Enhanced Characterness for Text Detection in the Wild

Abstract

Text spotting is an interesting research problem as text may appear at any random place and may occur in various forms. Moreover, ability to detect text opens the horizons for improving many advanced computer vision problems. In this paper, we propose a novel language agnostic text detection method utilizing edge enhanced Maximally Stable Extremal Regions in natural scenes by defining strong characterness measures. We show that a simple combination of characterness cues help in rejecting the non text regions. These regions are further fine-tuned for rejecting the non-textual neighbor regions. Comprehensive evaluation of the proposed scheme shows that it provides comparative to better generalization performance to the traditional methods for this task.

Development of software for the segmentation of text areas in real-scene images

“…Список методов, сравниваемых с предложенным алгоритмом: (1) метод, основанный на квадратичной дискриминантной функции [19]; (2) метод наименьшего разреза графа [19]; (3) комбинация метода квадратичной дискриминантной функции и наименьшего разреза графа [19]; (4) метод определения пороговых значений Otsu [24]; (5) метод определения пороговых значений Niblack [25]; (6) метод на основе кластеризации K-средних [26]; (7) метод максимально стабильных экстремальных областей [20]; (8) модифицированный метод на основе кластеризации Kсредних [17]; (9) метод детектирования особых областей (Blob) [22]; (10) метод, основанный на Марковской модели случайного поля [23]; (11) комбинация метода максимально стабильных экстремальных об-ластей и алгоритма дендрограмм одинарной кластеризации [21].…”

“…Тестирование методов (1 -6) производилось только на английской части базы изображений, в то время как работы (7 -18) [25] 0,689 0,909 0,784 (6) Метод на основе кластеризации K-средних [26] 0,763 0,914 0,821 Полная (7) Метод максимально стабильных экстремальных областей [20] 0,924 0,341 0,480 (8) Модифицированный метод на основе кластеризации K-средних [17] 0,690 0,600 0,640 (9) Метод детектирования особых областей (Blob) [22] 0,879 0,489 0,593 (10) Метод, основанный на Марковской модели случайного поля [23] 0,697 0,291 0,376 (11) Комбинация метода максимально стабильных экстремальных областей и алгоритма дендрограмм одинарной кластеризации [21] 0,670 0,890 0,760 (12) Метод максимально стабильных экстремальных областей + преобразование ширины штриха + генеративная состязательная сеть [27] 0,85 0,84 0,84 (13) Нелинейная нейронная сеть, основанная на свёрточной нейронной сети [28] 0,59 0,79 0,67 (14) Генеративная состязательная сеть [29] 0,43 0,69 0,53 (15) MaskRCNN++ [30] 0,82 0,78 0,80 (16) MM-MaskRCNN [30] 0,76 0,84 0,70 (17) Подход, основанный на MaskRCNN [30] 0,49 0,64 0,40 (18) Двухпроходный детектор текста, основанный на каскаде RCNN [30] 0,78 0,82 0,74 Предложенный метод 0,90 0,86 0,88…”