资源

PapersWithCode：
- 论文：Detecting Curve Text in the Wild: New Dataset and New Solution | Papers With Code
- 数据集：SCUT-CTW1500 Dataset | Papers With Code
Arxiv：[1712.02170v1] Detecting Curve Text in the Wild: New Dataset and New Solution (arxiv.org)
GitHub（可以下载数据集）：Yuliang-Liu/Curve-Text-Detector: This repository provides train＆test code, dataset, det.&rec. annotation, evaluation script, annotation tool, and ranking. (github.com)

正文

Abstract

提出了：

一个数据集 CTW 1500（1000 张用于训练，500 张用于测试）
基于该数据集提出了一种基于多边形的曲线文本检测器（CTD）

1 Introduction

目前的数据集很少有曲线文本，用四边形标记这种文本是有缺陷的，更不用说矩形了。例如，如图 1 所示，使用曲线边界框有三个显著的优点：

避免重叠
减小背景噪声
避免使用多个文本行

对于所有类型的曲线文本区域，一个 14 点的多边形就足以定位它们。

在所提出的数据集上，结果表明，具有轻度减少的 resnet-50 的 CTD 可以有效地检测曲线文本。

目前的技术检测曲线文本都不好使。

3. CTW1500 Dataset and Annotation

Data decription

数据描述。CTW1500 数据集包含

1500 幅图像
10751 个边界框（3530 个是曲线边界框）
每幅图像至少一个曲线文本。
多语言，主要包含中文和英文

Annotation

为了包围曲线文本，我们创建了十条等距的参考线来帮助标记额外的 10 个点（我们实际上发现额外的 10 点足以标记所有类型的曲线文本）。我们使用等距线的原因是为了简化标注工作，并减少主观干扰。

一个曲线文本比标记四边形文本消耗大约三倍的时间。

4.1. Network Architecture

我们 CTD 的总体架构如图 4 所示，可分为三个部分：backbone、RPN 和 regression module。

backbone 通常采用 ImageNet 预先训练的流行模型，然后使用相应的模型进行微调，如 VGG-16、ResNet 等。区域建议网络（RPN）和回归模块分别连接到主干；
RPN 生成粗略回忆文本的建议；
regression module 对建议进行微调，使其更加紧凑。

4.2. Recurrent Transverse and Longitudinal Offset Connection (TLOC)

4.3. Long Side Interpolation

4.4. Polygonal Post Processing

非多边形抑制（NPS）。误报检测结果是制约文本检测性能的重要原因之一。

多边形非最大值抑制（PNMS）。非极大值抑制被证明对目标检测任务非常有效。

5. Experiments

提出的模型有效。

6. Conclusions and Future Work

数据集

从 Yuliang-Liu/Curve-Text-Detector: This repository provides train＆test code, dataset, det.&rec. annotation, evaluation script, annotation tool, and ranking. (github.com) 下载数据集：

train_images.zip 训练集图像（1000 张）
ctw1500_train_labels.zip（训练集图像的标注文件，xml 格式）
test_images.zip 测试集图像（500 张）
gt_ctw1500.zip（测试集图像的标注文件，txt 格式）

可视化训练集图像的代码：

python

import xml.etree.ElementTree as ET
 
index = 997
 
# 定义路径
image_dir = r'E:\dataset\CTW1500\ctw1500\train_images\\'
label_dir = r"E:\dataset\CTW1500\ctw1500\ctw1500_train_labels\\"
 
image_path = os.path.join(image_dir, "{:04d}".format(index) + '.jpg')
label_path = os.path.join(label_dir, "{:04d}".format(index) + '.xml')
 
image_origin = cv2.imread(image_path)
image = image_origin.copy()
height, width, _ = image.shape
 
# 解析 XML 文件
tree = ET.parse(label_path)
root = tree.getroot()
 
# 遍历每个图像
for image_elem in root.findall("image"):
    file_name = image_elem.get("file")
    
    # 遍历每个标注框
    for box_elem in image_elem.findall("box"):
        box_height = int(box_elem.get('height'))
        box_width = int(box_elem.get('width'))
        box_left = int(box_elem.get('left'))
        box_top = int(box_elem.get('top'))
        
        print(f"Box height: {box_height}")
        print(f"Box width: {box_width}")
        print(f"Box left: {box_left}")
        print(f"Box top: {box_top}")  
 
        # 读取 <segs> 的值并以逗号分割成列表
        segs = box_elem.find('./segs')
        segs_values = segs.text.split(',')
 
        segs_x = []
        segs_y = []
        print("Segments:")
        for i in range(0, len(segs_values), 2):
            segs_x.append(int(segs_values[i]))
            segs_y.append(int(segs_values[i+1]))
        segs = np.array([segs_x, segs_y], np.int32).T
        print(f"segs_x: {segs_x}, y: {segs_y}")
        
        transcriptions = box_elem.find("label").text
        
        # 获取所有 pts 标签
        pts_elems = box_elem.findall("pts")
        
        # 提取坐标信息
        pts_x = []
        pts_y = []
        for pts_elem in pts_elems:
            pts_x.append(int(pts_elem.get("x")))
            pts_y.append(int(pts_elem.get("y")))
        pts = np.array([pts_x, pts_y], np.int32).T
        # 打印标注信息
        print("File: ", file_name)
        print("Transcriptions: ", transcriptions)
        print("Points: ", pts)
        
        # 画图
        cv2.rectangle(image, (box_left, box_top), (box_left + box_width, box_top + box_height), (255, 255, 0), thickness=2)
        cv2.polylines(image, [segs], isClosed=False, color=(255, 255, 255), thickness=2)
        cv2.polylines(image, [pts], isClosed=False, color=(255, 0, 0), thickness=2)
        
        for p in pts:
            cv2.circle(image, (p[0], p[1]), int(min(height, width) / 150), (0, 255, 255), -1)
            
        cv2.putText(image, transcriptions, (pts_x[0], pts_y[0] - int(min(height, width) / 150)), cv2.FONT_HERSHEY_SIMPLEX,
                    min(height, width) / 1000, (0, 255, 0), int(min(height, width) / 500))
        
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(16, 9))
axes = axes.flatten()
 
axes[0].imshow(cv2.cvtColor(image_origin, cv2.COLOR_BGR2RGB))
axes[0].axis('off')
axes[0].set_title('Origin')
 
axes[1].imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
axes[1].axis('off')
axes[1].set_title('Annotation')
 
plt.tight_layout()
plt.show()

Box height: 108
Box width: 565
Box left: 201
Box top: 351
Segments:
segs_x: [216, 302, 389, 476, 563, 651, 739, 766, 671, 576, 482, 388, 294, 201], y: [351, 383, 398, 407, 409, 391, 363, 406, 440, 458, 459, 451, 432, 398]
File:  0997.jpg
Transcriptions:  VIOLENCE NEVER BRINGS
Points:  [[228 381]
 [245 390]
 [268 395]
 [289 406]
 [323 415]
 [352 422]
 [388 426]
 [417 431]
 [439 432]
 [473 436]
 [508 434]
 [540 433]
 [566 432]
 [601 429]
 [616 425]
 [634 421]
 [666 414]
 [683 406]
 [697 402]
 [722 392]
 [741 387]]
Box height: 111
Box width: 529
Box left: 228
Box top: 434
Segments:
segs_x: [251, 331, 411, 491, 571, 651, 731, 757, 669, 581, 493, 405, 316, 228], y: [437, 460, 474, 484, 479, 459, 434, 489, 528, 540, 545, 533, 522, 499]
File:  0997.jpg
Transcriptions:  PERMANENT PEACE
Points:  [[259 475]
 [290 484]
 [319 487]
 [358 495]
 [396 505]
 [435 507]
 [472 511]
 [505 512]
 [543 513]
 [578 506]
 [613 499]
 [645 493]
 [682 481]
 [709 471]
 [731 464]]
Box height: 96
Box width: 37
Box left: 466
Box top: 127
Segments:
segs_x: [501, 501, 501, 502, 502, 502, 503, 466, 466, 466, 467, 467, 467, 468], y: [127, 143, 159, 175, 191, 207, 223, 220, 204, 189, 173, 158, 142, 127]
File:  0997.jpg
Transcriptions:  LOC
Points:  [[486 141]
 [484 168]
 [485 205]]

可视化测试集图像的代码：