随着数字时代的到来,多媒体数据,尤其是图片数据,在人们的日常生活中随处可见。图像数据中所包含的信息种类与数量都是十分可观的,其中文字信息的提取对有效信息的收集、二次加工以及文档化等后续工作而言十分有用。传统的图像处理技术已经能够很好地对标准扫描文档图像进行正确处理。然而在自然场景下,由于干扰因素过多,如内容复杂度、数据完整性、噪声数据等,图像中的文字信息提取工作仍旧存在着很大的挑战。近年来,随着深度学习技术的持续发展,学者开始考虑将其应用于计算机视觉领域,并在各类图像检测与识别任务中取得了良好的结果。基于此,为了解决自然场景下中英文文本的检测与识别,本文提出了一种YOLOv3与CRNN模型系统。本文先采用文字朝向检测算法实现对0、90、180、270度文本的预测,并由一个小角度估算函数预测其他角度,通过预测到的角度旋转图像,之后采用YOLOv3网络模型对旋转后的图像进行文本区域检测,获得一系列文本框。本文采用一个文本框聚类算法来实现对检测文本框的合并,并得到完整的文本行。通过将YOLOv3模型训练优化后在RCTW-17测试集上进行测试评估,产生的AP值可达0.66,并且准确率和召回率也有明显的提升,获得了符合预期的评估结果。本文将YOLOv3模型与CTPN模型的检测结果在边缘、图像背景光线强弱、文字尺寸及倾斜程度、文字朝向、文本排列方向以及检测速度等方面进行比较,结果表明YOLOv3模型拥有更完整准确的检测性能。本文通过迁移训练英文识别效果较好的CRNN模型来实现对中英文文本的不定长识别,并在验证集上获得了97.85%的识别准确率。由于整个文本行的识别结果是一行无空格的字符串,本文采用了Viterbi算法对英文文本字符串进行分词,呈现出更好的可读效果。本文通过把YOLOv3与CRNN模型的检测与识别结果和CTPN与DenseNet模型进行对比分析,结果表明,CRNN模型对中英文的识别效果更佳,而DenseNet模型对中文的识别效果较好,对英文的识别效果较差;同时在相同环境下识别相同的场景文本图像,YOLOv3与CRNN模型的平均测试时间为0.4258s,明显优于CTPN与DenseNet模型的平均测试时间(0.8250s)。