由于目前端到端模型较少，并且训练难度大，故采取拆分的方式。将任务分为检测，识别 两部分。
考虑到我们机场检测大部分场景难以达到正视效果，故优先采取可以检测斜体的方法。
- 仓库地址
tensorflow实现，提供训练好的模型以及训练脚本。 - 训练 数据可以使用vgg生成(生成好的有
800万)，在有一定学习能力之后进行finetune，finetune需要使用我们的数据。 - 缺点 对于不连续的文字识别效果差。
- 速度 MSRA数据集上（分辨率从
1296x864到1920x1280）可以达到10fps左右。
- 仓库地址
tensorflow实现，提供训练好的ICDAR模型以及训练脚本。 - 训练同seglink
- 速度
1080ti 16fps。
- 仓库地址
caffe实现，提供训练好的模型但不提供训练脚本。 - 缺点 水平文字识别，不能识别斜体，我修改源代码后可以实现将预测框变为倾斜框。但bounding box可能会有些松。
- 速度 在
gtx980上分辨率max(wdith,height)=1000的图片5fps。
- 仓库地址
caffe实现，提供训练好的ICDAR模型以及训练脚本。 - 训练同seglink
- 缺点 水平文字，但是作者与
CRNN结合完成定位+识别方案。 - 速度 大致
10fps。
- 仓库地址
- caffe实现。
- tensorflow提供训练好的模型以及练脚本。
- 仓库地址
tensorflow实现，提供模型。 - 猜测速度比较慢。
初步定为server的形式。
在该方案中，server端使用python进行服务，原因为caffe，tensorflow均提供python接口，python也可以使用FLASK提供web服务，robot小车使用opencv截取图片后使用request发送post异步请求即可。时间设置为每秒发送一次。