موقعیت یابی یعنی تشخیص متون در تصاویر و یافتن موقعیت محل آنها درابعاد پاراگراف، جمله، کلمه یا حرف است. یافتن بی درنگ محل متن به عنوان هسته اصلی پردازش در تبدیل تصاویر به نوشتار در سه گام، موقعیت یابی، تشخیص و خواندن متون است. هر سيستم استخراج اطلاعات متن از تصویر، یک ورودی به شکل تصویر ساكن یا فریم ویدئو را دریافت مي كند. تصاویر آن مي تواند دارای سطوح خاكستری یا رنگي با فونت های متنوع و نگارش های گوناگون با پهنای قلم و ضخامت های متفاوت و فانتزی باشد. موقعيت یابي متون از سطح بالای یافتن توده های حجيم متني و پاراگرافها، سطح مياني ادراک جملات، تا سطح تشخيص حروف بر اساس ساختار هر زبان بر پيچيدگي آن مي افزاید و تشخيص دقيق محل متن علاوه بر استفاده از روشهای موازی، الگوریتم های توزیعي و معيارهای اندازه گيری آنها نيازمند برخورداری از بستر پردازشگرهای سریع، كارا و توزیع شده هستند. افزایش حجم داده ها در كنار درجه پيچيدگي محاسبات جهت عمليات اصلاح اشکالات تصویربرداری، پيش پردازش و بهبود تصاویر، ارتقاء كيفيت و واضح سازی متون، تفکيک متون واقعي از متون تصادفي غيرواقعي، حذف نویزهای تصویر، تفکيک متون هم پوشان، تعيين ابعاد قلم نگارش، اصلاح زاویه چرخش متون و ميزان تاری تصویر، بهبود تحدب و تقعر زمينه تصاویر و مانند آن بر لاینحل بودن آن مي افزاید. این امر نيازمندی به سيستمهای نوین موقعيت یابي تصاویر طبيعي را علاوه بر برخورداری از متون موجود در تصاویر شامل دو نوع متون حقيقي و مصنوعي ساختاریافته منظم و نامنظم در مناظر طبيعي و متون فانتزی گرافيکي هستند. متون مناظر طبيعي از تصاویری هستند كه توسط دوربين های عکس برداری متداول اخذ شده اند. موقعيت یابي متون برای كاربردهای خودكار نوین مانند شناسایي علائم، خواندن متون قدیمي، بایگاني اسناد، خبریابي تا تشخيص تابلوها برای علائم جاده ها، متون آگهي ها، متون خودروهای اورژانس، متون تابلو مغازه ها، نوشته های پيراهن افراد و متون زیرنویس فيلمها توسط ربات های ساكن و پرنده توسعه بسياری یافته است. متون مناظر و چشم اندازهای طبيعي در مقایسه با متون گرافيکي ساختاریافته، متنوع و غيرقابل پيش بيني هستند.استخراج متون مناظر طبيعي توسط ریزپرنده ها یا رباتهای سيار برای تشخيص مسير بر اساس تابلوهای راهنمایي، كشف تشخيص پلاک خودرو، شناسایي اشياء و مانند آن از كاربردهای نوین تشخيص خودكار متون هستند.