随着网络图片分析需求的快速增长和智能设备的广泛应用,用于获取自然场景中的文本信息的图像处理方法研究日趋活跃。作为自然场景中的文本信息获取的第一步,自然场景中的文本检测算法是其中的关键组成部分。本文以自然场景中的文本检测算法为研究课题,主要研究了自然场景文本图片合成、基于卷积神经网络的文本检测算法等,具体内容如下:1.研究了一种改进的人工合成自然场景文本图片的算法,该算法可以快速生成大量自带精确标注信息的自然场景文本图片,有效解决自然场景文本检测实现过程中训练样本稀缺的问题;利用gPb-UCM算法和FCRN-DepthPrediction算法分别获取的图片的连续区域分割信息和深度信息,显著改善了文本贴图与背景图片之间的融合效果。2.研究了一种基于深度卷积神经网络的自然场景中的文本检测算法,通过利用特征金字塔结构对ResNet网络进行改造,RoIAlign区域池化等方法,优化对小目标的特征提取,改进了RPN网络使其更加适用与文本目标的检测,将两者结合应用于Mask R-CNN目标检测算法的实现中,有效的提高了文本目标的检测效果。3.通过实验讨论了数据、超参数和训练策略等变量对模型训练的影响,并在ICDAR2013比赛平台上,对比分析了本文算法与其他算法的性能差异。综上所述,通过利用改进的合成的自然场景文本图片和Mask R-CNN算法的改进实现,本文提出的算法在通用数据集上与现有算法比较,得到了较好的结果。