장면 텍스트 인식(Scene Text Recognition, 약칭 STR)은 자연 장면 이미지 속 텍스트 내용 인식을 위한 컴퓨터 비전 기술의 한 분야로, 거리 풍경, 광고판, 교통 표지판, 상품 포장 등 복잡한 환경에서 텍스트를 자동으로 감지하고 인식하는 것을 목표로 합니다. 전통적인 OCR이 주로 스캔된 문서나 인쇄된 텍스트를 처리하는 것과 달리, STR은 실제 세계의 조명 변화, 글꼴 변화, 원근 왜곡, 배경 간섭 및 불규칙한 텍스트 형태 등의 문제에 직면해야 합니다.

장면 텍스트 인식의 발전은 OCR, 텍스트 감지 및 시퀀스 인식과 같은 기술을 기반으로 합니다. 초기 방법은 일반적으로 수작업으로 설계된 특징(예: HOG, SIFT 등)과 분류기를 결합하여 문자 인식을 수행했지만, 복잡한 자연 환경에서는 일반화 능력이 제한적이었습니다. 2015년, 화중과학기술대학의 연구진은 논문 An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition에서 CRNN(Convolutional Recurrent Neural Network) 모델을 제안하여, 합성곱 신경망(CNN)을 이미지 특징 추출에, 순환 신경망(RNN)을 시퀀스 모델링에 사용하고, CTC(Connectionist Temporal Classification)를 결합하여 종단 간 텍스트 인식을 구현함으로써 장면 텍스트 인식 분야의 중요한 연구 성과가 되었습니다.

STR의 핵심 목표는 자연 장면의 텍스트 이미지에서 해당 문자 시퀀스를 예측하는 것입니다. 전통적인 수작업 특징 엔지니어링에 의존하는 방법과 달리, 현대 STR 모델은 일반적으로 심층 신경망을 통해 이미지 속 텍스트 형태와 문맥 정보를 자동으로 학습하며, 규칙적인 텍스트 데이터셋(예: IIIT5K, SVT, IC13) 및 불규칙한 텍스트 데이터셋(예: IC15, SVTP, CUTE80)과 같은 벤치마크 작업에서 평가됩니다. 딥러닝과 비전 기초 모델의 발전에 따라, 장면 텍스트 인식은 점차 CNN-RNN 구조에서 Transformer 기반 인식 방법으로 발전했으며, 나아가 비전-언어 모델의 능력을 융합하여 복잡한 글꼴, 긴 텍스트 및 저품질 이미지에 대한 모델의 이해 능력을 향상시켰습니다. 현재 STR 기술은 지능형 교통, 이미지 검색, 문서 분석, 로봇 비전 및 시각 보조 시스템 등 다양한 분야에 널리 적용되고 있으며, 컴퓨터 비전이 실제 세계의 텍스트 정보를 이해하는 중요한 기술 방향입니다.