将 Street View Text 数据集的 GroundTruth 标注在图像上

自然场景图像，Street View Text 数据集是非常著名的一个数据集。所有的图像都源自于 Google Street View，这里面的图像分辨率较低，文字变化较大。

数据集给定的 ground truth 是两个 XML 文件： train.xml、test.xml，示例如下：

<?xml version="1.0" encoding="utf-8"?><tagset>   <image>      <imageName>img/14_03.jpg</imageName>      <address>341 Southwest 10th Avenue Portland OR</address>      <lex>LIVING,ROOM,THEATERS,KENNY,ZUKE,DELICATESSEN,CLYDE,COMMON,ACE,HOTEL,PORTLAND,ROSE,CITY,BOOKS,STUMPTOWN,COFFEE,ROASTERS,RED,CAP,GARAGE,FISH,GROTTO,SEAFOOD,RESTAURANT,AURA,RESTAURANT,LOUNGE,ROCCO,PIZZA,PASTA,BUFFALO,EXCHANGE,MARK,SPENCER,LIGHT,FEZ,BALLROOM,READING,FRENZY,ROXY,SCANDALS,MARTINOTTI,CAFE,DELI,CROWSENBERG,HALF</lex>        <Resolution x="1280" y="880"/>      <taggedRectangles>         <taggedRectangle height="75" width="236" x="375" y="253">            <tag>LIVING</tag>         </taggedRectangle>         <taggedRectangle height="76" width="175" x="639" y="272">            <tag>ROOM</tag>         </taggedRectangle>         <taggedRectangle height="87" width="281" x="839" y="283">            <tag>THEATERS</tag>         </taggedRectangle>      </taggedRectangles>   </image>......

那么怎么将这里面标出的 ground truth 框框，框到原图像中呢？

我写了一个 python 脚本，通过解析 XML 文件，将框框放到原图上。通过这段代码，你可以学会怎么样去 Parse 一个 XML 文件。

代码如下：

import os, sysimport globfrom PIL import Imagefrom PIL import ImageDrawfrom xml.etree import ElementTreetrain_XML_src_dir = '/media/chenxp/Datadisk/ocr_dataset/StreetViewTextDataset/svt1/train.xml'test_XML_src_dir = '/media/chenxp/Datadisk/ocr_dataset/StreetViewTextDataset/svt1/test.xml'images_src_dir = '/media/chenxp/Datadisk/ocr_dataset/StreetViewTextDataset/svt1/'images_save_dir = '/media/chenxp/Datadisk/ocr_dataset/StreetViewTextDataset/svt1/img_groundtruth'with open(train_XML_src_dir) as f:    tree = ElementTree.parse(f)train_fd = open('train.txt', 'w')for node in tree.iter('image'):    img_name = [] # 记录保存图像名    for each_image in node:        if each_image.tag == 'imageName':            img_name.append(each_image.text[4::]) # 记录保存图像名            tmp_img = Image.open(images_src_dir + each_image.text)            tmp_draw = ImageDraw.Draw(tmp_img)            train_fd.write(images_src_dir + each_image.text + '\n') # 将路径写入 txt 文件        if each_image.tag == 'taggedRectangles':            count = 0 # count the number of taggedRectangle            x = []; y = []            width = []; height = []            for each_taggedRect in each_image:                count = count + 1                tmp_dict = each_taggedRect.attrib # 获取坐标信息，得到的为字典                x.append(tmp_dict['x']); tmp_x = int(tmp_dict['x'])                y.append(tmp_dict['y']); tmp_y = int(tmp_dict['y'])                width.append(tmp_dict['width']); tmp_w = int(tmp_dict['width'])                height.append(tmp_dict['height']); tmp_h = int(tmp_dict['height'])                tmp_draw.polygon((tmp_x, tmp_y, tmp_x + tmp_w, tmp_y, tmp_x + tmp_w, tmp_y + tmp_h, tmp_x, tmp_y + tmp_h), outline='red')            tmp_img.save(os.path.join(images_save_dir, img_name[0]))            train_fd.write(str(count) + '\n')            for i in xrange(len(x)):                train_fd.write(str(x[i]) + ',' + str(y[i]) + ',' + str(width[i]) + ',' + str(height[i]) + ',\n')train_fd.close()

运行后，会产生两个文件。一个是标注 ground truth 的图像，一个是我自己需要的 txt 文件，其文件格式如下：

/home/chenxp/.../.../***.jpg # 图像绝对路径3                            # 这张图像 ground truth 的个数x1, y1, w, h                 # 本张图像的 ground truth 的坐标信息x1, y1, w, h...

几个图像示例：

 

 

鉴于 SVT 原先的 UC 地址：http://vision.ucsd.edu/~kai/svt/，已经不能正常访问了（至少我今天访问了好几次，都无法正常访问）。

我将 SVT 数据集上传到云端，包括我自己生成的标注好的图像：Street View Text Dataset

还有，如果想自己下载 SVT 数据集，可以到这个网址上注册下载：http://tc11.cvc.uab.es/datasets/SVT_1