CN107818321A - 一种用于车辆年检的水印日期识别方法 - Google Patents
一种用于车辆年检的水印日期识别方法 Download PDFInfo
- Publication number
- CN107818321A CN107818321A CN201710949524.9A CN201710949524A CN107818321A CN 107818321 A CN107818321 A CN 107818321A CN 201710949524 A CN201710949524 A CN 201710949524A CN 107818321 A CN107818321 A CN 107818321A
- Authority
- CN
- China
- Prior art keywords
- watermark
- date
- annual test
- image
- vehicle annual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于车辆年检的水印日期识别方法，包括如下步骤：定位水印候选区，并提取水印候选区域图像，识别水印日期信息，并校验其合法性，将合法的水印日期信息以字符串形式输出识别结果，若不合法则保存车辆年检图片，以备人工查询。本发明主要应用于机动车车辆年检中的水印日期识别，有效解决了传统水印日期识别的方法存在初定位不准的，抗干扰能力差，识别准确率低等问题。从而在车辆年检中替换了现有的人工识别方式，在节约了人力的同时，有效地提高了水印日期识别的准确率。
Description
技术领域
本发明涉及机动车车辆年检的人工智能识别技术领域，特别涉及一种用于车辆年检的水印日期识别方法。
背景技术
随着社会经济的快速发展和人民生活水平的不断提高，城市机动车保有量迅速增长。机动车车辆年检的工作量也随之急剧增加。为了节约人工成本，提高检验效率，传统车辆年检中的很多项目已逐步从人工识别方式向智能识别方式过渡。其中，车辆年检的水印日期识别可以为监督机构监督检验员拍摄照片的时效性提供依据，防止检验员将车辆的历史照片用于当年的年检。但是，传统水印日期识别的方法存在初定位不准的，抗干扰能力差，识别准确率低等问题。
如何在节约人工成本的前提下，提高水印日期识别的准确率，从而有效地为车辆检验监督机构提供监督依据，是急需解决的技术问题。
发明内容
本发明的目的是：提出一种用于车辆年检的水印日期识别方法，该方法高效准确，可以有效替代人工识别方式，以满足如今对车辆年检工作效率、准确率的需求。
本发明解决其技术问题所采用的技术方案是：
一种用于车辆年检的水印日期识别方法，包括如下步骤：
S1、将车辆年检图片变换到HSV颜色空间，给HSV三通道设置阈值，过滤出水印颜色的像素点，根据连通关系得到若干个点集，并计算它们的外接矩形，该外接矩形的区域即水印候选区域；
S2、若存在所述水印候选区域，则采用基于深度学习网络的文本目标检测模型，依次在每个水印候选区域中检测水印日期并记录得分；若不存在所述水印候选区域，则保存车辆年检图片，以备人工查验，识别结束；
S3、若检测到所述水印日期，则记录得分最高的水印日期位置，并获取其对应的图像；若未检测到所述水印日期，则保存车辆年检图片，以备人工查验，识别结束；
S4、采用基于深度学习网络的字符分割识别模型识别步骤S3中获取的图像中的水印日期信息；
S5、校验步骤S4中提取的水印日期信息的合法性；
S6、若步骤S5的校验结果合法，则以字符串形式输出识别结果；否则保存车辆年检图片，以备人工查验。
进一步，所述文本目标检测模型的获取步骤如下：
S21、准备一批带有水印的车辆年检图片作为样本；
S22、采用步骤S1中所述的方法得到样本图片中的水印候选区域图像，并保存；
S23、采用矩形框在所述水印候选区域图像中标记水印日期所在的位置；
S24、使用标注好的数据训练目标检测深度神经网络模型，获得文本目标检测模型。
进一步，所述字符分割识别模型的获取步骤如下：
S31、基于S23用矩形标注的水印日期位置，得到水印日期图像，作为标注样本；
S32、采用矩形框在水印日期图像上标记日期中的所有字符的位置和类别；
S33、根据步骤S32中标注的位置和类别，计算出水印日期图像上每个像素点所属的类别，生成一幅和水印日期图像尺寸相同的标签图像；
S34、使用所述水印日期图像和所述标签图像构成一数据集，并利用训练场景分割深度神经网络模型，获得字符分割识别模型。
进一步，所述水印日期信息的合法性包括长度合法性和数值合法性；其中，长度合法性指年、月、日字段必须分别为4、2、2个字符长度，数值合法性指所识别年、月、日的数值必须在自然年、月、日的数值范围内。
本发明的有益效果是：本发明主要应用于机动车车辆年检中的水印日期识别，有效解决了传统水印日期识别的方法存在初定位不准的，抗干扰能力差，识别准确率低等问题。从而在车辆年检中替换了现有的人工识别方式，在节约了人力的同时，有效地提高了水印日期识别的准确率。
附图说明
图1是本发明车辆年检水印日期识别的流程图。
图2是本发明文本目标检测模块的示意图。
图3是本发明字符识别模块的示意图。
具体实施方式
以下结合附图。对本发明做进一步说明。
本发明的车辆年检水印日期识别方法具体流程如图1所示，具体实施步骤如下：
S1、将车辆年检图片变换到HSV颜色空间，其中，H表示色调，取值区间为[0,180)，S表示饱和度，取值区间为[0,255]，V表示明度，取值区间为[0,255]。根据水印颜色给HSV三通道设置筛选范围，过滤出水印候选区域的像素点。优选地，以水印红色为例，H通道的筛选区间设置为[0,20)U[160,180)，同时将S和V通道的筛选区间都设置为[30,255]。将符合筛选条件的像素值标记为255，其他像素值标记为0，得到和车辆年检图片尺寸相同的二值掩码图。对二值掩码图做形态学膨胀，膨胀操作核选择为矩形核，其长宽均设置为掩码图宽度的百分之一。再分析膨胀后掩码图的连通关系，对标记为255的所有点，根据8邻域的连通性，分成若干个互不相连的点集。分别计算出这些点集的外界矩形，将宽度小于掩码图宽度十分之一的矩形删除，剩下的矩形区域都作为水印候选区域。
S2、获取S1所述的水印候选区域的图像。如图2所示，采用基于深度学习网络的文本目标检测模型，依次在每个候选区域中检测水印日期。检测结果表示为向量[c,s,x,y,w,h]，其中，c表示类别，本检测模型中只有一种类别，即水印日期，故c的取值恒为1；s表示得分，取值范围为0到1之间的小数，得分越高表示检测到的水印日期可信度越高；x,y,w,h分别表示水印日期所在矩形位置的左上角坐标和宽高。
其中，基于深度学习网络的文本目标检测模型的获取方法如下：
准备一批带有水印的车辆年检图片作为样本。车辆年检图片中水印日期可能出现在水印区域的不同位置。因此，选择样本时要保证水印位置的多样性。采用S1所述的方法得到样本图片中的水印候选区域，保存所述区域的图像，人工剔除其中并不包含水印的图片，即完成水印区域图片的收集。采用矩形框在水印区域图片中标记水印日期所在的位置。注意，标注的矩形框应完整包含水印日期内容。若有些水印区域图片中不包含水印日期，不标注位置即可，仍保留这些样本图片。使用标注好的数据训练目标检测深度神经网络模型，获得文本目标检测模型(公知常识,兹不赘述)。
S3、保存S2检测到的所有水印日期的得分、位置以及所在水印区域图像的索引。按照得分降序排列，根据得分最高的水印日期的位置从对应的水印区域图像上截取水印日期图像，以供后续识别。
S4、如图3所示，采用基于深度学习网络的字符分割识别模型识别S3所得水印日期图像中的日期信息。识别模型的输出结果可表示为和水印日期图像尺寸相同的灰度图像。灰度图中，每一个点的灰度值只有N+1种可能的取值，其中N表示字符的类别数，此外，背景类也占有一种灰度值。本方案中，字符的类别包括“0”到“9”十个数字以及符号“-”，故N的取值为11，则灰度图中每个点的取值有12种可能，对应训练字符分割识别模型的12个标签，灰度值为0表示该点属于背景，灰度值1至10分别表示该点属于字符“0”到“9”，灰度值11表示符号“-”。至此预测出每个像素点的类别，再根据像素点的分布关系，即可预测出字符的位置和类别。具体操作如下，首先对字符分割识别模型输出的灰度图分别用上述11种灰度值过滤，得到11张二值掩码图，例如过滤灰度值为3，则将灰度值为3的点的掩码值置为255，其余的点都置为0。再对二值掩码图做形态学膨胀，膨胀操作核选择矩形核，其长宽均设置为掩码图宽度的百分之一。根据8邻域的连通性，将掩码值为255的点分成若干个互不相连的点集，计算点集内点的个数及其外接矩形，并记录对应的灰度值标签。按照点集内点的个数从大到小排序，前十个点集对应的外接矩形即水印日期字符的位置，其灰度值标签即识别出的字符类别。
其中，基于深度学习网络的场景分割模型的获取方法如下：
基于S2中用矩形标注的水印日期位置，得到水印日期图像，作为标注样本。采用矩形框在水印日期图像上标记日期中的所有字符的位置和类别。注意，标注的矩形框应完整包含日期字符的内容，但标注时相邻字符的矩形框不应有任何重叠。对于字符类别的标注，日期内容中共含有“0”到“9”以及“-”等11个中不同的字符，对应的标签依次标记为1到11。根据已标注好字符位置和类别，计算出水印日期图像上每个像素点所属的类别，其中，矩形框内的像素点都标记为所属字符的类别标签，即1到11之中的值。矩形框外的像素点为背景，标签为0。如此生成一幅和水印日期图像尺寸相同的标签图像。使用上述水印日期图像和标签图像构成的数据集，训练场景分割深度神经网络模型，获得字符分割识别模型(公知常识,兹不赘述)。
S5、校验识别结果中年月日信息的合法性，包括长度合法性和数值合法性。基于S4输出的10个字符的位置和类别，首先根据两个分隔符“-”的位置，将识别结果分成年、月、日三个字段。合法的年、月、日字段必须分别为4、2、2个字符长度，且年、月、日数值必须在自然年、月、日的数值范围内。
S6、若识别的年月日信息合法，则以字符串形式输出识别结果。
注意，对于S2中不存在水印候选区域、S3中不存在水印日期的问题以及S5中年月日信息不合法的问题，原因一般为所检测的车辆年检图片本身未打上水印或者图片质量存在问题，故保存问题图片以备人工查验。
以上显示和描述了本方案的基本原理、主要特征和本方案的优点。本行业的技术人员应该了解，本方案不受上述实施例的限制，上述实施例和说明书中描述的只是说明本方案的原理，在不脱离本方案精神和范围的前提下，本方案还会有各种变化和改进，这些变化和改进都落入要求保护的本方案范围内。本方案要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种用于车辆年检的水印日期识别方法，其特征在于，包括如下步骤：
S1、将车辆年检图片变换到HSV颜色空间，给HSV三通道设置阈值，过滤出水印颜色的像素点，根据连通关系得到若干个点集，并计算它们的外接矩形，该外接矩形的区域即水印候选区域；
S2、若存在所述水印候选区域，则采用基于深度学习网络的文本目标检测模型，依次在每个水印候选区域中检测水印日期并记录得分；若不存在所述水印候选区域，则保存车辆年检图片，以备人工查验，识别结束；
S3、若检测到所述水印日期，则记录得分最高的水印日期位置，并获取其对应的图像；若未检测到所述水印日期，则保存车辆年检图片，以备人工查验，识别结束；
S4、采用基于深度学习网络的字符分割识别模型识别步骤S3中获取的图像中的水印日期信息；
S5、校验步骤S4中提取的水印日期信息的合法性；
S6、若步骤S5的校验结果合法，则以字符串形式输出识别结果；否则保存车辆年检图片，以备人工查验。
2.如权利要求1所述的水印日期识别方法，其特征在于，所述文本目标检测模型的获取步骤如下：
S21、准备一批带有水印的车辆年检图片作为样本；
S22、采用步骤S1中所述的方法得到样本图片中的水印候选区域图像，并保存；
S23、采用矩形框在所述水印候选区域图像中标记水印日期所在的位置；
S24、使用标注好的数据训练目标检测深度神经网络模型，获得文本目标检测模型。
3.如权利要求2所述的水印日期识别方法，其特征在于，所述字符分割识别模型的获取步骤如下：
S31、基于S23用矩形标注的水印日期位置，得到水印日期图像，作为标注样本；
S32、采用矩形框在水印日期图像上标记日期中的所有字符的位置和类别；
S33、根据步骤S32中标注的位置和类别，计算出水印日期图像上每个像素点所属的类别，生成一幅和水印日期图像尺寸相同的标签图像；
S34、使用所述水印日期图像和所述标签图像构成一数据集，并利用训练场景分割深度神经网络模型，获得字符分割识别模型。
4.如权利要求2所述的水印日期识别方法，其特征在于，所述水印日期信息的合法性包括长度合法性和数值合法性；其中，长度合法性指年、月、日字段必须分别为4、2、2个字符长度，数值合法性指所识别年、月、日的数值必须在自然年、月、日的数值范围内。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710949524.9A CN107818321A (zh) | 2017-10-13 | 2017-10-13 | 一种用于车辆年检的水印日期识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710949524.9A CN107818321A (zh) | 2017-10-13 | 2017-10-13 | 一种用于车辆年检的水印日期识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107818321A true CN107818321A (zh) | 2018-03-20 |
Family
ID=61608217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710949524.9A Withdrawn CN107818321A (zh) | 2017-10-13 | 2017-10-13 | 一种用于车辆年检的水印日期识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107818321A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805519A (zh) * | 2018-05-18 | 2018-11-13 | 赵崇标 | 纸质日程表电子化生成方法、装置及电子日程表生成方法 |
| CN110442680A (zh) * | 2019-08-05 | 2019-11-12 | 西南财经大学 | 基于视觉的表意文字嵌入式向量生成方法 |
| CN110852896A (zh) * | 2019-12-22 | 2020-02-28 | 上海眼控科技股份有限公司 | 保险单的日期有效性判断方法、装置、设备及存储介质 |
| CN110990801A (zh) * | 2019-11-29 | 2020-04-10 | 深圳市商汤科技有限公司 | 信息校验方法及装置、电子设备和存储介质 |
| CN110991488A (zh) * | 2019-11-08 | 2020-04-10 | 广州坚和网络科技有限公司 | 一种使用深度学习模型的图片水印识别方法 |
| CN111931721A (zh) * | 2020-09-22 | 2020-11-13 | 苏州科达科技股份有限公司 | 年检标签颜色和个数的检测方法、装置及电子设备 |
| CN112907433A (zh) * | 2021-03-25 | 2021-06-04 | 苏州科达科技股份有限公司 | 数字水印嵌入方法、提取方法、装置、设备及介质 |
| CN114330332A (zh) * | 2021-12-28 | 2022-04-12 | 中国农业银行股份有限公司 | 表单数据的处理方法、装置、电子设备及存储介质 |
-
2017
- 2017-10-13 CN CN201710949524.9A patent/CN107818321A/zh not_active Withdrawn
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805519B (zh) * | 2018-05-18 | 2021-09-28 | 赵崇标 | 纸质日程表电子化生成方法、装置及电子日程表生成方法 |
| CN108805519A (zh) * | 2018-05-18 | 2018-11-13 | 赵崇标 | 纸质日程表电子化生成方法、装置及电子日程表生成方法 |
| CN110442680A (zh) * | 2019-08-05 | 2019-11-12 | 西南财经大学 | 基于视觉的表意文字嵌入式向量生成方法 |
| CN110991488B (zh) * | 2019-11-08 | 2023-10-20 | 广州坚和网络科技有限公司 | 一种使用深度学习模型的图片水印识别方法 |
| CN110991488A (zh) * | 2019-11-08 | 2020-04-10 | 广州坚和网络科技有限公司 | 一种使用深度学习模型的图片水印识别方法 |
| CN110990801B (zh) * | 2019-11-29 | 2022-05-17 | 深圳市商汤科技有限公司 | 信息校验方法及装置、电子设备和存储介质 |
| CN110990801A (zh) * | 2019-11-29 | 2020-04-10 | 深圳市商汤科技有限公司 | 信息校验方法及装置、电子设备和存储介质 |
| CN110852896A (zh) * | 2019-12-22 | 2020-02-28 | 上海眼控科技股份有限公司 | 保险单的日期有效性判断方法、装置、设备及存储介质 |
| CN111931721A (zh) * | 2020-09-22 | 2020-11-13 | 苏州科达科技股份有限公司 | 年检标签颜色和个数的检测方法、装置及电子设备 |
| CN111931721B (zh) * | 2020-09-22 | 2023-02-28 | 苏州科达科技股份有限公司 | 年检标签颜色和个数的检测方法、装置及电子设备 |
| CN112907433A (zh) * | 2021-03-25 | 2021-06-04 | 苏州科达科技股份有限公司 | 数字水印嵌入方法、提取方法、装置、设备及介质 |
| CN112907433B (zh) * | 2021-03-25 | 2023-06-02 | 苏州科达科技股份有限公司 | 数字水印嵌入方法、提取方法、装置、设备及介质 |
| CN114330332A (zh) * | 2021-12-28 | 2022-04-12 | 中国农业银行股份有限公司 | 表单数据的处理方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107818321A (zh) | 一种用于车辆年检的水印日期识别方法 | |
| CN105608456B (zh) | 一种基于全卷积网络的多方向文本检测方法 | |
| CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
| CN109784326A (zh) | 一种基于深度学习的车辆底盘检测方法 | |
| CN110059694A (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
| CN108921201B (zh) | 基于特征组合与cnn的大坝缺陷识别与分类方法 | |
| CN110033000A (zh) | 一种票据图像的文本检测与识别方法 | |
| CN111340784B (zh) | 一种基于Mask R-CNN图像篡改检测方法 | |
| CN104408449B (zh) | 智能移动终端场景文字处理方法 | |
| CN110598693A (zh) | 一种基于Faster-RCNN的船牌识别方法 | |
| CN106056118A (zh) | 一种用于细胞的识别计数方法 | |
| CN104778470B (zh) | 基于组件树和霍夫森林的文字检测和识别方法 | |
| CN108491797A (zh) | 一种基于大数据的车辆图像精确检索方法 | |
| CN112528997B (zh) | 一种基于文本中心区域扩增的藏汉双语场景文本检测方法 | |
| CN106610969A (zh) | 基于多模态信息的视频内容审查***及方法 | |
| CN104199840B (zh) | 基于统计模型的智能地名识别技术 | |
| CN107808375B (zh) | 融合多种上下文深度学习模型的水稻病害图像检测方法 | |
| CN103093240A (zh) | 书法字识别方法 | |
| CN104732215A (zh) | 一种基于信息向量机的遥感影像海岸线提取方法 | |
| CN101702197A (zh) | 一种道路交通标志的检测方法 | |
| CN104573685A (zh) | 一种基于线性结构提取的自然场景文本检测方法 | |
| CN106919910B (zh) | 一种基于hog-cth组合特征的交通标志识别方法 | |
| CN107038416A (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| CN105117707A (zh) | 一种基于区域图像的人脸表情识别方法 | |
| CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180320 |