针对 OCR 检测框碎片化问题，动态调整 IoU（交并比）阈值的核心在于摒弃固定阈值策略 ，转而根据文本几何特征 、置信度分布 及场景密度构建自适应机制。固定阈值（如 0.3）在密集排版或长文本断裂场景下极易导致"过合并"（将不同行误连）或"欠合并"（同一行未连通）。
1. 动态阈值调整策略
通过引入多维度的权重因子，实时计算当前检测框对的最佳合并阈值。
| 调整维度 | 动态策略逻辑 | 适用场景与效果 |
|---|---|---|
| 基于间距自适应 | 阈值与框间水平距离成反比。距离越近，允许更低的 IoU 进行合并；距离较远时，强制提高 IoU 要求以防误连 。 | 长文本断裂：有效连接因字体间隙过大被拆分的字符框，同时避免跨行合并。 |
| 基于置信度加权 | 若相邻框置信度均高（>0.9），降低 IoU 门槛以保留完整语义；若存在低置信度框，提高门槛以过滤噪声干扰 。 | 复杂背景：在光照不均或模糊区域，防止低质量检测框错误合并到高质量文本行中。 |
| 基于文本密度 | 统计局部区域内的框数量。高密度区域（如表格、密集段落）自动调高 IoU 阈值，低密度区域（如标题）适当放宽 。 | 表格/密集排版：解决行间距极小导致的行间误合并问题，保持行独立性。 |
| 基于几何长宽比 | 针对细长型检测框（典型文本行特征），若合并后长宽比异常变化，动态修正 IoU 判定逻辑 。 | 不规则文本：适应弯曲或倾斜文本，避免因形状突变导致的合并失败。 |
2. 核心算法实现：动态 IoU 合并
以下代码实现了基于距离衰减 和置信度加权的动态 IoU 阈值计算逻辑，替代了传统的固定阈值判断。
python
import numpy as np
def calculate_iou(box1, box2):
"""计算两个边界框的交并比 (IoU)"""
x1 = max(box1[0], box2[0])
y1 = max(box1[1], box2[1])
x2 = min(box1[2], box2[2])
y2 = min(box1[3], box2[3])
inter_area = max(0, x2 - x1) * max(0, y2 - y1)
box1_area = (box1[2] - box1[0]) * (box1[3] - box1[1])
box2_area = (box2[2] - box2[0]) * (box2[3] - box2[1])
union_area = box1_area + box2_area - inter_area
return inter_area / union_area if union_area > 0 else 0
def get_dynamic_iou_threshold(box1, box2, base_threshold=0.3):
""" 动态计算 IoU 阈值
策略：
1. 距离衰减：水平距离越近，阈值要求越低
2. 置信度加权：双高置信度可降低阈值，促进合并
"""
# 1. 计算水平间距 (假设 box1 在左)
distance_x = max(0, box2[0] - box1[2])
# 2. 计算垂直重叠率 (判断是否在同一行的重要指标)
y_overlap = max(0, min(box1[3], box2[3]) - max(box1[1], box2[1]))
height_min = min(box1[3] - box1[1], box2[3] - box2[1])
vertical_overlap_ratio = y_overlap / height_min if height_min > 0 else 0
# 如果垂直方向几乎不重叠，直接返回极大阈值阻止合并 if vertical_overlap_ratio < 0.5:
return 1.0
# 3. 动态调整逻辑
dynamic_threshold = base_threshold
# 距离因子：距离每增加 1 像素，阈值提高 0.01，最大不超过 0.8
distance_penalty = min(0.5, distance_x * 0.01)
dynamic_threshold += distance_penalty
# 置信度因子 (假设 box 结构中包含 'score' 字段，此处模拟默认高分)
# 实际应用中需传入 score 参数：if (box1['score'] > 0.9 and box2['score'] > 0.9): # 这里简化为：若垂直重叠度极高 (>0.8)，允许适当降低阈值以连接断裂文本
if vertical_overlap_ratio > 0.8:
dynamic_threshold -= 0.1
return max(0.1, min(0.9, dynamic_threshold))
def merge_ocr_boxes_dynamic(boxes, base_iou=0.3):
"""
使用动态 IoU 阈值合并 OCR 检测框
boxes 格式：[[x_min, y_min, x_max, y_max], ...]
"""
if not boxes:
return []
# 按 Y 轴排序，确保同行处理优先
boxes = sorted(boxes, key=lambda k: k[1])
merged = []
current_box = boxes[0]
for i in range(1, len(boxes)):
next_box = boxes[i]
# 获取动态阈值 threshold = get_dynamic_iou_threshold(current_box, next_box, base_iou)
iou = calculate_iou(current_box, next_box)
# 执行合并判断
if iou >= threshold:
current_box = [
min(current_box[0], next_box[0]),
min(current_box[1], next_box[1]),
max(current_box[2], next_box[2]),
max(current_box[3], next_box[3])
]
else:
merged.append(current_box)
current_box = next_box
merged.append(current_box)
return merged
# 示例数据：包含一个因间距稍大可能被传统算法漏掉的长文本片段
raw_detections = [
[10, 10, 50, 30], # 框 1
[55, 12, 90, 28], # 框 2 (间距 5px，传统固定阈值 0.3 可能因 IoU 不足而失败，动态阈值会降低要求)
[10, 100, 50, 120] # 框 3 (独立行)
]
final_boxes = merge_ocr_boxes_dynamic(raw_detections)
print(f"动态合并后框数量：{len(final_boxes)}")# 预期输出：2 (框 1 和框 2 被成功合并)3. 工程落地中的关键优化点
在实际工业级部署中，仅靠 IoU 调整不足以解决所有碎片化问题，需结合以下策略形成闭环 ：
- 级联合并策略：先使用低阈值进行"激进合并"以召回长文本，再使用几何规则（如长宽比限制）进行"二次清洗"，剔除因过度合并产生的异常大框。这种两阶段法在反光衣检测等小目标场景中已被验证能显著提升 Recall（召回率）。
- 上下文感知 NMS：在非极大值抑制（NMS）阶段，不仅考虑 IoU，还引入文本行的语义连续性评分。对于中文长尾场景（如古籍竖排、工程图纸），利用视觉 语言联合建模提供的语义信息辅助判断是否合并，可有效解决传统几何方法无法处理的复杂断裂问题 。
- 多尺度滑窗切片：针对超大分辨率图像中的微小碎片，采用滑窗切片（Sliding Window）分别检测后再进行全局坐标映射与合并。此方法在工业零件缺陷检测中常用于捕捉细划痕，同样适用于密集小字号文本的碎片整合 。