本文第一章首先介绍文字检测与文字识别技术发展现状，第二章对现阶段文字检测主流技术进行概述，分为两节内容，分别对候选区域提取和文字/非文字分类进行概述，第三章详细介绍场景文字检测方法的实现原理，第四章对该算法进行系统结果评测，第五章对全文进行总结。本文基本实现了基于MSER的场景文本检测算法，获得了初步的结果。虽然目前结果还有待提高，但本文的算法为后续进一步的深入研究提供了基础。

系统概述

图3.1为场景文字检测系统流程图。首先输入信息一张彩色的图像，将这张彩色图片进行颜色空间变换。由原来的RGB颜色空间的彩色图片变为灰度图以及HSV颜色空间的图片。然后分别在灰度图的灰度通道、HSV颜色空间中的Hue通道以及HSV颜色空间中的Saturation通道这三个通道的原图以及取反图上进行计算，三个通道的像素值都是0到255，取反图就是用255减去各个像素值所得到的图像。再对这六个图像进行单通道文字检测。

图3.2为单通道文字系统检测流程图。首先输入单通道图像，提取MSER作为候选文字区域，但候选文字区域中许多是非文字区域。再用浅层神经网络进行文字与非文字的分类，滤除非文字区域。接着进行后处理，找回被错分的成非文字的文字区域，最终得到单通道文本行。

最后再进行多通道文本行结果融合，最终得到文字区域。

结论

本节是对本文进行的总结，本文主要提到的两大模块是MSER区域提取，以及神经网络分类器，并从原理上进行分析实现，并在细节上提出了一些优化。如进行归一化操作时，本项目并非使用的是openCV封装好的函数，因为openCV封装的函数会将图像进行拉伸修改，本项目自己实现了一个归一化方法，使图片归一化时等比例放缩，不破坏原有形状。在神经网络分类器训练上，使用代码生成了一百多万个训练样本，在这么大规模的数据下这时间复杂度要求较高，并且还要防止内存泄漏等问题，对于我的大数据处理水平提高有显著的帮助。整个项目也自己写了几千行代码，对我的编码水平提升十分有益。