项目代码不方便提供，可参考：https://github.com/YCG09/chinese_ocr

调研过文本定位的大多看过caffe版的https://github.com/tianzhi0549/CTPN，一直觉得这个效果比较好，偶然发现TensorFlow版本的ctpn，欣喜同时打算跑一跑，可以在这个基础上做迁移学习了

参考：https://zhuanlan.zhihu.com/p/37363942https://zhuanlan.zhihu.com/p/34757009https://zhuanlan.zhihu.com/p/31426458【FasterRCNN非常详尽】对于理解RNN／LSTM首先推荐阅读以下2篇文章，里面有详细的公式推导：零基础入门深度学习(5)-循环神经网络零基础入门深度学习(6)-长短

文字识别分为两个具体步骤：文字的检测和文字的识别，两者缺一不可，尤其是文字检测，是识别的前提条件，若文字都找不到，那何谈文字识别。今天我们首先来谈一下当今流行的文字检测技术有哪些。文本检测不是一件简单的任务，尤其是复杂场景下的文本检测，非常具有挑战性。自然场景下的文本检测有如下几个难点：文本存在多种分布，文本排布形式多样；文本存在多个方向；多种语言混合。我们先从直观上理解文本检测任务。给定一张图片

文本检测的其中一个难点就在于文本行的长度变化是非常剧烈的。因此如果是采用基于fasterrcnn等通用物体检测框架的算法都会面临怎么生成好的textproposal的问题。论文DetectingTextinNaturalImagewithConnectionistTextProposalNetwork提供了另外一个思路，检测一个一个小的，固定宽度的文本段，然后再后处理部分再将这些小的文本段连接起来

网络模型目前看到比较多的是CRNN，检测的模型包括CTPN、YOLO等等。今天整理的是数据预处理上的文本透视矫正与水平矫正。一、透视矫正透视矫正是什么？

文本检测算法一：CTPNCTPN源码解析1-数据预处理split_label.pyCTPN源码解析2-代码整体结构和框架CTPN源码解析3.1-model()函数解析CTPN源码解析3.2-loss()

文字检测是文字识别过程中的一个非常重要的环节，文字检测的主要目标是将图片中的文字区域位置检测出来，以便于进行后面的文字识别，只有找到了文本所在区域，才能对其内容进行识别。文字检测的场景主要分为两种，一种是简单场景，另一种是复杂场景。其中，简单场景的文字检测较为简单，例如像书本扫描、屏幕截图、或者清晰度高、规整的照片等；而复杂场景，主要是指自然场景，情况比较复杂，例如像街边的广告牌、产品包装盒、设备

在前一篇文章中（详见本博客文章：大话文本检测经典模型CTPN），介绍了文字识别在现实生活中的广泛应用，以及文字识别的简单流程：其中“文本检测”、“文本识别”是其中两个关键环节，“文本检测”已经在前一篇文章中介绍了详细的介绍

自然场景的文本检测是当前深度学习的重要应用，在之前的文章中已经介绍了基于深度学习的文本检测模型CTPN、SegLink（见文章：大话文本检测经典模型CTPN、大话文本检测经典模型SegLink）。

文字识别在现实生活中有着非常重要的应用，主要由文字检测、内容识别两个关键步骤组成，在本博客之前的文章中已介绍了文字检测、内容识别的经典模型原理（见文章：大话文本检测经典模型：CTPN，大话文本识别经典模型

在之前的文章中，介绍了基于卷积神经网络和循环神经网络的CTPN文本检测方法（见文章：大话文本检测经典模型CTPN），该方法能在自然场景下较好地实现对文字的检测，但在CTPN中给出的文本检测效果是基于水平方向的

论文研读系列汇总：1.AlexNet论文研读2.VGG论文研读3.GoogLeNet论文研读4.FasterRCNN论文研读5.ResNet论文研读6.SENet论文研读7.CTPN论文研读8.CRNN

最近在复现CTPN算法的时候，出现了一个“LINK:fatalerrorLNK1158:无法运行“rc.exe””错误。在网上找了很久的解决方法，终于找到了一篇博客解决了，文后附上引用博文链接。

目录OCR——简介1、CTPN原理——文字检测1.1、简介1.2、CTPN模型创新点1.3、CTPN与RPN网络结构的差异1.4、CTPN网络结构1.5、如何通过FC层输出产生Textproposals

1.图像文字位置检测git上下载源码https://github.com/eragonruan/text-detection-ctpn因为默认是gpu版本的，修改为不用gpu有几个坑先参考https:/

本文将介绍text-detection-ctpn在win10上的rundemo环境信息如下：windows10,anacondapython3.5,tensorflow1.14,vs20151、代码下载并重命名为

TensorFlow代码https://github.com/eragonruan/text-detection-ctpn训练main/train.py1.utils/prepare/split_label.py

一下进行各个模型的详细解析CTPN详解代码链接：https://github.com/xiaofengShi/CHINESE-OCRCTPN是目前应用非常广泛的印刷体文本检测模型算法。

作者&编辑|言有三1CTPN文本与一般的目标有区别，比如没有精确而闭合的边缘，单个字符目标窄，但是整体文本串又较长。针对这个特点，研究者提出CTPN框架(Connectio

GitHub：https://github.com/pengcao/chinese_ocrhttps://github.com/xiaofengShi/CHINESE-OCR|-angle基于VGG分类模型的文字方向检测预测|-bash环境安装|----setup-python3.sh安装python3环境|----setup-python3-cpu.sh安装CPU环境|----setup-pyt

文章作者：Tyan博客：noahsnail.com|CSDN|简书声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translationDetectingTextinNaturalImagewithConnectionistTextProposalNetworkAbstr