基于SSD的图片文本检测及快速方法

算法概述

SSD算法是一种直接预测bounding box的坐标和类别的object detection算法，没有生成proposal的过程。针对不同大小的物体检测，传统的做法是将图像转换成不同的大小，然后分别处理，最后将结果综合起来，而ssd利用不同卷积层的feature map进行综合也能达到同样的效果。而相比较于其他检测算法， R-CNN系列的检测速度慢，YOLO的mAP性能差，而SSD消除了中间的 bounding boxes、pixel or feature resampling 的过程，同时，在 feature map 上使用小的卷积核，去 predict 一系列 bounding boxes 的 box offsets，这样就在提升速度的同时保证了精度，适合用在嵌入式上。

算法详解

SSD算法在训练的时候只需要一张输入图像及其每个object的ground truth boxes。基本的网络结构是基于VGG16，在ImageNet数据集上预训练完以后用两个新的卷积层代替fc6和fc7，另外对pool5也做了一点小改动，还增加了4个卷积层构成官方的网络。

在训练阶段，算法在一开始会先将default box（是指在feature map的每个小格(cell)上都有一系列不同大小，不同横纵比的box）和ground truth box进行匹配，比如蓝色的两个虚线框和猫的ground truth box匹配上了，一个红色的虚线框和狗的ground truth box匹配上了。所以一个ground truth可能对应多个default box。在预测阶段，直接预测每个default box的偏移以及对每个类别相应的得分，最后通过NMS得到最终的结果。并且default box在不同的feature层有不同的scale，在同一个feature层又有不同的aspect ratio，因此ssd基本上可以覆盖输入图像中的各种形状和大小的object。

项目实现

一是由于检测目标相对较小（比如车牌），并且ssd在低层的feature map,感受野比较小，高层的感受野比较大，所以我们选择将conv6-2之后的层去掉，这样既不影响精度也满足带宽要求；二是ssd的default box拥有不同尺度，我们修改了其尺度变换使其符合车牌实际尺度；三是类别，ssd官方类别有20类，而我们的车型项目大概有6类，车牌只有一类，所以我们对类别进行了删减.

流程图