文本的检测和识别，检测使用east，识别使用Tesseract，代码是python写的 。详见文章：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/121398816?spm=1001.2014.3001.5501

OpenCV实现文本检测（EAST 文本检测器）python版。文章地址：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/121375984?spm=1001.2014.3001.5502

EAST_ICPR2018：ICPR MTWI 2018挑战II的EAST（网络图像的文本检测） 介绍 这是为分叉的存储库。 原始存储库： 。 它是EAST的张量流重新实现：EAST：高效，准确的场景文本检测器。 原作者： 该存储库还引用了 来源存储库： 。 来源作者：。 作者：电子邮件： 或 内容 火车 测试 结果 数据集和转换 用于模型训练的数据集包括ICDAR 2017 MLT（train + val） ， RCTW-17（train）和ICPR MTWI 2018 。 其中， ICPR MTWI 2018包括9000个火车数据和1000个验证数据< （update）ICPR_text_train_part1_20180316 >。 对于argman / EAST ，数据集中的某些数据异常，例如ICPR_

ICPR2018：网络图像的文本识别 / 网络图像的文本检测 TODO： 根据描述文件在图片中圈出所有文本的位置，效果图如下 将描述文件转成pascal格式的xml文件 训练YOLO或者SSD模型 训练OCR模型或直接调用OCR库

ICDAR 2015 数据集，包含测试集 ，训练集， 测试GT, 训练GT 欢迎下载 ICDAR 2015 数据集，包含测试集 ，训练集， 测试GT, 训练GT ICDAR 2015 数据集，包含测试集 ，训练集， 测试GT, 训练GT

包含Text Location 2015 和 Word Recognition 2015数据集 (包括训练数据集与测试数据集)

传统的文本检测方法大多采用自下而上的流程，它们通常从低级语义字符或笔画检测开始，然后进行非文本组件过滤、文本行构建和文本行验证。复杂场景中文字的造型、尺度、排版以及周围环境的剧烈变化，导致人的视觉系统是在不同的视觉粒度下完成文本检测任务的，而这些自底向上的传统方法的性能很大程度上依赖于低级特征的检测，难以鲁棒地适应不同粒度下的文本特征。近年来，深度学习方法被应用于文本检测中来保留不同分辨率下的文本特征，但已有的方法在对网络中各层特征提取的过程中没有明确重点特征信息，在各层之间的特征映射中会有信息丢失，造成一些非文本目标被误判，使得检测过程不仅耗时，而且会产生大量误检和漏检。为此，提出一种基于注意力机制的复杂场景文本检测方法，该方法的主要贡献是在VGG16中引入了视觉注意层，在细粒度下利用注意力机制増强网络内全局信息中的显著信息。实验表明，在载有GPU的Ubuntu环境下，该方法在复杂场景文本图片的检测中能保证文本区域的完整性，减少检测区域的碎片化，同时能获得高达87%的查全率和89%的查准率。

重新实现CRAFT-字符区域感知以进行文本检测 客观的 复制论文提到的弱监督培训 在所有流行的数据集上生成字符bbox。 使用命令行界面公开经过预训练的模型，以在自定义图像上合成结果 克隆存储库 git clone https://github.com/autonise/CRAFT-Remade.git cd CRAFT-Remade 选项1：Conda环境安装 conda env create -f environment.yml conda activate craft 选项2：Pip安装 pip install -r requirements.txt 在自定义图像上运行 将图像放在文件夹中。 从预先训练的模型列表中获取预先训练的模型（当前仅可使用SYNTH-Text进行严格监督） 运行命令- python main.py synthesize --model=./mo

自建的SOSO街景地图自行抓取数据集，涵盖了了道路交通指示牌、路边立柱广告牌、墙体/车体广告、商店招牌、建筑名号、车牌、条幅等场景下的图像，图片质量不是很好，分割难度较大。

包含检测与识别部分（中文 英文 繁体）