1、復(fù)雜背景的文本檢測是近幾年新興的研究方向。作為目標(biāo)檢測的一種，文本檢測更加復(fù)雜，同時(shí)也更具挑戰(zhàn)。聚類算法常被應(yīng)用在文本的聚鏈階段，傳統(tǒng)的聚類算法需要設(shè)置兩個(gè)參數(shù)，參數(shù)的設(shè)置對最終結(jié)果影響非常大，并且不具備較強(qiáng)的推廣性。當(dāng)應(yīng)用場景發(fā)生改變時(shí)，檢測效果將大幅下降。針對該問題本文提出了一種基于參數(shù)自適應(yīng)的層次聚類算法，并通過對漢字這類結(jié)構(gòu)復(fù)雜的文本分析，在傳統(tǒng)檢測算法的基礎(chǔ)上提出一種由弱到強(qiáng)的文本檢測框架。
　　首先，針對層次聚類算法參

2、數(shù)設(shè)置的問題，提出參數(shù)自適應(yīng)的層次聚類算法。用高魯棒性的文本/背景分類器取代分裂閾值參數(shù)以增強(qiáng)其泛化能力。分類器的建立是對單個(gè)字符和背景區(qū)域進(jìn)行三種高水平特征提取，并進(jìn)行有監(jiān)督學(xué)習(xí)。對于第二個(gè)參數(shù)提出聚類特征的整合方法，從而避免了不同參數(shù)權(quán)重的設(shè)置問題。通過在不同的數(shù)據(jù)集上的對比實(shí)驗(yàn)，可以驗(yàn)證本文提出的算法對這一問題取得很好的改善效果。
　　其次，本文針對漢字結(jié)構(gòu)復(fù)雜的問題，提出由弱到強(qiáng)的文本檢測框架。中文通常有多個(gè)子部分組成，每

3、個(gè)子部分都可能是一個(gè)單獨(dú)的漢字，并且某些子部分十分接近于背景區(qū)域。針對這一特點(diǎn)本文提出了從部分到整體、由弱規(guī)則到強(qiáng)規(guī)則的中文檢測框架。先將漢字的子部分與背景進(jìn)行區(qū)分，再進(jìn)行文本的整合從完整字符的角度進(jìn)行分析。本文分別在復(fù)雜背景英文及中文圖片上對算法進(jìn)行實(shí)驗(yàn)驗(yàn)證，通過對比實(shí)驗(yàn)可以看出本文提出的文本檢測框架對中文的檢測效果遠(yuǎn)遠(yuǎn)好于傳統(tǒng)算法，并同樣適用于英文檢測。
　　最后，本文針對實(shí)際應(yīng)用平臺(tái)采集的圖片拍攝質(zhì)量差，從而影響文本檢測的召