场景文本检测是指在复杂背景中检测文本区域并对文本边界进行标记,其广泛应用于文档分析、自动驾驶、实时翻译、视频场景分析等领域。传统的场景文本检测方法局限于简单场景,并且大多只能检测水平文本,对于广告牌、指示牌、商标等背景多样、清晰度不足的复杂场景检测并不准确。随着深度学习的迅速发展,涌现了许多基于深度学习的场景文本检测算法。该类算法弥补了传统场景文本检测方法的不足,使检测的准确度得到了提升,在复杂场景下也能取得良好的检测效果。虽然基于深度学习的场景文本检测算法取得巨大进步,但是在现实应用领域仍受诸多因素影响,如文本行形状不一、方向不同、颜色和尺度的多样化、光照程度变化、文本被遮挡等,这些因素使场景文本检测的难度不断提高,降低了检测的准确度。为了准确检测场景图像中尺度差异过大的文本并且提升场景文本检测的准确度,本文提出一种基于多尺度注意力融合的场景文本检测算法。该算法以优化的Res Net50为骨干网络,以此为基础设计了多尺度特征提取模块、双注意力融合模块和特征金字塔模块。首先,将Res Net50骨干网络的stage5的卷积改为扩张卷积,增大网络的感受野;其次,设计多尺度特征提取模块与双注意力融合模块结合,加强场景文本图像中的文本特征,提升检测文本图像中重要信息的能力;最后,将多尺度注意力融合模块的输出与特征金字塔的输出融合,输出的各支路特征信息进行相加,实现对文本信息的准确定位。本文在ICDAR2015、Total-Text和MSRA-TD500数据集上进行了实验,包括对比实验和消融实验。通过将本文算法与主流场景文本检测算法及经典场景文本检测算法比较,本文的算法网络可在ICDAR2015、MSRA-TD500和Total-Text数据集上分别取得最优的准确率,数值分别为92%、92.3%和89.8%,并且在消融实验中证明了该算法添加的网络模块的有效性。