周末晚上，你和朋友走进热闹的夜市，想统计每家摊位招牌上写着什么。可放眼望去，霓虹灯闪烁、人潮涌动、招牌歪七扭八，有的被电线挡了一半，有的字小得眯眼都看不清。你首先要做的，不是“读出”招牌，而是“找出”招牌——先判断“哪里有字、字占多大一块地方”，然后才轮到看清上面写的是“烤冷面”还是“炒酸奶”。 这件事放到电脑上，就叫文字检测（Text Detection）：给定一张图像，输出所有文字区域的位置框；而把框里的字真正“读”出来，是文字识别（Recognition）的任务。两者拼在一起，才是完整的 OCR（光学字符识别）。在 OCR 流水线里，检测是“眼睛先扫到字”，识别是“大脑再读懂字”——检测一旦漏掉或错位，后面的识别再强也无从下手。 本文就用“夜市找招牌”这条主线，把文字检测的概念、难点、经典方法、评估指标与工程优化一一讲透。

岗位关联

文字检测是 OCR 与文档智能化的第一道技术关卡。掌握它，你才真正理解“从图片到文字”的完整链路，也为阅读各类视觉大模型打下地基。

目录
  1. 可视化演示
  2. 基础概念认知：先找到招牌，再读招牌
  3. 任务定义难点：在眼花缭乱中锁定文字
  4. 传统检测方法：用一套手工规则淘金
  5. 深度学习检测：让神经网络学会找招牌
  6. 性能评估指标：用数字丈量火眼金睛
  7. 优化策略实践：让找招牌又快又稳
  8. 应用场景展望：从夜市走向世界
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T

基础概念认知：先找到招牌，再读招牌

在夜市里，你扫一眼就能圈出哪几个摊位有招牌，哪怕招牌字体各异、颜色不同。人脑天生擅长“定位文字”——不管它长什么样，你都能快速划出“字在那一块”。这正是文字检测模仿的能力：只回答“文字在哪儿”，不回答“写了什么”。

在 AI 领域，文字检测被定义为：输入一张图像，输出一个或多个边界框，每个框圈住一块文字区域。它属于计算机视觉（CV）中的目标检测分支——目标检测本来就是“在图像里找到物体并画框”的任务，只是文字检测把目标类别锁定为“文字”一类，且允许框随文字方向旋转。

与文字识别要严格区分：检测输出坐标，识别输出字符串。完整的 OCR 流水线是“图像预处理 → 文字检测 → 文字识别 → 后处理”，检测是前置地基。一旦检测漏掉或框歪了，识别结果必然跟着出错——就像你在夜市圈错了招牌，读到的自然是隔壁烧烤摊的菜单。

就像你逛夜市时，脑子里自动生成了一张“招牌地图”——每块招牌位置了然于胸，至于读不读，那是下一站的事。检测与识别，正是这样两个接力棒。

Detection:  fdet(I)→{B1,B2,…,Bn}\displaystyle \text{Detection:}\; f_{det}(I) \rightarrow \{B_1, B_2, \ldots, B_n\}
一句话：检测模型干的是“圈地”的活，把所有有字的地方框出来，至于框里是什么字，它不负责回答。
  1. 检测模型f_det 表示文字检测器，它接收一张图像并推断文字位置。
    fdet(⋅)f_{det}(\cdot)
  2. 输入图像整张图像 I 被送入模型，里面混杂着文字、背景、灯光等各类内容。
    II
  3. 输出框集合模型返回 n 个检测框，每个 B_i 表示一块文字区域的位置与大小。
    {B1,B2,…,Bn}\{B_1, B_2, \ldots, B_n\}

任务定义难点：在眼花缭乱中锁定文字

夜市找招牌其实没想象中简单：招牌斜挂着、被电线遮住、霓虹灯和招牌长得像。你得不断判断：“这是字，还是装饰？” 这种“文字 vs 非文字”的纠结，正是文字检测任务的核心难点之一。

技术上，文字检测要解决两件事：一是判断哪些像素或区域属于文字（文字与背景区分），二是把这些区域用合适的边界框出来（边界框形式多样）。由于自然场景中的文字可以旋转、弯曲甚至变形，检测框常常不是水平矩形，而是带角度的四边形框。

场景多变进一步放大了难度：光照不均（一半亮一半暗）、图像模糊（手机手抖）、低对比度（白字灰底）、密集排布（招牌挤在一起）、艺术字（笔画夸张变形）。这些情况让“文字”和“背景”的边界变得模糊，简单规则根本划不清。

就像夜市老手会斜着看、蹲下看、凑近看，来判断一块亮闪闪的东西到底是招牌还是灯箱——检测模型的任务，就是把这种“眼力”自动化、规模化。

yi=1[ ptext(Ri)>τ ]\displaystyle y_i = \mathbb{1}\big[\,p_{\text{text}}(R_i) > \tau\,\big]
一句话：每个候选区域都要过一道“像不像文字”的关卡，概率超过阈值才放行。
  1. 候选区域图像被划分成许多候选窗口，每个区域 R_i 都要回答“是不是文字”。
    RiR_i
  2. 文字概率模型为区域 R_i 输出属于文字的概率，值越接近 1 越像招牌文字。
    ptext(Ri)p_{\text{text}}(R_i)
  3. 阈值判决概率超过阈值 τ 判为文字（y=1），否则判为背景（y=0）。
    1[ptext(Ri)>τ]\mathbb{1}[p_{\text{text}}(R_i) > \tau]

传统检测方法：用一套手工规则淘金

在深度学习流行之前，大家靠“手工特征”找文字，就像老字号夜市摊靠祖传配方吸引顾客——配方是固定的几条规则，不学习、不进化。这套“配方”里的两招最经典。

第一招 MSER（最大稳定极值区域）：把图像想象成一张灰度地形图，水位从低到高慢慢上涨，有些“水洼”（连通区域）在很大水位区间里面积几乎不变——它们很可能是文字笔画，因为笔画内部灰度相对均匀，不像背景那样忽明忽暗。第二招 SWT（笔画宽度变换）：招牌文字有一个惊人规律——笔画宽度大致恒定，沿着边缘找到宽度一致的连通笔画带，就顺藤摸瓜找到了字。

这两种方法在干净的文档扫描件上效果不错：速度快、无需海量标注数据。但面对复杂背景、模糊、弯曲、艺术字时，误检漏检严重——手工规则毕竟是“祖传配方”，覆盖不了现实世界的千变万化。夜市里一块花纹复杂的灯箱，就足以让 MSER 和 SWT 同时“看走眼”。

就像夜市里真正的招牌就算灯光忽明忽暗，轮廓依然清晰可辨；而霓虹灯拼成的假装饰则一变再变。MSER 找的正是这种“不管怎么变都稳定”的形状。

qi=∣Qi+Δ∖Qi−Δ∣∣Qi∣\displaystyle q_i = \frac{|Q_{i+\Delta} \setminus Q_{i-\Delta}|}{|Q_i|}
一句话：MSER 在找“水位怎么涨，轮廓都不变”的稳定区域，越稳定越像文字笔画。
  1. 极值区域把灰度图看成地形，Q_i 是在灰度阈值 i 下连成一体的“水洼”。
    QiQ_i
  2. 抬高与降低Q_{i+Δ} 与 Q_{i-Δ} 分别是阈值上下浮动 Δ 后的同源水洼区域。
    Qi+Δ, Qi−ΔQ_{i+\Delta},\ Q_{i-\Delta}
  3. 面积变化量两次阈值之间的面积差越小，说明水洼轮廓越稳定、越不容易变形。
    ∣Qi+Δ∖Qi−Δ∣|Q_{i+\Delta} \setminus Q_{i-\Delta}|
  4. 稳定度比值用变化面积除以当前面积，q_i 越小说明越稳定，越可能是文字笔画。
    qi=∣⋅∣∣Qi∣q_i = \frac{|\cdot|}{|Q_i|}

深度学习检测：让神经网络学会找招牌

手工规则终究敌不过现实复杂，于是大家改用“教”的：给神经网络看成千上万张“夜市照片”，并告诉它每块招牌的位置，让它自己总结规律。这就是深度学习文字检测——数据驱动取代手工配方。

三个代表性模型构成了一条清晰的技术脉络。CTPN：把文字行想象成一排队列，先检测一个个“小片段”（竖条），再用序列模型把片段串成完整文本行——擅长水平文字，是早期经典。EAST：跳过分段，直接从像素“一步到位”回归出整个四边形框——速度快，适合自然场景，是“少步骤、高效率”路线的代表。DBNet：提出可微二值化，把“文字/背景”的分割概率图平滑地变成清晰文字区域，解决了分割与检测割裂的问题，兼顾精度与速度。

深度检测的共同骨架是：骨干网络提取特征 → 特征金字塔融合多尺度信息 → 分类头判断文字/背景 → 回归头输出边界框 → 后处理得到最终结果。其中数据决定上限：标注越准、场景越多样，模型越强。这也解释了为什么“标注师傅”在 OCR 团队里如此重要。

深度模型像一位走遍无数夜市的“招牌通”，见过的招牌多了，自然练就火眼金睛——甚至能认出被树枝挡了一半、倒着挂的招牌。这是手工规则无法企及的。

B^i,j=11+e−k Pi,j\displaystyle \hat{B}_{i,j} = \frac{1}{1 + e^{-k\, P_{i,j}}}
一句话：DBNet 用一个平滑的 S 型曲线代替生硬的“切一刀”，让二值化过程能参与训练。
  1. 分割概率网络先预测每个像素 (i,j) 属于文字的概率，得到一张软概率图。
    Pi,jP_{i,j}
  2. 缩放系数k 控制曲线的陡峭程度，k 越大，文字/背景的边界越锐利。
    kk
  3. S型映射整个分式把任意概率值压向 0 或 1 之间，且处处可导，梯度能正常回传。
    11+e−x\frac{1}{1+e^{-x}}

性能评估指标：用数字丈量火眼金睛

都说自己眼力好，怎么量化？夜市考官给你一张照片，让你圈出所有招牌，再对照标准答案打分。打分之前，必须先定规则：什么叫“找对了”？

“找对”的判定用 IoU（交并比）：预测框与真实框的交集面积除以并集面积，得到一个 0 到 1 的重合度。超过阈值（常用 0.5 或 0.7）就算命中。IoU 是检测任务最基础的度量，就像圈出的招牌区域和真实招牌范围重合了多少。

判定命中后，再统计三笔账：TP 找对的招牌、FP 把装饰误当招牌、FN 漏掉的招牌。由此得到精确率 Precision = 找出来的里面真招牌的占比；召回率 Recall = 所有真招牌里被找到的占比。两者像跷跷板：框得保守，Precision 高但 Recall 低；框得激进，反之。F1 用调和平均综合两者，防止模型偏科。

夜市考官最终看 F1 打分：既不喜欢你乱圈（误报多），也不喜欢你漏圈（漏报多），要的是“稳、准、全”。任何一个调参工程师，都要学会用这三把尺子说话。

P=TPTP+FP,R=TPTP+FN,F1=2×P×RP+R\displaystyle P = \frac{TP}{TP+FP}, \quad R = \frac{TP}{TP+FN}, \quad F_1 = \frac{2 \times P \times R}{P+R}
一句话：Precision 怕“乱圈”，Recall 怕“漏圈”，F1 逼着模型两样都做好。
  1. 精确率TP 是找对的招牌数，FP 是误报数，精确率回答“找出来的够不够纯”。
    P=TPTP+FPP = \frac{TP}{TP+FP}
  2. 召回率FN 是漏报数，召回率回答“所有真招牌被找回来了多少”。
    R=TPTP+FNR = \frac{TP}{TP+FN}
  3. F1 调和平均只有精确率和召回率同时高，F1 才高，防止模型走极端。
    F1=2×P×RP+RF_1 = \frac{2 \times P \times R}{P+R}

优化策略实践：让找招牌又快又稳

王牌夜市通也要练技巧：有的招牌大得占半面墙，有的小如巴掌。同一个人，得远近结合地看、来回确认地看，才能一个不漏。检测模型同样需要成套的“看家功夫”。

多尺度检测：把图像缩放成多个尺寸分别检测再合并结果，让大招牌、小招牌都能被抓住；数据增强：训练时把照片随机旋转、调亮度、加模糊、模拟遮挡，让模型“见多识广”，在真实世界的刁钻角度下不慌；后处理 NMS（非极大值抑制）：检测会产出一大堆重叠的候选框，NMS 按置信度排序，保留最可信的框、抑制冗余重复框，得到干净利落的最终输出。

部署层面还有：模型量化（把浮点权重压成整数以提速）、知识蒸馏（大模型当老师教小模型）、TensorRT 等推理加速。工程上常备“降级策略”：超长文本行要切块检测，避免行被截断；低置信度区域要二次确认，宁可多跑一遍也不能漏检。

就像夜市通看完一圈还会回头再扫一遍，把重复认的招牌合并、把漏掉的小招牌补上——“多尺度 + 数据增强 + NMS”就是这套回头再确认的功夫，让检测又快又稳。

keep(Bi)  ⟺  IoU(Bi,Bj)<t,    ∀ Bj∈kept\displaystyle \text{keep}(B_i) \iff \text{IoU}(B_i, B_j) < t, \;\; \forall\, B_j \in \text{kept}
一句话：NMS 就是“同类框只留一个最强的”，把重复圈出的招牌合并掉。
  1. 候选框排序模型输出许多重叠框，按置信度从高到低逐个处理这些候选。
    Bi∈candidatesB_i \in \text{candidates}
  2. 重叠计算当前框与所有已保留框逐一计算 IoU，判断是不是重复框。
    IoU(Bi,Bj)\text{IoU}(B_i, B_j)
  3. 抑制规则若与任一保留框重叠超过阈值 t，说明是重复框，丢弃；否则保留。
    keep(Bi)  ⟺  IoU(Bi,Bj)<t\text{keep}(B_i) \iff \text{IoU}(B_i, B_j) < t

应用场景展望：从夜市走向世界

“会找招牌”的本事放大了，就是整个 OCR 世界的入场券。从夜市摊位的几块招牌，到满城的门牌、路牌、屏幕，会“找字”的 AI 正在把物理世界的文字变成可检索的数据。

文档扫描识别：把纸质合同、发票拍照，检测先把“正文区、标题区、表格区”找出来，再逐块识别，是办公自动化的基础；场景文字提取：手机拍照翻译、街景路牌识别、自动驾驶读路标，检测必须应对旋转、光线与遮挡；票据审核：银行、财务把发票和身份证的关键字段区域先定位再录入，检测精度直接决定“少录、错录”率。

趋势上，检测与识别正从“两个模型串联”走向“端到端联合”——一个模型同时输出位置和文字，共享特征、互相促进。大模型与 Transformer 架构也进入检测领域，配合视觉-语言预训练，让“找字”变得更鲁棒、更通用。

从夜市的一两块招牌，到整座城市的文字海洋，检测是第一步，却也是最关键的一步——它为所有“读懂世界”的 AI 应用铺好了地基。

L=Ldet+λ Lrec\displaystyle \mathcal{L} = \mathcal{L}_{det} + \lambda\, \mathcal{L}_{rec}
一句话：端到端模型把“找字”和“识字”的损失拼在一起联合优化，两条腿一起走路。
  1. 检测损失L_det 衡量预测框与真实框的位置和分类误差，保证框得准。
    Ldet\mathcal{L}_{det}
  2. 识别损失L_rec 衡量识别出的字符与真实文本的误差，保证读得对。
    Lrec\mathcal{L}_{rec}
  3. 联合加权λ 调节两者权重，端到端训练让检测与识别共享特征、互相促进。
    L=Ldet+λ Lrec\mathcal{L} = \mathcal{L}_{det} + \lambda\, \mathcal{L}_{rec}

AI 应用场景

合同票据数字化归档

阶段：模型训练与推理部署

解决的问题：财务部每天收到数百张发票、合同照片，人工录入慢且易错。传统做法用固定模板定位字段位置，但照片角度、光照千差万别，模板一碰就碎。AI 文字检测先自动定位每个字段区域（发票号、金额、税号），再交给识别模型提取内容。

具体案例：某企业报销系统：员工拍照上传发票 → 检测模型圈出“发票代码、发票号码、金额”等区域 → 识别模型逐框读取并填入表单 → 与税务系统自动比对。检测准确率从模板法的 82% 提升到 97%，单张处理时间从 2 分钟降到 5 秒。

手机拍照翻译与路牌识别

阶段：端侧推理与模型优化

解决的问题：出国旅游想看懂菜单、路牌，需要实时检测画面中的文字区域。手机端算力有限，要求检测模型轻量化。正如夜市找招牌既要快又要准，端侧检测必须在几百毫秒内完成多尺度扫描与 NMS 去重。

具体案例：翻译 App 的“即时取词”功能：摄像头取景 → 轻量检测模型每帧输出文字框 → 翻译模型渲染结果覆盖在屏幕上。旋转、倾斜、弯曲的招牌都能被四边形框准确框住，用户举着手机扫一圈，整条街的招牌意思尽收眼底。

证件关键字段提取

阶段：数据标注与模型训练

解决的问题：银行开户、车管所登记需要从身份证、驾照照片中提取姓名、住址、有效期。证件照经常有反光、折痕、倾斜，直接整图识别会被背景干扰。检测模型先在整图中定位“姓名”“住址”等标签与对应值的区域，再聚焦识别，显著降低噪声。

具体案例：某银行开户系统对身份证正反面拍照后，检测模块稳定输出 8 个固定字段区域框，识别模块逐框提取，人工复核率从 60% 降到 5%，柜台业务办理时间缩短约 40%。

Python 演示

python101 行
import numpy as np  class SyntheticScene:    """构造一张合成"夜市招牌"图: 4 块招牌加随机噪点"""     def __init__(self, width=160, height=100, seed=7):        self.rng = np.random.default_rng(seed)        self.img = np.zeros((height, width), dtype=float)        self.gt_boxes = []        self._paint_text()        self._paint_noise()     def _paint_text(self):        h, w = self.img.shape        for _ in range(4):            x = int(self.rng.integers(5, w - 40))            y = int(self.rng.integers(5, h - 30))            bw = int(self.rng.integers(18, 32))            bh = int(self.rng.integers(10, 16))            self.gt_boxes.append([x, y, x + bw, y + bh])            for i in range(bw // 3):                self.img[y:y + bh, x + i * 3:x + i * 3 + 2] = 1.0     def _paint_noise(self):        h, w = self.img.shape        for _ in range(30):            x = int(self.rng.integers(0, w))            y = int(self.rng.integers(0, h))            r = int(self.rng.integers(1, 3))            for dx in range(-r, r + 1):                for dy in range(-r, r + 1):                    if dx * dx + dy * dy <= r * r:                        xx, yy = x + dx, y + dy                        if 0 <= xx < w and 0 <= yy < h:                            self.img[yy, xx] = 1.0  def _row_to_box(img, y0, y1):    band = img[y0:y1 + 1]    col_density = band.sum(axis=0) / max(band.shape[0], 1)    cols = col_density > 0.2    xs = [i for i, v in enumerate(cols) if v]    return [xs[0], y0, xs[-1], y1] if xs else [0, y0, 0, y1]  def detect_text_blocks(img):    """按行/列密度聚类的简化检测器: 把高密度区域围成候选框"""    h, w = img.shape    row_density = img.sum(axis=1) / max(w, 1)    rows = row_density > 0.05    boxes = []    start = None    for y in range(h):        if rows[y] and start is None:            start = y        elif not rows[y] and start is not None:            boxes.append(_row_to_box(img, start, y - 1))            start = None    if start is not None:        boxes.append(_row_to_box(img, start, h - 1))    return boxes  def iou(box_a, box_b):    ax0, ay0, ax1, ay1 = box_a    bx0, by0, bx1, by1 = box_b    ix0, iy0 = max(ax0, bx0), max(ay0, by0)    ix1, iy1 = min(ax1, bx1), min(ay1, by1)    iw, ih = max(0, ix1 - ix0), max(0, iy1 - iy0)    inter = iw * ih    union = (ax1 - ax0) * (ay1 - ay0) + (bx1 - bx0) * (by1 - by0) - inter    return inter / union if union > 0 else 0.0  def evaluate(preds, gts, iou_thresh=0.5):    matched = []    for p in preds:        for i, g in enumerate(gts):            if i not in matched and iou(p, g) >= iou_thresh:                matched.append(i)                break    tp = len(matched)    fp = len(preds) - tp    fn = len(gts) - tp    precision = tp / (tp + fp) if tp + fp else 0.0    recall = tp / (tp + fn) if tp + fn else 0.0    f1 = 2 * precision * recall / (precision + recall) if precision + recall else 0.0    return precision, recall, f1  def main():    scene = SyntheticScene(seed=7)    preds = detect_text_blocks(scene.img)    precision, recall, f1 = evaluate(preds, scene.gt_boxes)    print("真实招牌: %d  检测框: %d" % (len(scene.gt_boxes), len(preds)))    print("P=%.2f  R=%.2f  F1=%.2f" % (precision, recall, f1))  if __name__ == "__main__":    main()
目的：用合成图像模拟“夜市找招牌”，实现一个简化版连通密度检测器，并用 IoU、精确率、召回率、F1 对检测结果打分。
  1. scene = SyntheticScene(seed=7)生成一张含 4 块“招牌”和随机噪点的合成图像，作为检测的舞台。
  2. self.gt_boxes.append([x, y, x + bw, y + bh])记录每块招牌的真实位置，作为评估用的“标准答案”。
  3. row_density = img.sum(axis=1) / max(w, 1)统计每一行有多少“文字像素”，密度高的行可能是招牌区域。
  4. cols = col_density > 0.2在文字行内按列密度切分，确定招牌的左右边界。
  5. union = (ax1 - ax0) * (ay1 - ay0) + (bx1 - bx0) * (by1 - by0) - inter计算两框并集面积：各自面积相加再减去重叠部分。
  6. return inter / union if union > 0 else 0.0交集除以并集即 IoU，衡量预测框与真实框的重合程度。
  7. if i not in matched and iou(p, g) >= iou_thresh:用 IoU≥0.5 判定“找对了”，每个真实招牌只匹配一次，避免重复计数。
  8. f1 = 2 * precision * recall / (precision + recall) if precision + recall else 0.0调和平均综合精确率与召回率，防止模型偏科。

常见误区

误区初学者以为文字检测跑完，程序就能直接把图里的字“吐”出来，像截图识别那样一键得到全部文本。

正解文字检测只负责“定位”，输出的是坐标框；真正把框内像素变成字符串的是文字识别。完整 OCR 是“检测 → 识别 → 后处理”流水线。就像在夜市找招牌：你圈出了招牌位置，不代表你读出了“烤冷面”三个字，那是下一步的事。

为何常见：市面上的 OCR 工具把检测和识别封装成一步，用户只看到“图片进、文字出”，自然误以为检测本身就包含识别。

误区觉得把边框抠得和文字严丝合缝才算厉害，IoU 能到 0.99 才是好模型。

正解检测的目的是为识别提供干净的输入，通常 IoU≥0.5 即可判定命中。过度追求边界精确，收益很低，还容易在旋转、模糊场景下过拟合。识别模型本身对轻微偏移有鲁棒性，真正该关心的是整条 OCR 流水线的最终准确率。

为何常见：目标检测竞赛常晒出超高 IoU 的框，让人误以为这是衡量一切的标准；但在 OCR 场景，大家更关心“能不能读对”。

误区汇报指标只看 Precision，认为 98% 的精确率一定碾压 90% 的模型。

正解精确率只回答“找出来的里面多少是真招牌”，完全不看漏了多少。一个只框最显眼那块招牌的“懒模型”，Precision 可以是 100%，但 Recall 极低。必须结合 F1 看——精确率和召回率都高，才是真的好模型。

为何常见：人眼查看检测结果时，偶尔几个误报非常刺眼，漏报却难以察觉，于是直觉上更在意精确率。

误区深度学习是王道，传统手工方法就是过时废物，学都不用学。

正解在文档扫描、证照等背景干净、文字规整的场景，MSER/SWT 仍然零训练成本、速度快、可解释性强，常被用作候选区域生成或兜底方案。很多现代检测器也采用“传统方法生成候选 + 深度分类器精筛”的混合策略。

为何常见：技术文章爱突出新旧对比、制造“颠覆”叙事，让新人误以为旧方法彻底失效，忽略了工程里“够用就好”的务实逻辑。

面试题

Q1. 文字检测模块最典型的输出结果是什么？

单选题 · easy

  • A.图像中每个文字的语音读音
  • B.文字区域的坐标边界框← 正确答案
  • C.图像的场景分类标签
  • D.文字的翻译结果语句

答案：B。文字检测只回答“字在哪儿”，输出的是边界框坐标；读音、翻译、分类都超出它的职责。夜市场景中，检测就是先圈出招牌位置，至于招牌上写什么，是识别环节的事。

Q2. 关于 IoU 交并比，下列表述正确的是？

单选题 · easy

  • A.两框交集面积与并集面积之比← 正确答案
  • B.两框中心点间的欧氏距离
  • C.两框面积之和与图像面积之比
  • D.两框周长的算数平均值

答案：A。IoU 衡量两个框的重合程度：交集面积除以并集面积。它就像判断你圈出的招牌范围与真实招牌范围有多大重叠，是“找得准不准”的量化标准。

Q3. 真实招牌共有 10 处，模型输出 12 个框中 8 个命中真值，召回率是？

单选题 · mid

  • A.0.67
  • B.0.75
  • C.0.80← 正确答案
  • D.0.50

答案：C。召回率 = TP /（TP + FN），真实招牌 10 处，找到 8 处、漏掉 2 处，所以 R = 8/10 = 0.80。这好比夜市考官问“所有真招牌里你找回了多少”；输出框总数里有多少误报只影响精确率。

Q4. F1 分数的主要作用是什么？

单选题 · mid

  • A.只衡量检测模型的速度
  • B.综合平衡精确率与召回率← 正确答案
  • C.衡量模型参数量大小
  • D.计算训练集样本总数

答案：B。精确率和召回率像跷跷板，一个高另一个往往低。F1 用调和平均把两者合成一个分数，只有两项都高 F1 才高。夜市找招牌不能只求“圈出来都对”却漏掉一半，也不能“全圈上”却误报满天飞。

Q5. MSER 利用文字的什么特性来寻找候选区域？

单选题 · mid

  • A.笔画内部灰度随阈值变化保持稳定← 正确答案
  • B.所有文字都具有完全一致的颜
  • C.文字行总是水平排列在图像中央
  • D.文字区域的边缘始终笔直清晰

答案：A。MSER 把图像当地形，在灰度阈值连续变化时，文字笔画内部灰度均匀，区域形状保持稳定、面积变化小。就像真正的招牌在灯光忽明忽暗下轮廓依然可辨，这是 MSER 选块的依据。

Q6. EAST 相比 CTPN 的主要优势是？

单选题 · hard

  • A.用 LSTM 对文本片段做序列建模
  • B.直接回归四边形框免去合并← 正确答案
  • C.只能够检测水平方向文字
  • D.依赖两阶段候选区域网络

答案：B。CTPN 先检测竖条小片段再用序列模型串联，适合水平文本；EAST 直接用分割加回归一步输出旋转四边形框，跳过分段与合并，速度更快、对倾斜文本更友好，更适合自然场景。

Q7. 自然场景文字检测的典型难点包括哪些？

多选题 · mid

  • A.文本行存在旋转弯曲变形← 正确答案
  • B.光照不均与阴影遮挡← 正确答案
  • C.招牌与背景装饰相似← 正确答案
  • D.图像文字永远水平排列

答案：ABC。自然场景中文字常旋转、弯曲、被遮挡，光照不均会吞掉笔画，招牌与装饰背景也容易混淆；而“文字永远水平排列”显然不成立。夜市里斜挂的招牌、似字非字的灯箱，正是这些难点的写照。

Q8. 下列属于文字检测评估指标的有哪些？

多选题 · mid

  • A.精确率 Precision← 正确答案
  • B.召回率 Recall← 正确答案
  • C.F1 调和平均← 正确答案
  • D.识别词错误率

答案：ABC。检测评估关心“找得准、找得全、综合平衡”，对应精确率、召回率和 F1，IoU 则是判定命中的前提指标。而“识别词错误率”衡量识别环节输出字符串的错误，不属于检测指标。

Q9. 关于 DBNet 的可微二值化，下列说法正确的有哪些？

多选题 · hard

  • A.用 S 型函数平滑逼近阈值← 正确答案
  • B.训练时梯度可以正常回传← 正确答案
  • C.推理阶段必须用可微二值化
  • D.分割概率图直接阈值不可导← 正确答案

答案：ABD。DBNet 用可微的 S 型函数逼近二值化，让梯度在训练时能正常回传；推理时用标准二值化保持简洁。普通分割图直接阈值不可导，正是 DBNet 要解决的问题；且它输出四边形框，旋转文本也能检测。

Q10. 提升检测模型鲁棒性的工程手段包括哪些？

多选题 · hard

  • A.多尺度图像金字塔检测← 正确答案
  • B.随机旋转亮度数据增强← 正确答案
  • C.用 NMS 合并重复预测框← 正确答案
  • D.删除后处理以提升速度

答案：ABC。多尺度金字塔让模型兼顾大小招牌，旋转和亮度增强让模型适应光影变化，NMS 把重叠重复框合并成干净结果，三者都是提升鲁棒性的常用手段。删除后处理虽变快，却会留下大量重叠框，反而损害检测质量。