在完成二值化的“生死关”后，文字已经从背景中脱颖而出了。接下来的关键步骤，就是 OCR 流程中最具挑战性的环节之一：文字检测（Text Detection）。

如果说二值化是让文字“现形”，那么文字检测就是给文字“画圈”。

文字定位（Detection）：AI 如何在乱丛中找到“方块字”？

在早期的 OCR 场景中，我们处理的多是规整的扫描件，文字总是横平竖直。但现在的 OCR 需要处理街景、手写订单、甚至揉皱的发票。这就要求 AI 具备极强的空间感知能力。

1. 为什么文字检测比物体检测更难？

在计算机视觉领域，检测一只“猫”和检测一行“字”的逻辑完全不同：

  • 长宽比极端： 一个单词可能很短，但一长串网址可能横跨整个屏幕。
  • 方向多变： 文字可能是水平的、垂直的，甚至是沿着圆形印章弯曲的。
  • 密集的颗粒度： 目标检测（如车牌识别）通常只找一个目标，而 OCR 检测可能要在一张报纸上圈出几千个文本块。

2. 三大主流技术路线

为了圈出这些文字，技术界演进出了三种截然不同的方案：

A. 基于回归的方案（代表作：CTPN, TextBoxes）

这种方法借鉴了通用目标检测（如 YOLO）。它预设了很多“小框”（Anchors），然后判断这些框里有没有文字，并不断调整框的大小来包裹文字。

  • 优点： 速度极快。
  • 缺点： 面对倾斜文字或弯曲文字时，矩形框会显得非常笨拙，经常把不相关的背景也圈进来。

B. 基于分割的方案（代表作：DBNet, PSENet）

这是目前主流的**“像素级”**做法。AI 不再画框，而是给每个像素做判断：“你属于文字笔画吗？”

  • DBNet（可微分二值化）： 这是目前中国 OCR 方案（如 PaddleOCR）最常用的算法。它不仅能找到文字，还能精准地描绘出文字的边缘轮廓，哪怕文字是斜着贴在水瓶上的。
  • 优点： 能够处理任意形状、任意旋转角度的文字。

C. 基于检测与识别一体化（End-to-End）

这种方法更进一步，不再分两步走，而是在确定位置的同时就把字认出来了。这减小了步骤之间的误差积累。

3. 中国场景下的特殊挑战

在做符合中国国情的 OCR 解决方案时，文字检测必须考虑以下细节：

  • 竖排文字： 中国古籍、春联、或是部分广告牌采用从上到下的阅读顺序，检测算法必须支持纵向长条切割。
  • 印章干扰： 红色公章往往压在黑色文字上，检测引擎需要具备“透视”能力，分清哪些是背景印章，哪些是需要识别的文字。
  • 超长字符串： 中国的证件号、长公司名非常多，算法必须能稳健地将整行文本视为一个整体。

4. 给开发者的“避坑”建议

如果你正在集成文字检测模块，记得关注以下参数：

  1. 检测阈值： 调高了会漏掉模糊的字，调低了会把背景噪点当成文字。
  2. 膨胀系数（Expansion）： 圈出的框稍微比文字大一点点，识别率通常会更高。
  3. 多边形 vs 矩形： 如果你的业务场景涉及大量自然场景（如招牌、证件照片），务必选择支持多边形输出（4个点以上）的算法。