CN110569708A - 文本检测方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种文本检测方法及装置、电子设备和存储介质，所述方法包括对图像执行文本检测处理，得到所述图像的预测文本区域；对所述预测文本区域对应的第一特征图执行处理，得到所述预测文本区域的预测掩码信息，所述预测掩码信息包含所述预测文本区域中多个像素点的掩码值，所述掩码值为大于或者等于零且小于或者等于1的数值；基于所述预测掩码信息包含的所述预测文本区域的多个像素点的掩码值，构建多面体，所述多面体包括与所述预测文本区域对应的底面以及与所述底面连接的多个倾斜侧面；基于所述多面体，得到所述图像的最终文本区域。本公开实施例可实现文本区域的精确检测。

Description

文本检测方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机视觉技术领域，尤其涉及一种文本检测方法及装置、电子设备和存储介质。

背景技术

图像文本识别在众多领域中都有所应用，例如交通标志识别、场景文字翻译、盲人辅助交互等"场景感知"情境，卡片信息识别、税务信息录入、病例数字存档等"表单识别"情境，学习笔记检索、视频信息查询等"媒体快速语义检索"情境，等等。目前的文字检测技术的精度需要进一步提高。

发明内容

本公开提出了一种文本检测的技术方案。

根据本公开的一方面，提供了一种文本检测方法，包括：对图像执行文本检测处理，得到所述图像的预测文本区域；对所述预测文本区域对应的第一特征图执行处理，得到所述预测文本区域的预测掩码信息，所述预测掩码信息包含所述预测文本区域中多个像素点的掩码值，所述掩码值为大于或者等于零且小于或者等于1的数值；基于所述预测掩码信息包含的所述预测文本区域的多个像素点的掩码值，构建多面体，所述多面体包括与所述预测文本区域对应的底面以及与所述底面连接的多个倾斜侧面；基于所述多面体，得到所述图像的最终文本区域。

在一些可能的实现方式中，基于所述多面体的多个倾斜侧面，确定所述图像的最终文本区域。

在一些可能的实施方式中，所述基于所述预测掩码信息包含的所述预测文本区域的多个像素点的掩码值，构建多面体，包括：以所述预测掩码信息包含的多个像素点中每个像素点的掩码值作为所述每个像素点对应的高度，构建多面体。

在一些可能的实施方式中，所述基于所述预测掩码信息包含的所述预测文本区域的多个像素点的掩码值，构建多面体，包括：基于所述预测文本区域的多个像素点中每个像素点在所述图像中的位置以及所述预测掩码信息中包含的所述每个像素点的掩码值，得到所述每个像素点的三维坐标；基于所述多个像素点中每个像素点的三维坐标，构建多面体。

在一些可能的实施方式中，所述基于所述预测掩码信息包含的所述预测文本区域的多个像素点的掩码值，构建多面体，包括：将所述预测文本区域的多个像素点中掩码值达到第一阈值的像素点作为正像素点；基于所述预测文本区域的多个正像素点的位置以及预设高度值，确定所述多面体的侧面顶点；基于所述预测文本区域和所述侧面顶点，构建所述多面体。

在一些可能的实施方式中，所述多面体为棱锥体。

在一些可能的实施方式中，所述基于所述多面体，得到所述图像的最终文本区域，包括：对所述多面体执行基于平面聚类的优化处理，得到优化后的多面体；基于优化后的多面体，得到所述图像的最终文本区域。

在一些可能的实施方式中，所述基于优化后的多面体，得到所述图像的最终文本区域，包括：基于所述优化后的多面体包含的多个侧面与所述多面体的底面的交集，得到所述图像的最终文本区域。

在一些可能的实施方式中，对所述多面体执行基于平面聚类的优化处理，得到优化后的多面体，包括：对所述预测掩码信息中包含的多个正像素点进行平面聚类，得到所述多个正像素点中每个正像素点所属的侧面；基于所述多个侧面中每个侧面包括的正像素点，对所述多个侧面进行迭代更新，得到优化后的多个侧面，其中，所述优化后的多面体包括所述优化后的多个侧面。

在一些可能的实施方式中，所述迭代更新的截止条件包括下列中的至少一种：所述迭代更新的次数达到第二阈值；所述多个正像素点与更新之后的多个侧面之间的距离满足预设条件。

在一些可能的实施方式中，所述基于所述多个侧面中每个侧面包括的正像素点，对所述多个侧面进行迭代更新包括：基于所述多个侧面中每个侧面包括的正像素点，通过最小二乘法对所述多个侧面进行迭代更新。

在一些可能的实施方式中，所述对图像执行文本检测处理，得到所述图像的预测文本区域，包括：对所述图像执行特征提取处理，得到所述图像的第二特征图；基于所述第二特征图，得到所述图像的所述预测文本区域。

在一些可能的实施方式中，所述方法还包括：基于所述预测文本区域在所述图像中的位置，确定所述第二特征图中与所述预测文本区域的位置对应的所述第一特征图。

在一些可能的实施方式中，所述方法应用于文本检测神经网络的训练，所述方法还包括：基于所述图像的真实文本区域的位置信息，确定所述真实文本区域的真实掩码信息；基于所述预测掩码信息和所述真实掩码信息，确定网络损失；基于所述网络损失，调整所述文本检测神经网络的网络参数。

在一些可能的实施方式中，所述基于所述图像的真实文本区域的位置信息，确定所述真实文本区域的真实掩码信息，包括：基于所述真实文本区域的边界位置，确定所述图像的文本区域中心；基于所述文本区域中心和所述真实文本区域中每个像素点的位置信息，得到所述每个像素点的真实掩码。

在一些可能的实施方式中，所述方法还包括：获取第一训练样本；对所述第一训练样本执行预处理，得到与所述第一训练样本对应的至少一个第二训练样本，其中，所述至少一个第二训练样本包含所述图像；所述预处理包括以下方式中的至少一种：水平翻转处理、缩放处理、抠取一部分图像区域。

根据本公开的第二方面，提供了一种文本检测装置，其包括：文本检测模块，其用于对图像执行文本检测处理，得到所述图像的预测文本区域；掩码预测模块，其用于对所述预测文本区域对应的第一特征图执行处理，得到所述预测文本区域的预测掩码信息，所述预测掩码信息包含所述预测文本区域中多个像素点的掩码值，所述掩码值为大于或者等于零且小于或者等于1的数值；构建模块，其用于基于所述预测掩码信息包含的所述预测文本区域的多个像素点的掩码值，构建多面体，所述多面体包括与所述预测文本区域对应的底面以及与所述底面连接的多个倾斜侧面；确定模块，其用于基于所述多面体，得到所述图像的最终文本区域。

在一些可能的实施方式中，所述构建模块还用于以所述预测掩码信息包含的多个像素点中每个像素点的掩码值作为所述每个像素点对应的高度，构建多面体。

在一些可能的实施方式中，所述构建模块还用于基于所述预测文本区域的多个像素点中每个像素点在所述图像中的位置以及所述预测掩码信息中包含的所述每个像素点的掩码值，得到所述每个像素点的三维坐标；基于所述多个像素点中每个像素点的三维坐标，构建多面体。

在一些可能的实施方式中，所述构建模块还用于将所述预测文本区域的多个像素点中掩码值达到第一阈值的像素点作为正像素点；基于所述预测文本区域的多个正像素点的位置以及预设高度值，确定所述多面体的侧面顶点；基于所述预测文本区域和所述侧面顶点，构建所述多面体。

在一些可能的实施方式中，所述多面体为棱锥体。

在一些可能的实施方式中，所述确定模块还用于对所述多面体执行基于平面聚类的优化处理，得到优化后的多面体；基于优化后的多面体，得到所述图像的最终文本区域。

在一些可能的实施方式中，确定模块还用于基于所述优化后的多面体包含的多个侧面与所述多面体的底面的交集，得到所述图像的最终文本区域。

在一些可能的实施方式中，所述确定模块还用于对所述预测掩码信息中包含的多个正像素点进行平面聚类，得到所述多个正像素点中每个正像素点所属的侧面；基于所述多个侧面中每个侧面包括的正像素点，对所述多个侧面进行迭代更新，得到优化后的多个侧面，其中，所述优化后的多面体包括所述优化后的多个侧面。

在一些可能的实施方式中，所述确定模块还用于通过下列方式中的至少一种确定满足迭代更新的截止条件：所述迭代更新的次数达到第二阈值；所述多个正像素点与更新之后的多个侧面之间的距离满足预设条件。

在一些可能的实施方式中，所述确定模块还用于基于所述多个侧面中每个侧面包括的正像素点，通过最小二乘法对所述多个侧面进行迭代更新。

在一些可能的实施方式中，所述文本检测模块还用于对所述图像执行特征提取处理，得到所述图像的第二特征图；基于所述第二特征图，得到所述图像的所述预测文本区域。

在一些可能的实施方式中，所述文本检测模块还用于基于所述预测文本区域在所述图像中的位置，确定所述第二特征图中与所述预测文本区域的位置对应的所述第一特征图。

在一些可能的实施方式中，所述装置中的文本检测模块和掩码预测模块构造为文本检测神经网络，所述装置还包括训练模块，其用于训练所述文本检测神经网络，所述训练模块还用于基于所述图像的真实文本区域的位置信息，确定所述真实文本区域的真实掩码信息；基于所述预测掩码信息和所述真实掩码信息，确定网络损失；基于所述网络损失，调整所述文本检测神经网络的网络参数。

在一些可能的实施方式中，所述训练模块还用于基于所述真实文本区域的边界位置，确定所述图像的文本区域中心；基于所述文本区域中心和所述真实文本区域中每个像素点的位置信息，得到所述每个像素点的真实掩码。

在一些可能的实施方式中，所述训练模块还用于获取第一训练样本；对所述第一训练样本执行预处理，得到与所述第一训练样本对应的至少一个第二训练样本，其中，所述至少一个第二训练样本包含所述图像；所述预处理包括以下方式中的至少一种：水平翻转处理、缩放处理、抠取一部分图像区域。

根据本公开的第三方面，提供了一种电子设备，其包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行第一方面中任意一项所述的方法。

根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现第一方面中任意一项所述的方法。

在本公开实施例中，通过对图像执行文本检测处理，得到图像中文本信息的预测文本区域，利用预测文本区域的特征信息可以得到关于预测文本区域的预存掩码信息，本公开实施例得到的预测掩码信息为0到1之间的数值，通过该预测掩码信息可以构建多面体，通过对多面体进行处理可以预测出最终的文本区域，其中，预测文本区域中存在背景区域和文本(文字)区域，通过构建多面体对预测文本区域执行优化得到最终文本区域，可以提高文本区域的检测精度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的文本检测方法的流程图；

图2示出根据本公开实施例的构建的多面体的示意图；

图3示出现有技术中与本公开实施例的文本检测方法得到的检测框的区别示意图；

图4示出根据本公开实施例获取图像的流程图；

图5示出根据本公开实施例得到预测文本区域的流程图；

图6示出根据本公开实施例得到预测文本区域的另一流程图；

图7示出根据本公开实施例的文本检测神经网络的结构示意图；

图8示出根据本公开实施例训练文本检测神经网络的流程图；

图9示出根据本公开实施例的文本检测方法中构建多面体的流程图；

图10示出根据本公开实施例的文本检测方法中得到所述图像的最终文本区域的流程图；

图11示出根据本公开实施例的文本检测方法中执行多面体的优化处理的流程图；

图12示出本公开实施例的多面体中聚类得到的多个侧面的俯视示意图；

图13示出根据本公开实施例的文本检测装置的框图；

图14示出根据本公开实施例的电子设备的框图；

图15示出根据本公开实施例另一电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

本公开实施例提供了一种文本检测方法，该方法可以用于对图像中的文本区域进行识别检测，本公开实施例的方法可以应用在任意的图像处理设备中，例如可以应用在能够执行图像处理的终端设备或服务器或其它处理设备中，其中，终端设备可以包括用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，或者本公开也可以应用在驾驶设备、飞行设备等电子设备中。在一些可能的实现方式中，该文本检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

另外，本公开实施例提供的文本检测方法可以应用在神经网络中，例如卷积神经网络中，通过神经网络执行图像的特征处理，得到图像中文本信息对应的最终文本区域。或者，在其他实施例中，也可以不通过神经网络实现，而是通过与本公开实施例对应的处理过程执行相应的算法，实现图像处理并得到图像中文本信息对应的最终文本区域。

请参见图1，图1示出了根据本公开实施例的文本检测方法的流程图。该方法可以应用于实际场景中的文本检测，也可以应用于用于文本检测的神经网络的训练，本公开实施例对此不做限定。

在S10，对图像执行文本检测处理，得到所述图像的预测文本区域。

在一些可能的实施方式中，图像可以为任意的包括文本信息的图像，其中文本信息可以包括文字、拼音、数字、英文、或者其他语言文本中的至少一种。其中，图像可以是通过手机、摄像头等图像采集设备实时采集的图像，或者也可以为从其他设备接收的图像，或者也可以为从图像处理设备的存储器中读取的图像，另外，图像可以为静态图像或视频帧图像，可以为原始图像，也可以是对原始图像执行预处理之后得到的图像，本公开对此不作具体限定。

在一些可能的实施方式中，可以对得到的图像执行文本检测处理，检测图像中的文本区域所在位置，得到预测文本区域，例如通过卷积神经网络对图像进行处理得到，如可以通过感兴趣区域(Regoin of Intrest，ROI)等手段得到该预测文本区域。其中，在一些示例中，将输出的限定框所限定的区域作为预测文本区域，该限定框可以为矩形框或其他形状，但本公开对此不作具体限定。

在S20，基于所述预测文本区域对应的第一特征图执行处理，得到所述预测文本区域的预测掩码信息，所述预测掩码信息包含所述预测文本区域中多个像素点的掩码值，所述掩码值为大于或者等于零且小于或者等于1的数值。

在一些可能的实施方式中，由于得到的预测文本区域中包括较多的背景信息，同时预测文本区域的形状和文本区域中文本信息的内容的形状没有任何关联，不管文本信息是如何的形状得到的预测文本区域均为矩形框，或者可能存在不属于文本区域的背景像素被错误地视为前景像素的情况，以及还存在检测的文本区域不精确的情况。为了进一步提高文本区域的检测精度本公开实施例可以基于预测文本区域得到与文本区域的形状匹配的最终文本区域。

其中，可以首先对预测文本区域对应的第一特征图执行处理，进一步得到与预测文本区域对应的预测掩码信息，该预测掩码信息可以包含预测文本区域内各像素点对应的掩码值，具体可以表示为掩码矩阵或掩码图或其他形式，但本公开实施例对此不做限定。其中预测掩码信息中的掩码值可以为[0,1]范围内的数值，相关技术中，得到掩码信息中对应的掩码值通常为0或1，本公开实施例通过生成[0,1]范围内的掩码值，可以表示预测文本区域中对应的像素点为文本信息的置信度，也可以表示像素点距离文本区域中心的距离的远近。例如，掩码值越高说明对应的像素点为文本信息的概率就越高，距离文本信息的中心的距离就越近，但本公开实施例不限于此。

在一些可能的实施方式中，可以通过至少一个卷积层对预测文本区域的第一特征图执行卷积处理和/或其他处理，得到上述预测掩码信息。其中，首先可以得到预测文本区域对应的第一特征图，例如可以对预测文本区域在所述图像中的图像区域执行特征提取，得到预测文本区域对应的第一特征图，或者，也可以对图像执行特征提取，得到图像的特征图，并将该特征图中与预测文本区域位置对应的区域确定为第一特征图。上述仅为示例性说明得到第一特征图的方式，不作为本公开的具体限定。其中特征提取可以通过特征提取网络实现，例如可以通过残差网络、金字塔网络等实现。

在一些可能的实施方式中，在得到预测文本区域的第一特征图的情况下，可以对该第一特征图执行特征处理，得到对应的预测掩码信息。其中可以通过掩码预测神经网络实现该预测掩码信息的获取，其中掩码预测神经网络可以包括多个卷积层。其中，可以对第一特征图执行至少一层卷积处理，得到相应的掩码特征图，即预测掩码信息，各卷积层的卷积核的大小以及参数可以为训练得到的参数。或者在一些实施例中，也可以结合空洞卷积和标准卷积(利用不存在空洞的卷积核执行卷积处理的方式)对第一特征图执行特征处理，得到预测掩码信息。例如，可以对第一特征图执行n层空洞卷积，而后再执行标准卷积，其中n为大于或者等于1的数值，如n可以为4，但不作为本公开的具体限定。其中，通过结合空洞卷积执行卷积处理可以扩大感受视野，提高掩码值精度。另外，在一些可能的实施方式中，在对第一特征图执行特征处理的过程中，包括对特征信息的上采样处理，本公开实施例可以将现有技术中使用的转置卷积层转换为双线性插值和卷积处理的方式实现，其中可以通过3*3的卷积核执行卷积处理，本公开对此不作具体限定。

在S30，基于所述预测掩码信息包含的所述预测文本区域的多个像素点的掩码值，构建多面体，所述多面体包括与所述预测文本区域对应的底面以及与所述底面连接的多个倾斜侧面。

在一些可能的实施方式中，由于预测文本区域中的像素点与预测掩码信息中的掩码值一一对应，因此，本公开实施例可以利用像素点的位置和掩码值构建多面体。其中，该多面体可以为棱锥体，或者也可以为棱台体，该多面体可以包括一底面，以及与底面连接的多个倾斜侧面，该多个倾斜侧面相交于一点时，多面体为棱锥体，该多个倾斜的平面的顶部构成一平面时，多面体为棱台。在一些可能的实施例中，底面可以构造为n边形，n为大于或者等于3的数值，下述实施例中以底面为四边形进行说明，但本公开对此不进行具体限制，其余边数的底面的原理相同，不再进行重复赘述。

在一些可能的实施方式中，可以将预测文本区域中的像素点对应的掩码值，作为像素点对应的高度，本公开实施例可以根据各高度值构建多面体。在一个示例中，可以确定各像素点对应的掩码值中最大的掩码值，在只存在一个像素点的掩码值为该最大掩码值的情况下，可以将该像素点的掩码值对应的高度确定为多面体顶点的高度，即可以将该像素点的最大掩码值对应的高度处的点作为多面体的顶点，同时将预测文本区域作为多面体的底面，从而可以确定多面体，此时多面体为多棱锥。或者，可以利用预测文本区域的中心位置的像素点对应的掩码值(高度)确定多面体的顶点，从而得到多面体。此时多面体也为多棱锥。例如，图2示出根据本公开实施例的构建的多面体的示意图，如图2所示，可以将预测文本区域的中心指定为多面体的顶点，并赋予理想掩码值score＝1，而预测文本区域的边界则作为多面体的下边缘，然后使用线性插值来填充多面体的每个三角形侧面。

在另一个示例中，可以确定各像素点对应的掩码值中最大的掩码值，在存在多个像素点的掩码值为该最大掩码值的情况下，可以利用该多个像素点的掩码值对应的高度确定为多面体顶面的高度，即可以利用该多个像素点的最大掩码值对应的高度处的点构建多面体的顶面，同时将预测文本区域作为多面体的底面，从而可以确定多面体，此时多面体为多棱台。

在一些可能的实施方式中，也可以利用预测掩码信息中包括的预测文本区域内各像素点的掩码值，构建针对各像素点的三维坐标，并利用各三维坐标构建多面体。具体原理与上述根据各像素点的高度确定多面体的原理相同。本公开实施例可以利用预测文本区域内各像素点的位置和对应的掩码值建立与各像素点对应的三维坐标值，从而可以将预测文本区域内各像素点转换为(x,y,z)的点集，其中该(x,y,z)可以为三维坐标系下的坐标形式，(x,y)表示该像素点在预测文本区域中的位置，z代表该像素点对应的掩码值。通过各像素点对应的三维坐标可以建立多面体，其中，可以将z值最大的像素点对应的三维坐标作为多面体的顶点，或者将z值最大的多个像素点对应的三维坐标构建的平面作为多面体的顶面，从而构建多棱锥或者多棱台形式的多面体。

上述仅为示例性说明基于像素点的掩码值确定多面体的实施例，在其他实施例中也可以通过其他方式构建多面体，如利用满足预设条件的像素点构建多面体，即从像素点中筛选出满足预设条件的正像素点，根据正像素点对应的掩码值或者预设的配置信息构建多面体。

在S40，基于所述多面体，得到所述图像的最终文本区域。

在一些可能的实施方式中，在得到多面体之后，可对多面体进行优化，通过该优化后的多面体的底面确定最终文本区域。

在一些可能的实现方式中，基于所述多面体的多个倾斜侧面，确定所述图像的最终文本区域。例如，对多面体的多个倾斜侧面进行优化处理，得到优化处理后的多个倾斜侧面，并基于优化处理后的多个倾斜侧面与多面体的底面的交集，得到图像的最终文本区域。

本公开实施例中得到的最终文本区域的形状与文本信息的形状相匹配，其中减少了检测到的文本区域内的背景信息，同时最终文本区域的形状和文本信息的形状匹配，通过本公开实施例得到的最终文本区域对应的检测框(底面边界)可以与文本信息所在区域的边界形状相匹配，相对于现有技术中的矩形框可以减少背景信息的干扰。

图3示出现有技术中与本公开实施例的文本检测方法得到的检测框的区别示意图，其中，A可以为通过现有技术处理得到的检测框A为矩形，或者A也可以为预测文本区域的表现形式，其中带阴影的部分为文本信息的部分，经过本公开提供的文本检测方法处理得到的最终文本区域B的形状与文本信息的形状匹配，而且其中包括较少的背景信息，同时检测精度更高。从图3中可以看出从左到右的检测框的宽度随着文本区域的高度变化而变窄，而且边框与文本信息相接近，也就是说，本公开实施例得到的最终文本区域可以更为准确的检测出文本区域的位置，而且可以减少背景像素区域的影响。

基于本公开实施例的配置，可以首先得到图像中与文本信息对应的预测文本区域，由于预测文本区域中存在背景区域和文本信息区域，通过对预测文本区域执行处理得到掩码特征信息，并进一步构建多面体以及得到最终文本区域，该配置可以减少背景区域的影响，同时提高文本区域的检测精度。另外，本公开实施例可以利用像素点以及对应的掩码值形成多面体，并对多面体执行处理最终得到文本信息对应的最终文本区域，该方法得到的最终文本区域的精确度更高。

下面对本公开实施例进行详细说明。首先在执行文本检测时，可以得到待执行文本检测的图像，而后对图像执行后续的文本检测。图4示出根据本公开实施例获取图像的流程图。其中，在对图像执行文本检测处理，得到所述图像的预测文本区域之前，可以获取图像，其中获取图像的步骤可以包括：

在S1，接收输入图像；

在一些可能的实施方式中，接收的输入图像可以为图像采集设备采集的图像，或者可以为从其他设备接收的图像，或者也可以为从存储器中读取的图像，本公开对此不作具体限定。只要包括文本信息的图像都可以作为本公开实施例的输入图像。

在S2，对所述输入图像执行第一预处理，得到所述图像，所述第一预处理包括对所述输入图像执行缩放处理，将所述输入图像转换成预设规格的图像。

在得到输入图像的情况下，可以对输入图像执行用于数据增强的第一预处理，其中，第一预处理可以包括将输入图像转换成预设规格的图像，从而得到与输入图像对应的待执行文本检测的图像。例如本公开实施例可以将输入图像缩放至宽高值为[640,2560]，但本公开对此不作具体限定，也可以转换为其余的宽高值。

在得到图像的情况下，可以执行图像中文本区域的检测，即得到图像中关于文本信息对应的预测文本区域。例如可以对图像执行特征提取处理，得到图像的特征，即第二特征图。在得到第二特征图的情况下，可以根据该第二特征图得到图像中文本信息对应的预测文本区域。

其中，本公开实施例得到预测文本区域的过程可以包括：对所述图像执行特征提取处理，得到第二特征图；对所述第二特征图执行至少一次文本检测处理，得到预测文本区域。

在一些可能的实施方式中，在得到图像的情况下，可以对图像执行特征提取处理，该特征提取处理可以通过特征提取网络执行，提取图像中的文本特征，得到第二特征图。其中特征提取网络可以为卷积神经网络，如可以为特征金字塔网络(FPN)网络，通过FPN可以得到多个尺度的第二特征图。或者在一些实施方式中，也可以通过残差网络 (ResNet)执行特征提取处理，通过将相同尺度的卷积层执行特征融合得到多个尺度的第二特征图。或者在一些实施方式中，也可以仅输出最后一层卷积层得到的特征图，作为所述第二特征图。也就是说，本公开实施例得到的第二特征图可以为一个也可以为多个，在得到多个第二特征图的情况下，该多个第二特征图的尺度不同。

在一些可能的实施方式中，可以直接基于第二特征图执行文本检测处理，得到图像中的文本信息对应的预测文本区域。例如，可以对第二特征图执行图像的分类处理，如将第二特征图输入至全连接层，或者经过卷积层处理后再输入至全连接层，得到与文本信息对应的预测文本区域，该预测文本区域中涵盖了文字区域和背景区域，其中背景区域是指文字区域以外的区域。

在一些可能的实施方式中，执行文本检测处理还可以包括为图像设置默认的候选区域，即锚点(Anchor)，该默认的候选区域为图像预先设置的候选区域。例如，可以采用特征增强RPN锚点(Anchor)技术，通过以下三个参数来量化Anchor：Anchor的基本尺度、Anchor所要搜索的特征图以及Anchor的长宽比。

通过神经网络对图像的第二特征图进行处理可以得到默认候选区域的位置偏差，该位置偏差表示默认的候选区域相对于文本信息对应的预测文本区域之间的位置偏差，基于该位置偏差可以对应的调整默认的候选区域，从而得到相应的预测文本区域。其中，得到位置偏差也可以通过对第二特征图执行全连接处理或者在经过卷积层处理后在输入至全连接层，得到针对每个默认候选区域的位置偏差，进而对默认候选区域进行移动得到对应的预测文本区域。

在一些可能的实施方式中，在第二特征图为多个，或者默认候选区域为多个的情况下，得到的预测文本区域也对应的为多个，本公开实施例还可以对该多个预测文本区域执行后处理，选择出一个预测文本区域。该被选择出的预测文本区域精度较高。后处理可以包括选择出置信度最高的预测文本区域，或者经过非极大值抑制(NMS)处理，再选择出置信度最高的预测文本区域。

如上所述，可以对第二特征图执行一次文本检测处理，得到预测文本区域。其中图5 示出根据本公开实施例得到预测文本区域的流程图，其中所述对图像执行文本检测处理，得到所述图像的预测文本区域，包括：

在S101，配置默认候选区域，并对所述第一特征图执行卷积处理和全连接处理得到所述默认候选区域对应的位置偏差；

在S102，基于所述位置偏差，调整对应的默认候选区域，得到与所述默认候选区域对应的预测文本区域。

在一些可能的实施方式，可以根据预先的配置信息配置默认的候选区域，其中可以通过三个参数来量化默认候选区域Anchor，该三个参数包括Anchor的基本尺度，Anchor所要搜索的特征图feature map以及Anchor的长宽比。其中，可以设置Anchor的基本尺度为4×4，Anchor的长宽比可以为{0.17，0.44，1.13，2.90，7.46}中的至少一个，以及Anchor 所要搜索的特征图可以为第二特征图。上述参数仅为示例性说明，在其他实施例中也可以采用其他参数值量化默认候选区域。

其中，在一些实施方式中，可以为区域中的每个像素点配置至少一个默认候选区域，通过将第二特征图输入至卷积层和全连接层执行卷积处理和全连接处理，可以得到针对各像素点的每个默认候选区域的位置偏差，该位置偏差表示默认候选区域与预测文本区域之间的位置偏移量，通过得到的位置偏差可以调节相应的默认候选区域的位置，进而基于调节位置后的默认候选区域得到对应的预测文本区域。对于不同的第二特征图、不同尺度的默认候选区域可以得到不同的预测文本区域，也就是说，本公开实施例可以通过该方式得到多个预测文本区域。其中可以通过NMS算法或者比较置信阈值的方式选择出最精确的预测文本区域。

例如，以宽高比为0.17的默认候选区域作为示例，对第二特征图执行卷积和全连接处理，得到图像中每个像素点的默认候选区域对应的位置偏差，每个像素点对应的位置偏差，调整该像素点的默认候选区域的位置，基于每个像素点对相应的默认候选区域执行位置调整后，得到的候选区域位置的集合作为该0.17尺度的默认候选区域对应的预测文本区域，同时神经网络还可以得到该预测文本区域的置信度。依次类推本公开实施例可以得到其他宽高比的默认候选区域对应的预测文本区域，或者其他尺度的第一特征图在不同宽高比的默认候选区域条件下得到的预测文本区域，本公开实施例可以通过NMS算法或者比较置信阈值的方式选择出最精确的预测文本区域。

基于上述配置可以根据默认的候选区域对应的位置偏差得到预测文本区域，提高检测框的检测精度。

在另一些实施例方式，还可以根据图5实施例的检测结果进一步优化，得到更为精确的预测文本区域，即可以执行多次文本检测处理，前一次的文本检测处理得到的预测文本区域被作为下一次文本检测处理的默认候选区域，进而不断的优化得到精确度更高的预测文本区域，以两次文本检测处理为例，图6示出根据本公开实施例得到预测文本区域的另一流程图，其中，对图像执行文本检测处理，得到所述图像的预测文本区域，包括：

在S1001：配置默认候选区域，并对图像的第二特征图执行第一卷积处理和第一全连接处理得到所述默认候选区域对应的第一位置偏差，即通过第一次文本检测处理得到默认候选区域相对于预测文本区域的位置偏差；

在S1002：基于所述第一位置偏差，调整对应的默认候选区域，得到与默认候选区域对应的第一预测文本区域；

在S1003：以第一预测文本区域为默认候选区域，并对图像的第二特征图执行第二卷积处理和第二全连接处理，得到与所述第一预测文本区域对应的第二位置偏差；即通过第二次文本检测处理得到第一预测文本区域相对于预测文本区域的位置偏差；

在S1004：基于所述第二位置偏差，调整对应的第一预测文本区域，得到所述预测文本区域。

其中步骤S1001-S1002与上述步骤S101-S102的过程相同，即可以通过配置的默认候选区域得到第一预测文本区域(如图5实施例中的预测文本区域)，其中，可以对第二特征图执行第一卷积处理和第一全连接处理，得到每个像素点对应的各默认候选区域的第一位置偏差，通过该第一位置偏差调整相应的候选区域，从而得到对应的第一预测文本区域。

进一步地，本公开实施例可以针对得到的第一预测文本区域进行进一步的优化，得到第一预测文本区域对应的第二位置偏差。其中，同样可以基于第一预测文本区域对应的特征图执行第二卷积处理和第二全连接处理，得到与该第三检测框对应的第二位置偏差。基于第二位置偏差调整相应第三检测框，从而可以得到预测文本区域。

即本公开实施例可以通过进一步的优化处理，得到精确度较高的预测文本区域。

在得到预测文本区域的情况下，可以执行S20得到预测文本区域对应的掩码特征信息，例如，可以通过掩码预测网络(如Mask RCNN网络)对预测文本区域的第一特征图进行处理，得到与预测文本区域对应的掩码特征信息。在一个示例中，可以将预测文本区域在图像中的位置信息以及图像的第二特征图输入至掩码预测网络，从而掩码预测网络基于预测文本区域的位置信息从第二特征图中确定与预测文本区域对应的第一特征图，进而执行第一特征图的处理操作，得到与预测文本区域对应的掩码特征信息。或者，在另一个示例中，也可以直接将预测文本区域在图像中对应的图像区域输入至掩码预测网络，通过掩码预测网络对预测文本区域执行特征提取，得到第一特征图，而后执行第一特征图的处理操作，得到与预测文本区域对应的掩码特征信息。或者，在另一示例中，也可以直接将上述文本检测处理过程中得到的预测文本区域对应的特征图作为第一特征图，输入至掩码预测网络，而后执行第一特征图的处理操作，得到与预测文本区域对应的掩码特征信息。上述仅为示例性说明，在其他实施例中也可以通过其他方式得到预测文本区域的第一特征图，并基于对第一特征图进行特征处理，得到预测文本区域对应的预测掩码信息。

本公开实施例中，不同于其他Mask RCNN网络得到由0或1组成的掩码图，其中1表示检测对象所在的区域，0表示检测对象以外的区域，本公开实施例通过对Mask RCNN 网络进行训练使得该Mask RCNN输出的掩码特征图中的元素(掩码值)可以为预测文本区域内像素点为文本信息所在区域的置信度，同时该掩码值也表示对应的像素点与文本区域的边界之间的距离的远近，掩码值由[0,1]范围内的数值构成，也就是说，本公开实施例得到的掩码图中的掩码值为[0,1]范围内的数值。

在一些可能的实施方式中，在训练Mask CRNN网络或者训练执行本公开实施例的文本检测神经网络时，可以根据像素点与真实文本区域的边界之间的距离确定上述像素点对应的真实掩码值。通过该真实掩码值作为监督，对Mask CRNN进行监督训练。本公开实施例的文本检测方法可以应用在文本检测神经网中，如图7所示，图7示出根据本公开实施例的文本检测神经网络的结构示意图。其中，本公开实施例的文本检测网络可以包括对图像进行特征提取的特征提取网络，以及可以包括基于特征提取网络得到的特征信息执行图像内的文本区域检测的文本区域预测网络，如上述实施例所述，本公开实施例可以执行至少一次文本检测处理，图7示出的实施例中执行了2次文本检测处理，其中，在特征提取网络执行特征提取之后，执行一次文本检测处理，得到第一预测文本区域，而后利用文本检测分支(Bbox-Branch)基于第一预测文本区域得到最终的预测文本区域。再通过掩码预测分支(Mask Branch)执行预测文本区域的掩码预测，得到预测掩码信息。

在一些实施例中，通过以下方式确定Anchor。首先，基于对数据增强后的ground-truth

边界框高度和宽度的统计，得到其5％和95％分位点的两个数值，然后在这两个分位点之间等比例插入三个值，来形成最终的长宽比列表。

下面简要说明文本检测神经网络的训练过程，本公开实施例的上述图像可以为训练网络使用的训练样本，也可以为实际应用时待执行文本检测的图像。基于此，以图像为训练样本为例，对训练文本检测神经网络的过程进行描述。图8示出根据本公开实施例训练文本检测神经网络的流程图。其中训练所述文本检测神经网络的步骤包括：

在S501，基于所述图像的真实文本区域的位置信息，确定所述真实文本区域的真实掩码信息；

在一些可能的实施方式中，本公开实施例在得到图像的情况下，可以确定该图像中真实文本区域，其中可以采用人工标注的方式确定图像中的真实文本区域，例如通过检测针对图像的框选操作得到图像中文本信息对应的真实文本区域，在其他实施例中也可以通过其他方式标注真实文本区域，本公开对此不作具体限定。

在得到真实文本区域的情况下，即可以得到对应的真实掩码信息。本公开实施例真实掩码信息与真实文本区域内的像素点和真实文本区域的边界之间的距离相关。

其中，如上所述，本公开实施例各像素点对应的掩码值与像素点和文本区域的边界之间的距离相关。在对文本检测网络进行训练时，可以利用真实文本区域中各像素点的位置与真实文本区域之间的距离确定真实掩码值。

其中基于所述图像的真实文本区域的位置信息，确定所述真实文本区域的真实掩码信息，可以包括：基于真实文本区域的边界位置，确定所述图像的文本区域中心；基于所述文本区域中心和所述真实文本区域中每个像素点的位置信息，得到所述每个像素点的真实掩码。

在一些可能的实施方式中，在训练优化文本检测神经网络时，可以确定真实文本区域的文本区域中心，例如可以将真实文本区域中各像素点的位置求取平均得到文本区域中心，或者可以基于真实文本区域的边界形成的图形，得到该真实文本区域的中心，假设真实文本区域为四边形，给定四边形的四个角点(真实文本区域的边界的四个顶点) 的位置坐标WieA(x_a，y_a)，B(x_b，y_b)，C(x_c，y_c)，D(x_d，y_d)，真实文本区域的文本区域中心的位置坐标为O(x_o，y_o)可以通过四个角点来得到：

另外，在得到文本区域中心的情况下，可以将真实文本区域划分成多个子区域，每个子区域构造为一个三角形，例如可以得到对于每个子区域R_OMN∈{R_OAB，R_OBC，R_OCD，R_ODA}(R_OMN代表两条射线OM和ON之间的区域)，每个子区域中的像素点P对应的向量能够被唯一的分解：

其中，

对应的分解系数α和β可以通过下式求解：像素点 P所属的区域R需要满足下述条件：α≥0andβ≥0，因此对应的P点的真实掩码值score_p的公式为：score_p＝max(1-(α+β)，0)。通过上述方式即可以得到真实文本区域内各像素点对应的真实掩码信息。

在S502，基于所述预测掩码信息和所述真实掩码信息，确定网络损失；

在得到真实掩码信息以及预测掩码信息的情况下，即可以得到网络损失，例如可以根据利用各像素点的真实掩码值和预测掩码值之间的差的加和得到网络损失。

或者，在另一些实施例中，网络损失可以基于各个部分的检测结果的损失确定。本公开实施例中，每个图像可以对应有相应的真实特征图、文本区域的真实掩码信息以及真实文本区域，通过上述图像的第二特征图与真实特征之间的损失、预测文本区域与真实文本区域之间的损失以及预测掩码信息和真实掩码信息之间的损失，得到网络损失。其中网络损失可以为各损失的加权和。以执行两次文本检测处理得到第一预测文本区域和第二预测文本区域为例，该网络损失的表达式可以为：

L＝L_rpn+λ₁L_cls+λ₂L_box+λ₃L_{pyramid_mask}；

其中，L表示网络损失，L_rpn表示第二特征图与真实特征图之间的损失，L_cls表示第一预测文本区域与真实文本区域之间的分类损失，L_box表示预测文本和真实文本区域之间的定位损失，以及L_{pyramid_mask}表示预测掩码信息和真实掩码信息之间的掩码损失，各损失的系数为相应的权值。

在S503，基于所述网络损失，调整所述文本检测神经网络的网络参数。

通过上述方式可以得到网络损失，在网络损失小于损失阈值的情况下，可以确定满足训练要求，此时可以终止训练，反之，在网络损失大于或者等于损失阈值的情况下，可以反馈调整文本检测神经网络的参数，如卷积参数、卷积核大小等，直至网络损失小于损失阈值。

在一些实施例中，采用在线困难样本挖掘(Online Hard Example Mining，OHEM)方法来学习困难样本。例如，首先将RPN提供的所有样本，按分类loss与定位loss之和的降序排列，然后仅选择前特定数量(例如512)个困难样本来更新网络参数。

使用这种pyramid Label进行的网络训练，可以缓解像素误标注的问题。以边界附近的背景像素为例。通过以上方法中，即便它被错误地视为前景，但它的ground truth仍然接近于0，而在其他基于Mask R-CNN的方法中，该像素将会被标记为1。

在一些实施例中，为了增强模型对于具有不同尺度和长宽比的文字实例的泛化能力，我们使用数据增强来扩充场景文本数据集。在以图像为训练样本训练文本检测网络的情况下，该图像可以为基于第二训练样本的预处理得到的。例如本公开实施例中获得训练文本检测神经网络的训练样本的步骤可以包括：获取第一训练样本；对所述第一训练样本执行预处理，得到与所述第一训练样本对应的至少一个第二训练样本，其中，所述至少一个第二训练样本包含所述图像；所述预处理包括以下方式中的至少一种：水平翻转处理、缩放处理、抠取一部分图像区域。

其中，第一训练样本中包括至少一个训练图像，对第一训练样本执行预处理可以得到相应的第二训练样本，上述图像即可以包括在该第二训练样本中。其中预处理可以包括以下方式中的至少一种：水平翻转所述第一训练样本、对所述第一训练样本执行缩放处理、在所述第一训练样本中选择至少一部分图像区域。

例如本公开实施例可以从第一训练样本集中选择出一半的训练图像执行水平翻转操作，例如以0.5的概率随机水平翻转图片，其中选择的训练图像的数量或者概率也可以为其他数值，选择图像的方式可以为随机选择。

或者，本公开实施例也可以将至少一训练图像执行缩放处理，例如随机的选择出至少一个训练图像，将选择的训练图像缩放为宽高值为[640,2560]，不再保持原始长宽比。

或者，本公开实施例也可以在至少一个训练图像中裁剪出部分图像区域，例如可以随机的选择出至少一个训练图像，在选择的训练图像中裁剪一个640×640的区域。

通过上述方式可以使得得到的第二训练样本中的图像的类型、数量、内容更加丰富，起到数据增强的效果，经过训练可以提高网络的检测精度。

基于上述，通过本公开实施例的文本检测神经网络得到的掩码值score可以为[0,1]范围内的数值，对于文本区域的中心对应的掩码值可以为1。在训练期间，通过上述方式执行掩码值的监督是合理的。如果一个像素点位于文本信息的中心附近，则其感受野将会充满正样例的像素，理应得到一个更高的分数。然而对处于边界附近的像素来说，其感受野将会包含很多背景信息，因此这些像素的分数应该接近0。从这个角度来说，较大的感受野对于获得更精确的结果是至关重要的。因此，本公开实施例预测掩码信息的过程中，可以把前四个卷积层替换为膨胀系数dilation＝2的空洞卷积，以便扩大感受野。如上述实施例所述，可以通过掩码预测神经网络(如Mask RCNN)实现该预测掩码信息的获取，其中掩码预测神经网络可以包括多个卷积层。其中，可以对第一特征图执行至少一层卷积处理，得到相应的掩码特征图，即预测掩码信息，各卷积层的卷积核的大小以及参数可以为训练得到的参数。或者在一些实施例中，也可以结合空洞卷积和标准卷积(利用不存在空洞的卷积核执行卷积处理的方式)对第一特征图执行特征处理，得到预测掩码信息。例如，可以对第一特征图执行n层空洞卷积，而后再执行标准卷积，其中n为大于或者等于1的数值，如n可以为4，但不作为本公开的具体限定。其中，通过结合空洞卷积执行卷积处理可以扩大感受视野，提高掩码值精度。另外，在一些可能的实施方式中，在对第一特征图执行特征处理的过程中，包括对特征信息的上采样处理，本公开实施例可以将现有技术中使用的转置卷积层转换为双线性插值和卷积处理的方式实现，其中可以通过3*3的卷积核执行卷积处理，本公开对此不作具体限定。

在应用过程中，得到预测文本区域对应的掩码特征信息的情况下，可以根据该掩码特征信息构建多面体，即可以执行步骤S30。如上述实施例可以根据文本区域内各像素点对应的掩码值作为像素点的高度，来构建多面体，或者可以基于文本区域内各像素点的位置以及对应的掩码值，形成三维坐标，从而构建多面体。本公开实施例还可以从像素点中确定满足预设条件的正像素点，通过正像素点确定多面体的定点或者顶面，从而构建多面体。图9示出根据本公开实施例的文本检测方法中构建多面体的流程图。其中，基于所述预测掩码信息包含的所述预测文本区域的多个像素点的掩码值，构建多面体，包括：

在S301：将所述预测文本区域的多个像素点中掩码值达到第一阈值的像素点作为正像素点；

在一些可能的实施方式中，如上所述，得到的预测文本区域中各像素点对应的掩码值可以为0到1范围内的数值，本公开实施例可以从中选择出掩码值大于第一阈值的像素点，并将该掩码值大于第一阈值的像素点确定为正像素点。其中，第一阈值可以为小于0.5的数值，如可以为0.01，但本公开对此不作具体限定。通过选择掩码值较大正像素点，可以在不影响多面体的构建的情况下减少后续聚类过程中像素点的数量，加快多面体的优化速度。

在S302，基于所述预测文本区域的多个正像素点的位置以及预设高度值，确定所述多面体的侧面顶点；

在一些可能的实施方式中，利用得到的多个正像素点的位置确定该多个正像素点对应的中心位置，其中正像素点的位置可以表示为(x，y)，通过各正像素点的位置均值可以得到中心位置的坐标，即分别求取各正像素点的x坐标值的均值，以及y坐标值的均值，得到中心位置的坐标。同时，本公开实施例可以设定中心位置对应的高度设定为预设高度，例如该预设高度可以为1。通过该中心位置的预设高度处对应的空间点可以作为多面体的侧面顶点。此时由于中心位置为一个点，对应的顶点为一个。

在一些可能的实施例中，在得到多个正像素点的情况下，还可以得到该多个正像素点中掩码值大于第三阈值的正像素点，其中第三阈值大于第一阈值，如可以为大于0.5的数值，本公开实施例中第三阈值可以为0.8，但不作为本公开的具体限定。在得到掩码值大于第三阈值的正像素点(下述简称为第一像素点)时，可以将该多个第一正像素点的高度设定为预设高度，例如为1，此时根据第一正像素点在预设高度处形成的平面，可以作为侧面顶点。

在S303，基于所述预测文本区域和所述侧面顶点，构建所述多面体。

在一些可能的实施方式中，在得到侧面顶点的情况下，可以将预测文本区域作为多面体的底面，将底面的各顶点与相应的侧面顶点连接，即可以得到多面体。

其中，在侧面顶点为基于正像素点的中心位置确定的情况下，可以将底面的各个顶点(顶角点)与侧面顶点连接，得到棱锥体形式的多面体，例如，在预测文本区域为矩形或者四边形的情况下，得到的多面体为四棱锥。

另外，在侧面顶点为基于掩码值大于第三阈值的正像素点确定的情况下，可以将底面的各个顶点与侧面顶点构成的平面连接，得到多棱台形式的多面体，例如，在预测文本区域为矩形或者四边形的情况下，得到的多面体为四棱台。

上述仅为示例性说明，在其他实施例中，也可以通过其他方式得到多面体。另外，本公开实施例通过构建多面体执行文本信息所在区域的检测，可以得到适应于文本信息的区域形状的最终文本区域。

本公开实施例在得到多面体之后，可以利用该多面体得到最终文本区域，其中可以对该多面体的平面进行优化，图10示出根据本公开实施例的文本检测方法中得到所述图像的最终文本区域的流程图。其中，对所述基于所述多面体，得到所述图像的最终文本区域，包括：

在S401，对所述多面体执行基于平面聚类的优化处理，得到优化后的多面体；

在一些可能的实施方式中，在得到与预测文本区域对应的多面体之后，可以对多面体的平面进行优化处理。其中，可以对多面体的各个侧面执行平面聚类处理，不断的优化各侧面，最终得到优化后的多面体。其中，平面聚类处理可以为基于最小二乘法的平面聚类处理，但不作为本公开实施例的具体限定，在其他实施例中也可以通过其他平面聚类算法执行多面体的优化。

在S402，基于优化后的多面体，得到所述图像的最终文本区域。

在一些可能的实施方式中，在对多面体的各个侧面执行平面聚类优化之后，基于侧面的不断优化，多面体底面的边界形状也随之改变，通过优化处理使得底面的边界不断接近文字信息的区域边界，在执行多面体的优化处理后，即可以基于该优化后的多面体的底面区域确定最终文本区域，即可以基于优化后的多面体包含的多个侧面与所述多面体的底面的交集，得到图像的最终文本区域。

图11示出根据本公开实施例的文本检测方法中执行多面体的优化处理的流程图，其中所述对所述多面体执行基于平面聚类的优化处理，得到优化后的多面体可以包括：

在S4011，对所述预测掩码信息中包含的多个正像素点进行平面聚类，得到所述多个正像素点中每个正像素点所属的侧面；

在S4022，基于所述多个侧面中每个侧面包括的正像素点，对所述多个侧面进行迭代更新，得到优化后的多个侧面，其中，所述优化后的多面体包括所述优化后的多个侧面。

如上所述预测文本区域的各像素点可以构造为(x,y,z)的点集，本公开实施例可以将基准平面表示为平面z＝0，而多面体的中的每个面可以由方程Ax+By+Cz+D＝0，C＝1唯一确定。因此，本公开对多面体进行优化的任务可以规约为：找到每个平面的最佳参数 {A,B,D}。

本公开实施例可以通过预测文本区域中的正像素点执行多面体的优化处理，该正像素点即为掩码值大于第一阈值的像素点。对应的基于正像素点点对多面体执行平面聚类优化的步骤可以包括分组和更新，分组包括将预测文本区域的每个正像素点对应的三维坐标点(x,y,z)分配到距离最近的侧面中，即可以得到每个正像素点所属的侧面。

其中，本公开实施例可以基于各正像素点的中心位置将正像素点对应的三维坐标分配给相应的多面体侧面，其中，本公开实施例可以基于正像素点的中心位置在底面上形成多面体侧面对应的俯视区域。正像素点的中心位置可以根据正像素点的位置坐标(x， y)的均值得到，进而基于底面的顶点与中心位置的连线得到多个底面分区，每个底面分区构造为对应的侧面的俯视区域，如图12示出本公开实施例的多面体的俯视示意图。其中，以预测文本区域为四边形为例进行说明，其中阴影区域表示正像点构成的区域，通过中心位置与预测文本区域的四个顶点可以将底面(预测文本区域)划分成多个底面区域a、b、c和d。该多个底面区域可以分别为相应的侧面的俯视区域。对应的，可以将该底面区域分组给对应的侧面，从而确定每个正像素点所属的侧面，例如可以确定底面区域a为侧面S1的俯视区域，即确定底面区域a内的正像素点对应的三维坐标点所属的侧面为S1对应的侧面，确定底面区域b为侧面S2的俯视区域，即确定底面区域b内的正像素点对应的三维坐标点所属的侧面为S2对应的侧面，确定底面区域c为侧面S3的俯视区域，即确定底面区域c内的正像素点对应的三维坐标点所属的侧面为S3对应的侧面，以及确定底面区域d为侧面S4的俯视区域，即确定底面区域d内的正像素点对应的三维坐标点所属的侧面为S4对应的侧面。也就是说，本公开实施例，可以根据正像素点的中心位置以及多面体的底面边界确定底面内各正像素点的三维坐标点对应的分组侧面。

更新可以包括通过鲁棒最小二乘算法(RLS)分别回归各个侧面，使得与每个侧面对应的正像素点对应的三维坐标与相应的侧面之间的距离之和最小。即通过每个侧面对应的正像素点，可以执行相应平面的拟合得到新的侧面。在得到新的侧面之后同时得到新的底面，进而可以重新确定新的底面中各正像素点的中心位置，并对正像素点进行分组(确定所属的侧面)，而后执行侧面的更新，如此通过反复的迭代分组和更新过程，最终得到优化的多面体。其中，迭代分组和更新的截止条件可以包括以下方式中的至少一种：所述迭代更新的次数达到第二阈值，以及所述多个正像素点与更新之后的多个侧面之间的距离满足预设条件。

也就是说，本公开实施例可以通过迭代的次数确定多面体的优化是否满足截止条件，如迭代次数可以为10次，或者在其他实施例中，迭代次数也可以为其他值，本公开不作具体限定。或者，在其他实施例中，在RLS返回的回归残差足够小时，便获得最终的优化的多面体。其中，在对第n次优化得到的多面体执行优化时，第n-1次优化得到的多面体的底面中的正像点的三维坐标与第n次优化得到的多面体对应侧面之间的距离之和小于距离阈值，此时可以确定第n-1次优化得到的多面体的底面中的正像点与更新之后的第 n次优化得到的多面体的多个侧面之间的距离满足预设条件，此时可以终止优化。其中n 表示优化次数，n为大于1的整数值。本公开实施例中，最大迭代次数(第二阈值)和残余阈值(距离阈值)分别被设定为10和1e-4，但不作为本公开的具体限定。

在对多面体执行优化后，可以根据优化后的多面体的底面与侧面之间的交集确定最终的文本区域。以图3为示例，多面体的优化过程中，可以从文本区域A优化为文本区域B，得到更适配于文本信息的形状且精度更高的文本区域。

本公开实施例借助于更具信息的文本区域检测，利用整个文本区域以及对应的标签值(掩码值)的信息来回归最适合的多面体。由于最终文本区域是从支撑平面(侧面) 而不是边界像素获得的，因此对于不精确的边界框更加鲁棒，并且能够回归出更精确的文本边界。

为了更清楚的体现本公开实施例，下面结合图7举例说明本公开实施例的文本检测过程。如图7所示，可以将图像M输入到特征提取网络，得到图像M的第二特征图，并根据第二特征图得到文本区域对应的第一预测文本区域(ROIAlign，候选框)，将该第一预测文本区域输入到文本框检测分支(Bbox-Branch)中，执行第二次文本区域检测，即执行检测框的卷积和全连接处理，得到预测文本区域。而后将预测文本区域的第一特征图输入到掩码预测分支(Mask Branch)，执行掩码信息的预测，得到文本区域对应的预测掩码信息，构建三维坐标系，得到预测文本区域内相应像素点的三维坐标(可以作为软文本掩码标签softtext mask)，通过得到的三维坐标构建多面体(如四棱锥)，并利用平面聚类处理(planeclustering)(包括线性插值和最小二乘法)得到最终的优化的多面体，基于优化的多面体的底面和侧面之间的交集确定最终文本区域。

在此需要说明的是，针对图7示出的文本检测网络，在训练过程中，可以将特征提取网络输出的第一预测文本区域输入至掩码预测网络分支执行文本区域的掩码预测，并基于最终得到的网络损失反馈优化各个网络部分的参数。在应用的过程中，可以将执行第二次或者最后一次文本检测得到的预测文本区域输入至掩码预测网络，得到预测文本区域对应的预测掩码信息。通过该方式可以提高应用过程中预测文本区域的精度和掩码预测的精度。

综上所述，在本公开实施例中，通过对图像执行文本检测处理，得到图像中文本信息的预测文本区域，利用预测文本区域的特征信息可以得到关于预测文本区域的预存掩码信息，本公开实施例得到的预测掩码信息为0到1之间的数值，通过该预测掩码信息可以构建多面体，通过对多面体进行处理可以预测出最终的文本区域，其中，预测文本区域中存在背景区域和文本(文字)区域，通过构建多面体对预测文本区域执行优化得到最终文本区域，可以减少背景区域的影响，同时提高文本区域的检测精度。

在训练阶段，不同于其他基于方法中将文字区域转化为像素级的二元分类标签，在本公开实施例中，在文本区域和背景区域之间执行“软”语义分割。为文本实例中的每个像素分配soft pyramid label(即区间[0,1]内的实数值)，具体的数值由像素到文本框边界的距离而定。这样就能把文本框的形状和逐像素的位置信息隐式地编码到训练数据中。在训练期间，通过拟合这样的soft pyramid label，模型自然地学习到了文本实例的四边形属性。此外，引入位置相关的语义标签，可以削弱文本框边界区域误标注所带来的影响。

在应用阶段，通过将逐像素的预测掩码扩展为坐标系的z轴，把预测的2D textmask 重新解释为一个3D散点集合。之后，通过平面聚类(Plane Clustering)算法，可以从这些3D散点中重建出一个“金字塔”。具体而言，在对金字塔的四个支撑平面进行初始化之后，Plane Clustering算法迭代地进行“分组”和“更新”两个步骤。在“分组”步骤中，将每个散点划分到距离最近的支撑平面中，然后在“更新”步骤，通过聚簇的点集来更新四个支撑平面。当获得足够精确的金字塔后，其底边构成最终输出的text box。由于回归参数源于具有梯度信息的支撑平面而非边界像素，错误传播的问题能够被一定程度的削弱，文本框的边界也能够被更准确的预测。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了文本检测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种文本检测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图13示出根据本公开实施例的文本检测装置的框图，如图13所示，所述文本检测装置包括：文本检测模块10，其用于对图像执行文本检测处理，得到所述图像的预测文本区域；掩码预测模块20，其用于对所述预测文本区域对应的第一特征图执行处理，得到所述预测文本区域的预测掩码信息，所述预测掩码信息包含所述预测文本区域中多个像素点的掩码值，所述掩码值为大于或者等于零且小于或者等于1的数值；构建模块30，其用于基于所述预测掩码信息包含的所述预测文本区域的多个像素点的掩码值，构建多面体，所述多面体包括与所述预测文本区域对应的底面以及与所述底面连接的多个倾斜侧面；确定模块40，其用于基于所述多面体，得到所述图像的最终文本区域。

在一些可能的实施方式中，所述构建模块还用于以所述预测掩码信息包含的多个像素点中每个像素点的掩码值作为所述每个像素点对应的高度，构建多面体。

在一些可能的实施方式中，所述构建模块还用于基于所述预测文本区域的多个像素点中每个像素点在所述图像中的位置以及所述预测掩码信息中包含的所述每个像素点的掩码值，得到所述每个像素点的三维坐标；基于所述多个像素点中每个像素点的三维坐标，构建多面体。

在一些可能的实施方式中，所述构建模块还用于将所述预测文本区域的多个像素点中掩码值达到第一阈值的像素点作为正像素点；

基于所述预测文本区域的多个正像素点的位置以及预设高度值，确定所述多面体的侧面顶点；基于所述预测文本区域和所述侧面顶点，构建所述多面体。

在一些可能的实施方式中，所述多面体为棱锥体。

在一些可能的实施方式中，所述确定模块还用于对所述多面体执行基于平面聚类的优化处理，得到优化后的多面体；基于优化后的多面体，得到所述图像的最终文本区域。

在一些可能的实施方式中，确定模块还用于基于所述优化后的多面体包含的多个侧面与所述多面体的底面的交集，得到所述图像的最终文本区域。

在一些可能的实施方式中，所述确定模块还用于对所述预测掩码信息中包含的多个正像素点进行平面聚类，得到所述多个正像素点中每个正像素点所属的侧面；基于所述多个侧面中每个侧面包括的正像素点，对所述多个侧面进行迭代更新，得到优化后的多个侧面，其中，所述优化后的多面体包括所述优化后的多个侧面。

在一些可能的实施方式中，所述确定模块还用于通过下列方式中的至少一种确定满足迭代更新的截止条件：所述迭代更新的次数达到第二阈值；所述多个正像素点与更新之后的多个侧面之间的距离满足预设条件。

在一些可能的实施方式中，所述确定模块还用于基于所述多个侧面中每个侧面包括的正像素点，通过最小二乘法对所述多个侧面进行迭代更新。

在一些可能的实施方式中，所述文本检测模块还用于对所述图像执行特征提取处理，得到所述图像的第二特征图；基于所述第二特征图，得到所述图像的所述预测文本区域。

在一些可能的实施方式中，所述文本检测模块还用于基于所述预测文本区域在所述图像中的位置，确定所述第二特征图中与所述预测文本区域的位置对应的所述第一特征图。

在一些可能的实施方式中，所述装置中的文本检测模块和掩码预测模块构造为文本检测神经网络，所述装置还包括训练模块，其用于训练所述文本检测神经网络，所述训练模块还用于基于所述图像的真实文本区域的位置信息，确定所述真实文本区域的真实掩码信息；基于所述预测掩码信息和所述真实掩码信息，确定网络损失；基于所述网络损失，调整所述文本检测神经网络的网络参数。

在一些可能的实施方式中，所述训练模块还用于基于所述真实文本区域的边界位置，确定所述图像的文本区域中心；基于所述文本区域中心和所述真实文本区域中每个像素点的位置信息，得到所述每个像素点的真实掩码。

在一些可能的实施方式中，所述训练模块还用于获取第一训练样本；对所述第一训练样本执行预处理，得到与所述第一训练样本对应的至少一个第二训练样本，其中，所述至少一个第二训练样本包含所述图像；所述预处理包括以下方式中的至少一种：水平翻转处理、缩放处理、抠取一部分图像区域。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图14示出根据本公开实施例的电子设备的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图14，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器 (EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风 (MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800 或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA) 技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图15示出根据本公开实施例另一电子设备的框图。例如，电子设备1900可以被提供为一服务器。参照图15，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器 (RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种文本检测方法，其特征在于，包括：

对图像执行文本检测处理，得到所述图像的预测文本区域；

对所述预测文本区域对应的第一特征图执行处理，得到所述预测文本区域的预测掩码信息，所述预测掩码信息包含所述预测文本区域中多个像素点的掩码值，所述掩码值为大于或者等于零且小于或者等于1的数值；

基于所述预测掩码信息包含的所述预测文本区域的多个像素点的掩码值，构建多面体，所述多面体包括与所述预测文本区域对应的底面以及与所述底面连接的多个倾斜侧面；

基于所述多面体，得到所述图像的最终文本区域。

2.根据权利要求1所述的方法，其特征在于，所述基于所述预测掩码信息包含的所述预测文本区域的多个像素点的掩码值，构建多面体，包括：

以所述预测掩码信息包含的多个像素点中每个像素点的掩码值作为所述每个像素点对应的高度，构建多面体。

3.根据权利要求1或2所述的方法，其特征在于，所述基于所述预测掩码信息包含的所述预测文本区域的多个像素点的掩码值，构建多面体，包括：

基于所述预测文本区域的多个像素点中每个像素点在所述图像中的位置以及所述预测掩码信息中包含的所述每个像素点的掩码值，得到所述每个像素点的三维坐标；

基于所述多个像素点中每个像素点的三维坐标，构建多面体。

4.根据权利要求1-3中任意一项所述的方法，其特征在于，所述基于所述预测掩码信息包含的所述预测文本区域的多个像素点的掩码值，构建多面体，包括：

将所述预测文本区域的多个像素点中掩码值达到第一阈值的像素点作为正像素点；

基于所述预测文本区域的多个正像素点的位置以及预设高度值，确定所述多面体的侧面顶点；

基于所述预测文本区域和所述侧面顶点，构建所述多面体。

5.根据权利要求4所述的方法，其特征在于，所述多面体为棱锥体。

6.根据权利要求1-5中任意一项所述的方法，其特征在于，所述基于所述多面体，得到所述图像的最终文本区域，包括：

对所述多面体执行基于平面聚类的优化处理，得到优化后的多面体；

基于优化后的多面体，得到所述图像的最终文本区域。

7.根据权利要求6所述的方法，其特征在于，所述基于优化后的多面体，得到所述图像的最终文本区域，包括：

基于所述优化后的多面体包含的多个侧面与所述多面体的底面的交集，得到所述图像的最终文本区域。

8.一种文本检测装置，其特征在于，包括：

文本检测模块，其用于对图像执行文本检测处理，得到所述图像的预测文本区域；

掩码预测模块，其用于对所述预测文本区域对应的第一特征图执行处理，得到所述预测文本区域的预测掩码信息，所述预测掩码信息包含所述预测文本区域中多个像素点的掩码值，所述掩码值为大于或者等于零且小于或者等于1的数值；

构建模块，其用于基于所述预测掩码信息包含的所述预测文本区域的多个像素点的掩码值，构建多面体，所述多面体包括与所述预测文本区域对应的底面以及与所述底面连接的多个倾斜侧面；

确定模块，其用于基于所述多面体，得到所述图像的最终文本区域。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。