随着计算机、平板电脑,以及手机等终端的普及,传播的数据量与日俱增。常用的数据传播方式有图像、文字、音频、视频等,这其中,包含文本的图像是承载着更多信息的载体。因此,对于图像中的文本检测与识别已越来越成为研究的热点。包含文档的图像分为文档图像和场景图像两类。与文档图像的文本识别不同,场景图像本身具有背景复杂、分辨率低下、字体多样、分布随意等特点,这就使得文本识别难度大大提高。已经成熟的文档图像的文本识别方法并不适用于场景图像的文本检测与识别。目前,对于场景文本检测与识别技术的研究大都是基于神经网络的,也取得了很大进展。但是,由于神经网络的复杂性及其对GPU等硬件的苛刻要求,实现起来代价很高。探索在不增加GPU等硬件开销的前提下提升文本识别的精度与效率无疑具有明显的实际应用价值和理论意义。本文研究工作的创新之处就在于将NLP中的分词器技术与神经网络相结合。即使用NLP技术获取场景图像上更多的文本信息,根据文本之间存在的关联,对神经网络的识别结果进行补充识别。以此在不增加GPU等硬件成本的前提下有效提升复杂场景下文本的识别精度。论文的主要工作如下:一、采用EAST文本检测算法进行文本检测。将该算法在网络数据集上进行训练和测试,得到图像中文本区域所在矩形框的相关信息。针对EAST文本检测模型对于长文本可能存在的丢失文本的开始或者结尾信息这一局限性,本文确定了将NLP技术与卷积神经网络相结合的研究方案;二、采用CRNN文本识别算法进行文本识别。首先,根据第一步中检测得到的矩形框的坐标信息进行截取,并对截取结果进行修正、灰度变换、缩放等预处理,得到识别算法的标准输入。然后使用CRNN在中文数据集上进行训练,并进行文本识别。实现对于检测结果的像素级别的识别;三、将自然语言处理技术引入图像的文本识别中,设计实现了基于分词器的补充识别模块。首次从文本分词的角度实现图像中文本信息的获取,即利用语言本身存在的关联处理文本,得到更多的文本信息。从而在节约硬件开销的前提下有效提升了文本的识别率;最后,通过实验验证了本文研究的有效性。