CTPN

CTPN

paper link

Detecting Text in Natural Image with Connectionist Text Proposal Network

code link

基于caffe实现——CTPN

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。

CTPN是在ECCV 2016提出的一种文字检测算法。CTPN结合CNN与LSTM深度网络，能有效的检测出复杂场景的横向分布的文字，效果如图1，是目前比较好的文字检测算法。由于CTPN是从Faster RCNN改进而来，本文默认读者熟悉CNN原理和Faster RCNN网络结构。

网络结构

原始CTPN只检测横向排列的文字。CTPN结构与Faster R-CNN基本类似，但是加入了LSTM层。假设输入(N) Images:

• 首先VGG提取特征，获得大小为(N imes C imes H imes W)的conv5 feature map

• 之后在conv5上做(3 imes 3)的滑动窗口，即每个点都结合周围(3 imes 3)区域特征获得一个长度为(3 imes 3 imes C)的特征向量。输出(N imes 9C imes H imes W)的feature map，该特征显然只有CNN学习到的空间特征。

• 再将这个feature map进行Reshape

  [Reshape: N imes 9C imes H imes W ightarrow (NH) imes W imes 9C ]

• 然后以(Batch=NH)且最大时间长度(T_{max}=W)的数据流输入双向LSTM，学习每一行的序列特征。双向LSTM输出((NH) imes W imes 256)，再经Reshape恢复形状：

  [Reshape:(NH) imes W imes 256 ightarrow N imes 256 imes H imes W ]

  该特征既包含空间特征，也包含了LSTM学习到的序列特征。

• 然后经过FC层，变为(N imes 512 imes H imes W)的特征

• 最后经过类似Faster R-CNN的RPN网络，获得text proposals

更具体的网络结构，请使用netscope查看CTPN的deploy.prototxt网络配置文件。

这里解释一下conv5 feature map如何从(N imes C imes H imes W)变为(N imes 9C imes H imes W)

在原版caffe代码中是用im2col提取每个点附近的9点临近点，然后每行都如此处理：

[H imes W ightarrow9 imes H imes W ]

接着每个通道都如此处理：

[C imes H imes W ightarrow 9C imes H imes W ]

其使用的im2col是用于卷积加速的操作，即将卷积变为矩阵乘法，从而使用Blas库快速计算。

特别说明：上述是对原Paper+Caffe代码的解释，其它代码实现异同不在本文讨论范围内！

原版的ctpn，是用caffe中的im2coll把周围3x3的点取出来形成N(9C)HW，并不是卷积。至于caffe im2coll是一种把卷积变换成矩阵乘法的内部操作，以便用cublas加速卷积计算。

到了tf实现，没这个操作，所以直接卷积(C ightarrow 9C)代替了im2col操作。

接下来，文章围绕下面三个问题展开：

1. 为何使用双向LSTM
2. 如何通过FC层输出产生图2-b中的Text proposals
3. 如何通过Text proposals确定最终的文本位置，即文本线构造算法

为何使用双向LSTM？

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）。

CNN卷积计算如下图：

CTPN中使用双向LSTM，相比一般单向LSTM有什么优势？双向LSTM实际上就是将2个方向相反的LSTM连起来，如下图

一般来说，双向LSTM都好于单向LSTM。例如：

我的手机坏了，我打算____一部新手机。

假设使用LSTM对空白部分填词。如果只看横线前面的词，“手机坏了”，那么“我”是打算“修”还是“买”还是“大哭一场”？双向LSTM能看到后面的词是“一部新手机“，那么横线上的词填“买“的概率就大得多了。显然对于文字检测，这种情况也依然适用。

如何通过"FC"卷积层输出产生图2-b中的Text proposals?

CTPN通过CNN和BLSTM学到一组“空间 + 序列”特征后，在"FC"层后接入RPN网络。这里的RPN与Faster R-CNN类似，分为两个分支：

1. 左边分支用于bounding box regression。由于FC层feature map每个点配备了10个Anchor，同时只回归中心y坐标与高度2个值，所以(rpn\_bboxp\_red)有20个channels
2. 右边分支用于Softmax分类Anchor

具体RPN网络与Faster R-CNN完全一样，所以不再介绍，只分析不同之处。

竖直Anchor定位文字位置

由于CTPN针对的是横向排列的文字检测，所以其采用了一组（10个）等宽度的Anchors，用于定位文字位置。Anchor宽高为：

[egin{matrix}widths=[16]\heights-[11,16,23,33,48,68,97,139,198,283]end{matrix} ]

需要注意，由于CTPN采用VGG16模型提取特征，那么conv5 feature map的宽高都是输入Image的宽高的(frac{1}{16})。同时fc与conv5 width和height都相等。

如下图所示，CTPN为fc层feature map每一个点都配备10个上述Anchors。

这样设置Anchors是为了：

1. 保证在(x)方向上，Anchor覆盖原图每个点且不相互重叠。
2. 不同文本在(y)方向上高度差距很大，所以设置Anchors高度为11~283，用于覆盖不同高度的文本目标。

• 可能有人会问Anchor大小为什么对应原图尺度，而不是conv5/fc特征尺度？
  • 因为Anchor是目标的候选框，经过后续分类+位置修正获得目标在原图尺度的检测框。那么这就要求Anchor必须是对应原图尺度！除此之外，如果Anchor大小对应conv5/fc尺度，那就要求Bounding box regression把很小的框回归到很大，这已经超出Regression小范围修正框的设计目的。

获得Anchor后，与Faster R-CNN类似，CTPN会做如下处理：

1. Softmax判断Anchor中是否包含文本，即选出Softmax score大的正Anchor
2. Bounding box regression修正包含文本的Anchor的中心y坐标与高度。

注意，与Faster R-CNN不同的是，这里Bounding box regression不修正Anchor中心x坐标和宽度。具体回归方式如下：

[egin{matrix}v_c=frac{(c_y-c_y^a)}{h^a}&v_h=log(frac{h}{h^a})\v_c^*=frac{(c^*_y-c^a_y)}{h^a}&v^*_h=log(frac{h^*}{h^a})end{matrix} ]

其中，(v=(v_c,v_h))是回归预测的坐标，(v=(v^*_c,v^*_h))是Ground Truth，(c^a_h)和(h^a)是Anchor的中心(y)坐标和高度。

Anchor经过上述Softmax和(y)方向bounding box regeression处理后，会获得下图所示的一组竖直条状text proposal。后续只需要将这些text proposal用文本线构造算法连接在一起即可获得文本位置。

在论文中，作者也给出了直接使用Faster R-CNN RPN生成普通proposal与CTPN LSTM+竖直Anchor生成text proposal的对比，如下图，明显可以看到CTPN这种方法更适合文字检测。

文本线构造算法

在上一个步骤中，已经获得了图7所示的一串或多串text proposal，接下来就要采用文本线构造办法，把这些text proposal连接成一个文本检测框。

为了说明问题，假设某张图有图9所示的2个text proposal，即蓝色和红色2组Anchor，CTPN采用如下算法构造文本线：

1. 按照水平(x)坐标排序Anchor
2. 按照规则依次计算每个Anchor (box_i)的(pair(box_j))，组成(pair(box_i,box_j))
3. 通过(pair(box_i,box_j))建立一个Connect graph，最终获得文本检测框

下面详细解释。假设每个Anchor index如绿色数字，同时每个Anchor Softmax score如黑色数字。

文本线构造算法通过如下方式建立每个Anchor (box_i)的(pair(box_i,box_j))

正向寻找：

1. 沿水平正方向，寻找和(box_i)水平距离小于50像素的候选Anchor（原文中一次向前只找50像素每，个Anchor宽16像素，也就是最多正向找50/16=3个Anchor）
2. 从候选Anchor中，挑出与(box_i)竖直方向(overlap_v>0.7)的Anchor
3. 挑出符合条件2中Softmax score最大的(box_j)

再反向寻找：

1. 沿水平负方向，寻找和(box_j)水平距离小于50的候选Anchor
2. 从候选Anchor中，挑出与(box_j)竖直方向(overlap_v>0.7)的Anchor
3. 挑出符合条件2中Softmax score最大的(box_k)

最后对比(score_i)和(score_k)

1. 如果(score_ige score_k)，则这是一个最长连接，那么设置(Graph(i,j)=True)
2. 如果(score_i< score_k)，说明这不是一个最长的连接（即该连接肯定包含在另外一个更长的连接中）。

class TextProposalGraphBuilder:

    ......

    def is_succession_node(self, index, succession_index):
        precursors=self.get_precursors(succession_index)
        # index 为上文中的 i, succession_index 为 j, precursors 为负向搜索找到的 k
        if self.scores[index]>=np.max(self.scores[precursors]):
            return True
        return False

    def build_graph(self, text_proposals, scores, im_size):
        self.text_proposals=text_proposals
        self.scores=scores
        self.im_size=im_size
        self.heights=text_proposals[:, 3]-text_proposals[:, 1]+1

        boxes_table=[[] for _ in range(self.im_size[1])]
        for index, box in enumerate(text_proposals):
            boxes_table[int(box[0])].append(index)
        self.boxes_table=boxes_table

        graph=np.zeros((text_proposals.shape[0], text_proposals.shape[0]), np.bool)

        for index, box in enumerate(text_proposals):
            # 沿水平正方向寻找所有overlap_v > 0.7匹配
            successions=self.get_successions(index)
            if len(successions)==0:
                continue

            # 找匹配中socre最大的succession_index（即上文j）
            succession_index=successions[np.argmax(scores[successions])] 

            # 沿水平负方向寻找socre最大的 k，如果socre_i >= score_k 则是一个最长连接
            if self.is_succession_node(index, succession_index):
                # NOTE: a box can have multiple successions(precursors) if multiple successions(precursors)
                # have equal scores.
                # 设置 Graph connection (i,j)为 True
                graph[index, succession_index]=True
        return Graph(graph)

举例说明，如上图，Anchor已经按照(x)顺序排列好，并具有图中的Softmax score（这里的score是随便给出的，只用于说明文本线构造算法)：

1. 对(i=3)的(box_3)，向前寻找50像素，满足(overlap_v>0.7)且(score)最大的是(box_7)，即(j=7)；(box_7)反向寻找，满足(overlap_v>0.7)且(score)最大的是(box_3)，即(k=3)。由于(score_3ge score_3)，(pair(box_3,box_7))是最长连接，那么设置(Graph(3,7)=True)
2. 对(box_4)正向寻找得到(box_7)；(box_7)反向寻找得到(box_3)，但是(score_4<score_3)，即(pair(box_4,box_7))不是最长连接，包含在(pair(box_3,box_7))中。

然后，这样就建立了一个(N imes N)的Connect graph（其中(N)是正Anchor数量）。遍历Graph：

1. (Graph(0,3)=True)且(Graph(3,7)=True)，所以Anchor index (0 ightarrow 3 ightarrow 7)组成一个文本，即蓝色文本区域。
2. (Graph(6,10)=True)且(Graph(10,12)=True)，所以Anchor index (6 ightarrow 10 ightarrow 12)组成另外一个文本，即红色文本区域。

这样就通过Text proposals确定了文本检测框。

训练策略

由于作者没有给出CTPN原始训练代码，所以此处仅能根据论文分析。

[Loss(s_i,v_i,o_k)=frac{1}{N_s}underset{i}sum L^{cls}_s(s_i,s_i^*)+frac{lambda_1}{N_v}underset{i}sum L_v^{reg}(v_j,v^*_j)+frac{lambda_2}{N_o}underset{k}sum L^{reg}_o(o_k,o^*_k) ]

明显可以看出，该Loss分为3个部分：

1. Anchor Softmax loss：该Loss用于监督学习每个Anchor中是否包含文本。(s^*_i={0,1})表示是否是Groud truth。
2. Anchor y coord regression loss：该Loss用于监督学习每个包含为本的Anchor的Bouding box regression y方向offset，类似于Smooth L1 loss。其中(v_j)是(s_i)中判定为有文本的Anchor，或者与Groud truth vertical IoU>0.5。
3. Anchor x coord regression loss：该Loss用于监督学习每个包含文本的Anchor的Bouding box regression x方向offset，与y方向同理。前两个Loss存在的必要性很明确，但这个Loss有何作用作者没有解释（从训练和测试的实际效果看，作用不大）

说明一下，在Bounding box regression的训练过程中，其实只需要注意被判定成正的Anchor，不需要去关心杂乱的负Anchor。这与Faster R-CNN类似。

总结

1. 由于加入LSTM，所以CTPN对水平文字检测效果超级好。
2. 因为Anchor设定的原因，CTPN只能检测横向分布的文字，小幅改进加入水平Anchor即可检测竖直文字。但是由于框架限定，对不规则倾斜文字检测效果非常一般。
3. CTPN加入了双向LSTM学习文字的序列特征，有利于文字检测。但是引入LSTM后，在训练时很容易梯度爆炸，需要小心处理。