在互联网急速发展的今天,多媒体技术无不充斥着我们生活的方方面面,而作为信息丰富载体的图像,更是成了人们关注的主要对象。如何从复杂的图像中获取我们所需要的信息,成为人们今天关注的热点,而以场景文本为代表的图像,更是与我们的生活密切相关。本文从获取场景文本、场景文本中文字的定位和场景文本中文字的识别三个方面展开。在场景文本获取中,主要用到V4L2视频技术以及OpenCV相关库函数,并用交叉编译器完成程序的移植。在场景文本定位模块中,首先用到基于边缘检测方法完成对场景文本中文本域的粗定位,再根据灰度检测结果,将二者的连通域相融合,进一步来排除噪声的干扰,完成文本域的精确定位。在场景文本文字识别模块中,首先对文本块进行预处理,再训练训练集,在训练时要对训练集进行梯度特征提取和降维,之后一次加载训练集,用MQDF分类器来识别文本块,并把文字信息显示在输出界面上,最后通过微软TTS语音库把文本朗读。该系统满足一般的场景需求,未来可以用来处理一般的场景文本,包括马路边的广告牌、交通指示牌、宣传条幅、旅游广告牌、车牌等等。(1)通过把书籍或报纸上的文字转化为语音,来帮助有视觉障碍的残疾人,丰富他们的业余文化生活。(2)通过对高速路指示标志的识别,来提醒疲劳中的司机。(3)通过对各大旅游景点指示标志的识别,并转化为该国游客的母语语音输出,方便他们旅游。(4)对文献的电子化管理,汽车自动驾驶,危险预防等也有重要帮助。