文本检测

文本检测和目标检测类似，其不同之处在于文本目标具有序列特征，有连续性，可以通过结合 Faster R-CNN 和 LSTM 的方式进行文本检测，如 CTPN 网络，其网络结构来自论文： Detecting Text in Natural Image with Connectionist Text Proposal Network (arxiv.org)；

CNN学习的是感受野内的空间信息，LSTM学习的是序列特征。对于文本序列检测，显然既需要CNN抽象空间特征，也需要序列特征（毕竟文字是连续的）。

详细可以查看场景文字检测—CTPN原理与实现 - 知乎 (zhihu.com)，CTPN网络的缺点很明显，只能识别行排列文本，如果文本充满艺术排列效果就不是很好；

这里有其他更好的方法进行文本检测：

1. FCENet：[2104.10442] Fourier Contour Embedding for Arbitrary-Shaped Text Detection (arxiv.org)
2. DBNet：[1911.08947] Real-time Scene Text Detection with Differentiable Binarization (arxiv.org)
3. DBNet++：[2202.10304] Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion (arxiv.org)

详细介绍可以看这个网站：天天教程 (foobarweb.net)

文本识别

在检测到文本位置后，我们提取出文本图片，将文本图片转化为同一大小格式，接着我们需要执行将文本图片转化为字符串任务；

文章中使用的是 CNN+RNN+CTC(CRNN+CTC) 架构，具体如下图所示

CTC层

CTC (Connectionist Temporal Classification)，其被设计用来解决输入序列和输出序列难以一一对应的问题。

我们在特征图展开为特征序列这一步骤中，将原始特征图切割成不同的小块，理想情况是不同小块分别顺序对应目标字符串中某一字符，由于图片的无规则性以及感受野的存在，这种情况是不现实的，目标字符串中的字符很有可能被不同的块分别对应，这会导致字符串重复的情况出现，因此我们需要对齐预测序列和真实序列，Sequence Modeling with CTC (distill.pub)详细介绍了这一效果；

CTC 本质上是一个 softmax 矩阵，其 row nums 由预测的字符类别数量决定，其 col nums 又特征图切割成不同的小块的数量决定，这里 col nums 又称为时间步 T ， 假设我们预测的字符串长度为 true_string_length ，由于每一时间步只能预测一个字符再加上空字符和重复字符的出现，我们必须要保证时间步 T 要大于 true_string_length ；

对重复字符进行删除，如下图1所示，这会导致两个问题：

1. 通常，强制每个输入步骤与某些输出对齐是没有意义的。例如，在语音识别中，输入可能会出现一段沉默而没有相应的输出。
2. 我们无法产生连续多个字符的输出。考虑对齐方式 [h, h, e, l, l, l, o]。折叠重复将产生“helo”而不是“hello”。

这里引入一个空字符：$ϵ$，利用该字符去间隔重复字符，然后进行删除就可以解决上面两个问题，具体效果如上图2所示；

如何具体实施这一操作呢，这里我们可以对 y 进行处理，对 y 做一个简单的变换：$${\pi }_0=[ϵ,y_1,ϵ,y_2,ϵ,\dots ,y_n,ϵ]$$
得到其概率为$p({\pi }_0|X)$，由于 y 的变换有很多，如果 $y_1$ 不等于 $y_2$ ，那么有许多的新变换，如 ${\pi }_1=[ϵ,y_1,y_2,ϵ,ϵ,\dots ,y_n,ϵ]$ 等等

这里将所有的变换的概率值作为损失，得到损失如下： $$\mathcal{L}=\sum _i-\log p(y_i|X_i)=\sum _i\sum _j-\log p({\pi }_{ij}|X_i)$$
由于变换很多，单一计算非常困难，这里我们可以使用动态规划进行简化，详细请看：Sequence Modeling with CTC (distill.pub)

tensorflow 有 CTC 损失计算的接口，接口如下：

tf.nn.ctc_loss(
    labels,
    inputs,
    sequence_length,
    preprocess_collapse_repeated=False,
    ctc_merge_repeated=True,
    ignore_longer_outputs_than_inputs=False,
    time_major=True
)

生成验证码并制作数据集

captcha 是 python 用来生成随机验证码的一个库，可以使用 pip install captcha 安装

定义两个函数 random_captcha_text ，gen_captcha_text_and_image 分别执行随机生成验证码文本和验证码图片生成任务；

import os
import random
from rich.progress import track
from captcha.image import ImageCaptcha


def random_captcha_text(char_set=None, captcha_size=5):
    """随机生成 number 和 alphabet 组合的字符串"""
    if char_set is None:
        number = [ '1', '2', '3', '4', '5', '6', '7', '8', '9']
        alphabet = [ 'a', 'd',  'h', 'j', 'k', 'q', 's', 't', 'y']
        char_set = number + alphabet

    captcha_text = []
    for i in range(captcha_size):
        c = random.choice(char_set)
        captcha_text.append(c)
    return ''.join(captcha_text)


def gen_captcha_text_and_image(width=200, height=50, char_set=None, save_path='./captcha_imgs/'):
    """随机生成验证码并保存在./captcha_imgs/文件目录下"""
    os.makedirs(save_path, exist_ok=True)
    ic = ImageCaptcha(width=width, height=height)
    captcha_text = random_captcha_text(char_set)
    img= ic.create_captcha_image(captcha_text,color='red', background='white')
    # create_noise_curve方法将上面生成的验证码 img 画上干扰线
    img = ic.create_noise_curve(img, color='black')
    img.save(save_path+captcha_text+".png")
    return captcha_text, img

利用 gen_captcha_text_and_image 生成3000个验证码图片作为数据集图片，下一步开始制作数据集

nums = 3000
for step in track(range(nums)):
    gen_captcha_text_and_image()

# Working... ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 100% 0:00:14

数据集制作

import os
import random
from pathlib import Path
import tensorflow as tf
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split

def process_data(img_path, label):
    """dataset --> process_dataset"""
    img = tf.io.read_file(img_path)
    img = tf.io.decode_png(img, channels=1)
    img = tf.image.convert_image_dtype(img, tf.float32)
    
    label = tf.strings.unicode_split(label, input_encoding="UTF-8")
    label = char_num(label)
    # 固定 TensorSpec
    img = tf.reshape(img, [50, 200, 1])
    label = tf.reshape(label, [5])
    return img, label

# 存储验证码文件夹 ./captcha_imgs/
data_dir = Path('./captcha_imgs/')
image_paths = list(map(str, list(data_dir.glob("*.png"))))
labels = [image_path.split(os.path.sep)[1].split('.png')[0] for image_path in image_paths]

# image_paths[0], labels[0]  --> ('captcha_imgs\\1113s.png', '1113s')

characters = sorted(list(set(char for label in labels for char in label)))
# ['1', '2', '3', '4', '5', '6', '7', '8', '9', 'a', 'd', 'h', 'j', 'k', 'q', 's', 't', 'y']

# 定义两个转换，一个是将char转化为num，一个是将num转化为char
char_num = tf.keras.layers.StringLookup(vocabulary=characters, invert=False)
num_char = tf.keras.layers.StringLookup(vocabulary=characters, invert=True )

# 切割数据集
X_train, X_test, y_train, y_test = train_test_split(image_paths, labels, test_size=0.33, random_state=42)

# 定义超参数
batch_size = 16

# 制作数据集
train_data = tf.data.Dataset.from_tensor_slices((X_train, y_train))
test_data = tf.data.Dataset.from_tensor_slices((X_test, y_test))
train_data = train_data.map(process_data).batch(batch_size).prefetch(buffer_size=tf.data.AUTOTUNE).cache()
test_data = test_data.map(process_data).batch(batch_size)

可视化数据代码

def plot_16_images():
    plt.figure(figsize=(10, 4))
    imgs, labels = train_data.take(1).get_single_element()
    for ix in range(imgs.shape[0]):
        plt.subplot(4, 4, ix+1)
        plt.imshow(imgs[ix])
        plt.title(tf.strings.reduce_join(num_char(labels[ix])).numpy().decode('utf-8'))
        plt.axis('off')
    plt.tight_layout()
    plt.show()

plot_16_images()

得到结果如下

建立模型

模型架构如图，现在使用代码实现该模型架构；

实现模型架构代码如下：

import tensorflow as tf

class CustomModel(tf.keras.models.Model):
    def __init__(self):
        super(CustomModel, self).__init__()
        self.conv_1 = tf.keras.layers.Conv2D(32, 3, activation='relu', padding='same')
        self.conv_2 = tf.keras.layers.Conv2D(64, 3, activation='relu', padding='same')
        self.max_pool_1 = tf.keras.layers.MaxPooling2D((2,2))
        self.max_pool_2 = tf.keras.layers.MaxPooling2D((2,2))
        self.blstm_1 = tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(128, return_sequences=True, dropout=0.25))
        self.blstm_2 = tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(64, return_sequences=True, dropout=0.25))
        self.dense_1 = tf.keras.layers.Dense(64, activation='relu')
        self.dense_2 = tf.keras.layers.Dense(len(characters) + 2, activation='softmax')
        self.dropout = tf.keras.layers.Dropout(0.2)
    
    def call(self, x):
        x = tf.transpose(x, perm=[0, 2, 1, 3])
        x = self.conv_1(x)
        x = self.max_pool_1(x)
        x = self.conv_2(x)
        x = self.max_pool_2(x)
        x = tf.reshape(x, [tf.shape(x)[0], tf.shape(x)[1], -1])
        x = self.dense_1(x)
        x = self.dropout(x)
        x = self.blstm_1(x)
        x = self.blstm_2(x)
        x = self.dense_2(x)
        return x

def custom_loss(y_true, y_pred):
    batch_len = tf.cast(tf.shape(y_true)[0], dtype="int64")
    input_length = tf.cast(tf.shape(y_pred)[1], dtype="int64")
    label_length = tf.cast(tf.shape(y_true)[1], dtype="int64")

    # 1 慢一些
    # input_length = input_length * tf.ones(shape=(batch_len), dtype="int64")
    # label_length = label_length * tf.ones(shape=(batch_len), dtype="int64")
    # loss = tf.nn.ctc_loss(y_true, y_pred, label_length, input_length, logits_time_major=False)

    # 2 快一些
    input_length = input_length * tf.ones(shape=(batch_len, 1), dtype="int64")
    label_length = label_length * tf.ones(shape=(batch_len, 1), dtype="int64")
    loss = tf.keras.backend.ctc_batch_cost(y_true, y_pred, input_length, label_length)
    
    return loss

model = CustomModel()
# build the model
model(train_data.take(1).get_single_element()[0])

# summary the model
model.summary()

compile 模型并开始训练：

model.compile(
    optimizer='adam',
    loss=custom_loss
)

model.fit(train_data, validation_data=test_data, epochs=200)

得到训练过程如下：

Epoch 1/200
169/169 [==============================] - 21s 61ms/step - loss: 22.0665 - val_loss: 16.1782
Epoch 2/200
169/169 [==============================] - 7s 39ms/step - loss: 16.1598 - val_loss: 16.1217
.........................................................................................
169/169 [==============================] - 7s 39ms/step - loss: 15.4558 - val_loss: 15.6200
Epoch 27/200
169/169 [==============================] - 7s 39ms/step - loss: 15.4595 - val_loss: 15.6041
Epoch 28/200
169/169 [==============================] - 7s 40ms/step - loss: 15.4209 - val_loss: 15.4314
Epoch 29/200
169/169 [==============================] - 7s 40ms/step - loss: 15.1606 - val_loss: 14.4924
Epoch 30/200
169/169 [==============================] - 7s 40ms/step - loss: 14.1823 - val_loss: 12.9583
Epoch 31/200
.........................................................................................
Epoch 42/200
169/169 [==============================] - 7s 40ms/step - loss: 0.6783 - val_loss: 0.2937
Epoch 43/200
169/169 [==============================] - 7s 40ms/step - loss: 0.6130 - val_loss: 0.2544
Epoch 44/200
169/169 [==============================] - 7s 39ms/step - loss: 0.4716 - val_loss: 0.2368
.........................................................................................
Epoch 194/200
169/169 [==============================] - 7s 40ms/step - loss: 0.0463 - val_loss: 0.1134
Epoch 195/200
169/169 [==============================] - 7s 40ms/step - loss: 0.0439 - val_loss: 0.0840
Epoch 196/200
169/169 [==============================] - 7s 41ms/step - loss: 0.0767 - val_loss: 0.1057
Epoch 197/200
169/169 [==============================] - 7s 41ms/step - loss: 0.0326 - val_loss: 0.0906
Epoch 198/200
169/169 [==============================] - 7s 41ms/step - loss: 0.0224 - val_loss: 0.0844
Epoch 199/200
169/169 [==============================] - 7s 41ms/step - loss: 0.0701 - val_loss: 0.1003
Epoch 200/200
169/169 [==============================] - 7s 40ms/step - loss: 0.0477 - val_loss: 0.0911

模型推理

当模型训练完毕后，模型的输出并不是目标字符串，仍然是一个 softmax 矩阵，因此我们需要对该矩阵继续进行操作；

当我们训练好一个RNN模型时，给定一个输入序列X，我们需要找到最可能的输出，也就是求解
$$Y^{\ast }=\underset{k}{\mathrm{argmax}}P(Y/X)$$
求解最可能的输出有两种方案，一种是Greedy Search，第二种是Beam Search

1. Greedy Search：每个时间片均取该时间片概率最高的节点作为输出
2. Beam Search：Beam Search是寻找全局最优值和Greedy Search在查找时间和模型精度的一个折中。一个简单的beam search在每个时间片计算所有可能假设的概率，并从中选出最高的几个作为一组。然后再从这组假设的基础上产生概率最高的几个作为一组假设，依次进行，直到达到最后一个时间片。

def decode_batch_predictions(X, mode='greedy'):
    """ mode 有两种模式 beam 和 greedy 一般来说 greedy 效果要好一些"""
    y_pred = model(X)

    if mode == 'beam':
        input_length = tf.cast(tf.shape(y_pred)[1], dtype="int64")
        zz = tf.nn.ctc_beam_search_decoder(tf.transpose(y_pred, perm=[1,0,2]),  [50]*16)[0][0]
        zz = tf.strings.reduce_join(num_char(tf.sparse.to_dense(zz)), axis=-1).numpy()
        zz = [s.decode('utf-8').replace('[UNK]', '')[:5] for s in list(zz)]
        
    elif mode == 'greedy':
        input_length = tf.cast(tf.shape(y_pred)[1], dtype="int64")
        zz = tf.nn.ctc_greedy_decoder(tf.transpose(y_pred, perm=[1,0,2]),  [50]*16)[0][0]
        zz = tf.strings.reduce_join(num_char(tf.sparse.to_dense(zz)), axis=-1).numpy()
        zz = [s.decode('utf-8').replace('[UNK]', '')[:5] for s in list(zz)]

    return zz

可视化如下

def plot_16_images_pred():
    plt.figure(figsize=(10, 4))
    imgs, labels = test_data.take(1).get_single_element()
    pred_labels = decode_batch_predictions(imgs, mode='greedy')
    labels = [zz.decode('utf-8') for zz in tf.strings.reduce_join(num_char(labels), axis=-1).numpy()]
    for ix in range(imgs.shape[0]):
            plt.subplot(4, 4, ix+1)
            plt.imshow(imgs[ix])
            plt.title(f'pred:{pred_labels[ix]}-real:{labels[ix]}')
            plt.axis('off')
    plt.tight_layout()
    plt.show()
    return pred_labels

plot_16_images_pred()

完毕！

参考

1. 场景文字检测—CTPN原理与实现 - 知乎 (zhihu.com)
2. Detecting Text in Natural Image with Connectionist Text Proposal Network (arxiv.org)
3. CTC Loss 数学原理讲解：Connectionist Temporal Classification-CSDN博客
4. Sequence Modeling with CTC (distill.pub)
5. 一文读懂CRNN+CTC文字识别 - 知乎 (zhihu.com)
6. CTC（Connectionist Temporal Classification）介绍 - PilgrimHui - 博客园 (cnblogs.com)