技術(shù)特征：

1.一種基于深度學(xué)習(xí)的自然場景多語言文本檢測方法，其特征在于：包括如下步驟：

步驟1，轉(zhuǎn)為灰度圖片：輸入待檢測圖片，并將該輸入的待檢測圖片轉(zhuǎn)化為灰度圖片I；

步驟2，構(gòu)建ER樹：根據(jù)閾值從步驟1轉(zhuǎn)化后的灰度圖片I上獲取若干張二值圖片，每張二值圖片對應(yīng)若干個ER，將所有ER通過它們在二值圖片中的包含關(guān)系，將其組成一棵樹，稱之為ER樹；該ER樹滿足如下性質(zhì)：

$\∀q\∈R_j,\→q\∈R_i$

其中，Ri和Rj為ER樹上相連的兩個節(jié)點，且Ri表示父節(jié)點，Rj表示子節(jié)點；p和q都代表二值圖片中像素的坐標；

所構(gòu)建的ER樹中的二值圖片和ER定義解釋如下：

1)二值圖片：根據(jù)閾值t從灰度圖片I上獲取得到，該二值圖片由如下公式進行定義：

$B_t\left(p\right)=\left\{\begin{array}{cc}1& ifI\left(p\right)\≥t\\ 0& ifI\left(p\right)\<t\end{array}\right.$

其中，p代表圖片中的像素坐標：I(p)表示灰度圖I上坐標p的像素值；B_t(p)表示二值圖片上坐標p的像素值；

2)ER：步驟1中的灰度圖片I具有n個閾值，每個閾值均能獲取一張二值圖片，每張二值圖片對應(yīng)若干個極值區(qū)域ER；每個ER均擁有一個屬性Level；假定區(qū)域R為閾值t所對應(yīng)的極值區(qū)域ER，也即區(qū)域R的屬性Level值等于閾值t，則每個ER均需滿足下述公式：

$\∀q\∈R,\∀p\∈boundary\left(R\right)\→B_t\left(q\right)\≥B_t\left(p\right)$

其中q和p都代表二值圖片中的像素坐標；boundary(R)表示區(qū)域R的周圍像素；B_t(q)表示二值圖片上坐標q的像素值；B_t(p)表示二值圖片上坐標p的像素值；

步驟3，獲取LER：將步驟2構(gòu)建的ER樹，使用如下所示公式獲取二值圖片上的所有LER；

$Q=\{\∀R_a,R_b\∈Q|lv\left(R_a\right)=lv\left(R_b\right),\underset{\mathrm{\Δ}}{\mathrm{argmin}}\left(p_{\mathrm{\Δ}}\right(R_a)=p_{\mathrm{\Δ}}(R_b\left)\right)\<t\}$

其中，Q代表一個LER，也即為ER樹上若干個極值區(qū)域ER的集合set；R_a代表ER樹上的節(jié)點a；R_b代表ER樹上的節(jié)點b；lv(R_a)表示R_a對應(yīng)的屬性Level；lv(R_b)表示R_b對應(yīng)的屬性Level；p_△(R_a)代表與R_a相差△個屬性Level的祖先；p_△(R_b)代表與R_b相差△個屬性Level的祖先；

每個LER中的所有ER的屬性Level均相等，且它們在ER樹上擁有一樣的祖先；

另外，上述獲取的每個LER還需滿足如下公式：

||centroid(R_a)-centroid(R_b)||₂≤r(R_a)+r(R_b)

其中r(R)表示區(qū)域R的最小外接圓的半徑，r(R_a)表示區(qū)域R_a的最小外接圓半徑；r(R_b)表示區(qū)域R_b的最小外接圓半徑；centroid(R_a)表示區(qū)域R_a的矩心；centroid(R_b)表示區(qū)域R_b的矩心；

步驟4，移除其中重復(fù)的LER：當有兩個LER，分別為q和q_c；其中q_c中的所有極值區(qū)域ER都是q中所有極值區(qū)域ER的孩子，則有如下公式表示兩個LER的相似度：

$stable(q,q_c)=\frac{\left|q\right|-\left|q_c\right|}{\left|q\right|}$

式中，stable(q,q_c)表示q和q_c的相似度，當stable(q,q_c)小于相似度設(shè)定值時，則認為兩個LER重復(fù)，僅保留一個LER，將另一個重復(fù)LER進行移除；然后將保留下來的LER所對應(yīng)的所有ER截取出來，并全部等比例縮放為一個設(shè)定尺寸的二值化圖片，等比例縮放后的二值化圖片稱之為組件；

步驟5，區(qū)分文字和背景雜質(zhì)：使用兩階段的卷積神經(jīng)網(wǎng)絡(luò)CNN來區(qū)分步驟4形成的組件中的文字和背景雜質(zhì)；兩階段的卷積神經(jīng)網(wǎng)絡(luò)CNN為一個包含兩個CNN的框架，其中第一個CNN用于將背景雜質(zhì)與類文字符號Symbol區(qū)分開來；第二個CNN用于將類文字符號Symbol細劃分為中文、英文以及標識符Sign，并去除其中的標識符Sign，使含有中文和英文的組件被保留下來；

步驟6，種子生長、聚類：將步驟5保留下來的中文和英文組件使用種子生法長Seed growing進行回溯尋找被錯誤過濾的組件；然后，將被錯誤過濾的組件通過聚類法形成組件串；

步驟7，用隨機森林進行文本識別：使用隨機森林法來判別步驟6中形成的組件串是否為文本，若判別后不是文本則將其進行過濾；若判別后為文本，則將其進行保留；這里被保留下來的組件串以及步驟5中保留下來的含有中文和英文的組件，即為輸出的最終多語言檢測結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的自然場景多語言文本檢測方法，其特征在于：步驟2中，當灰度圖片I為8位深度時，則該8位深度的灰度圖片I具有256個閾值，也即n＝256。

3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的自然場景多語言文本檢測方法，其特征在于：步驟3中，祖先與ER的屬性Level的差需要小于一個設(shè)定值，該設(shè)定值為11。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的自然場景多語言文本檢測方法，其特征在于：所述步驟4中，stable(q,q_c)小于相似度設(shè)定值，相似度設(shè)定值取值為0.3，當stable(q,q_c)小于0.3時，則判定為兩個LER重復(fù)。

5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的自然場景多語言文本檢測方法，其特征在于：步驟4中，二值化圖片在等比例縮放時的設(shè)定尺寸32x32。