文本检测任务是找出图像或视频中的文字位置。不同于目标检测任务，目标检测不仅要解决定位问题，还要

解决目标分类问题。

文本在图像中的表现形式可以视为一种‘目标‘，通用的目标检测的方法也适用于文本检测，从任务本身上来

看：

• 目标检测：给定图像或者视频，找出目标的位置（box），并给出目标的类别；

• 文本检测：给定输入图像或者视频，找出文本的区域，可以是单字符位置或者整个文本行位置；

图1 目标检测示意图

图2 文本检测示意图

目标检测和文本检测同属于“定位”问题。但是文本检测无需对目标分类，并且文本形状复杂多样。

当前所说的文本检测一般是自然场景文本检测，其难点在于：

1. 自然场景中文本具有多样性：文本检测受到文字颜色、大小、字体、形状、方向、语言、以及文本长度

的影响；

2. 复杂的背景和干扰；文本检测受到图像失真，模糊，低分辨率，阴影，亮度等因素的影响；

3. 文本密集甚至重叠会影响文字的检测；

4. 文字存在局部一致性，文本行的一小部分，也可视