《An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition》，是比较老的一篇文章了，在2015年6月发表在arxiv上，但是该方法还是被广泛运用。

文章思想：文章认为文字识别是对序列的预测方法，所以采用了对序列预测的RNN网络。通过CNN将图片的特征提取出来后采用RNN对序列进行预测，最后通过一个CTC的翻译层得到最终结果。说白了就是CNN+RNN+CTC的结构。

关于CTC的解释在之前写过一篇博客，这里不做重复介绍。

一、网络结构

如前面所说的，就是CNN+RNN+CTC，如下图所示

下面来分开说明

1. CNN结构

CNN结构采用的是VGG的结构，并且文章对VGG网络做了一些微调，如下图所示

从上图可以看出，对VGG的调整如下：

1. 为了能将CNN提取的特征作为输入，输入到RNN网络中，文章将第三和第四个maxpooling的核尺度从$2\times 2$改为了$1\times 2$
2. 为了加速网络的训练，在第五和第六个卷积层后面加上了BN层。

这里需要说明的是第一点，为什么将第三和第四个maxpooling的核尺度从$2\times 2$改为$1\times 2$是为了方便的将CNN的提取特征作为RNN的输入.首先要注意的是这个网络的输入为$W\times 32$，也就是说该网络对输入图片的宽没有特殊的要求，但是高都必须resize到32。文中举例说明了，如果一张包含10个字符的图片大小为$100\times 32$，经过上述的CNN网络得到的特征尺度为$25\times 1$（这里忽略通道数），这样得到一个序列，每一列特征对应原图的一个矩形区域(如下图所示)，这样就很方便作为RNN的输入进行下一步的计算了，而且每个特征与输入有一个一对一的对应关系。

2. RNN的结构

RNN网络是对于CNN输出的特征序列$x=x_1,\cdots ,x_t$，每一个输入$x_t$都有一个输出$y_t$。为了防止训练时梯度的消失，文章采用了LSTM神经单元作为RNN的单元。文章认为对于序列的预测，序列的前向信息和后向信息都有助于序列的预测，所以文章采用了双向RNN网络。LSTM神经元的结构和双向RNN结构如下图所示。

3. CTC翻译层

测试时，翻译分为两种，一种是带字典的，一种是没有字典的。

带字典的就是在测试的时候，测试集是有字典的，测试的输出结果计算出所有字典的概率，取最大的即为最终的预测字符串

不带字典的，是指测试集没有给出测试集包含哪些字符串，预测时就选取输出概率最大的作为最终的预测字符串。

至于CTC的解释这里不详细说明，有需要的请查看我之前的博客，简单说就是将RNN的输出$y=y_1,\cdots ,y_t$转化为一个字符串，而转化的输入与输出长度不对应而且输入可以是不同长度的序列。

二、损失函数

最小化负对数似然函数
${\sum }_{(X,Y)\in \mathcal{D}}-logp(Y|X)$

详情还是请查看CTC算法详解这篇博文

到这里CRNN算法的基本理论就介绍完了

中文本定位与识别的评测方法

欢迎加入OCR交流群：785515057