CN107862314A - 一种喷码识别方法和识别装置 - Google Patents
一种喷码识别方法和识别装置 Download PDFInfo
- Publication number
- CN107862314A CN107862314A CN201711016036.9A CN201711016036A CN107862314A CN 107862314 A CN107862314 A CN 107862314A CN 201711016036 A CN201711016036 A CN 201711016036A CN 107862314 A CN107862314 A CN 107862314A
- Authority
- CN
- China
- Prior art keywords
- feature
- coding
- image
- filter
- group
- 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.)
- Granted
Links
Classifications
-
- 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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
- G06K7/1443—Methods for optical code recognition including a method step for retrieval of the optical code locating of the code in an image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及喷码识别技术领域,提供了一种喷码识别方法和识别装置。其中方法包括根据原始图片的像素值,生成至少一个特征滤镜;使用所述至少一个特征滤镜与所述原始图片进行卷积,得到一组经过不同程度像素调整后的特征图片;按照像素值由低到高的顺序,逐一提取相应的特征图片,并进行对象识别;若在一组特征滤镜处理过程中未识别出目标喷码,则进行下一组特征滤镜的生成、相应特征图片获得和相应目标识别,直到识别出目标喷码。本发明提出了一种可递归实现目标喷码识别的方法,并且,通过生成一组或者多组特征滤镜,处理得到多幅不同分辨率的特征图片的方式,能够快速精准寻找到目标喷码识别区域。
Description
【技术领域】
本发明涉及喷码识别技术领域,特别是涉及一种喷码识别方法和识别装置。
【背景技术】
现有技术中,喷码识别方法根据喷码的格式内容的不同,具有不同的方式。在喷码具体为条形码时,识别方法可以是通过激光扫码技术,并根据激光扫描返回的信号识别条码的分布,从而完成条码的解析。在喷码具体为二维码时,则根据摄像头所制定的拍摄框,抓取二维码图片,并通过解析图片中二维码获取相应信息内容。
除了上述几种喷码外,还有一种相对于人眼更为直观,而对于计算机来说却相对识别困难的写实喷码,即包含生产日期、文字、图标等等的喷码。对于这类型的喷码,多应用于瓶罐封装或者瓶罐的外包装中,而相应的识别技术通常包括以下操作步骤:1)找到字符串区域;2)区分字符和背景;3)分割每个字符块;4)识别每个字符块中的字符。
现有的针对瓶罐封装或者外包装中的写实喷码操作步骤多,代码和算法的复用率交低,一定程度上带来了运算复杂度的提升,对于运算效率和计算准确度有一定的影响。
【发明内容】
本发明要解决的技术问题是现有技术中代码和算法的复用率交低,一定程度上带来了运算复杂度的提升,对于运算效率和计算准确度有一定的影响。
本发明采用如下技术方案:
第一方面,本发明提供了一种喷码识别方法,获取携带待识别喷码的原始图片,包括:
根据原始图片的像素值,生成至少一个特征滤镜;
使用所述至少一个特征滤镜与所述原始图片进行卷积,得到一组经过不同程度像素调整后的特征图片;
按照像素值由低到高的顺序,逐一提取相应的特征图片,并进行对象识别;其中,排在后一级的特征图片的对象识别区域,是根据前一级的特征图片或者前面多级的特征图片的对象识别区域确定的;
若在一组特征滤镜处理过程中未识别出目标喷码,则进行下一组特征滤镜的生成、相应特征图片获得和相应目标识别,直到识别出目标喷码。
优选的,所述进行下一组特征滤镜的生成、相应特征图片获得和相应目标识别,直到识别出目标喷码,具体包括:
得到一组由更低像素值特征滤镜过滤后的过渡图像,并根据前一组特征滤镜得到的过渡图像的对象识别区域结果,解析由新一组特征滤镜过滤后的特征图片;
延续上述对特征滤镜的像素值的调整方式,并且解析根据调整后特征滤镜得到的特征图片过程,直到识别出目标喷码。
优选的,所述根据前一组特征滤镜得到的过渡图像的对象识别区域结果,解析由新一组特征滤镜过滤后的特征图片,具体包括:
根据最临近一次过渡图像的对象识别区域结果,解析由新一组特征滤镜过滤后的特征图片,并且,当识别出的目标喷码的完整性不足时,所述方法还包括:
提取与最后的特征滤镜相差预设排序间隔的一个或者多个特征滤镜所对应的特征图片中的识别区域结果,进一步补充解析由新一组特征滤镜过滤后的特征图片,识别出完整的目标喷码。
优选的,所述完整性具体包括:
在所述喷码具体为字符串时,所述完整性为识别出字符的个数与喷码库中存储的完整喷码对象的字符数相同;
在所述喷码具体为条码时,所述完整性为识别出条码的条数与喷码库中存储的完整喷码对象的条数相同;
在所述喷码具体为图案时,所述完整性为识别出图案与喷码库中存储的完整喷码对象的相似度达到预设阈值。
优选的,所述根据原始图片的像素值,生成至少一个特征滤镜,具体包括:
对所述原始图片进行二值处理得到二值化图片,并进行所述二值化图片中对象的识别;
根据识别出来的一个或者多个对象的外矩形轮廓的尺寸,选择至少一极大值尺寸和一极小值尺寸,以及两者之间的一个或者多个尺寸,按照预设的窗口类型生成所述至少一个特征滤镜。
第二方面,本发明还提供了一种喷码识别方法,获取携带待识别喷码的原始图片,包括:
根据原始图片的像素值,训练出至少一个特征滤镜;
使用所述至少一个特征滤镜与所述原始图片进行卷积,得到一组经过不同程度像素调整后的特征图片;
提取所述特征图片,进行对象识别,得到一组对象识别区域;
进行下一级特征图片的生成和对象识别区域的获取,并通过非极大值抑制的方式验证对应所述一组特征图片的对象识别区域的第一识别结果,以及对应包含所述下一级特征图片的对象识别区域和所述一组特征图片的对象识别区域的第二识别结果;
若第一识别结果和第二识别结果相同则停止后续的下一级特征图片的生成和对象识别区域的获取,转为第一识别结果中目标喷码的解析;
若第一识别结果和第二识别结果不相同则,进一步完成后续的下一级特征图片的生成和对象识别区域的获取,其中,新获取的对象识别区域被归属于当前对象识别区域的最大集合中,并完成新一轮的识别结果计算;并根据所述第一识别结果和第二识别结果的判断方式,进行所述新一轮的识别结果与历史最相邻一次的识别结果的判断。
优选的,在转为第一识别结果中目标喷码的解析时,所述方法还包括:
按照字符高度排序,获取排序后的高度中值;
以中值的1/2作为一行的聚类阈值,随机选择一个字符,从字符的左右两边搜索;将识别结果聚类成一行或者多行字符。
优选的,所述根据原始图片的像素值,训练出至少一个特征滤镜,具体包括:
根据默认特征滤镜计算出目标喷码所对应的对象识别区域;
调整默认特征滤镜,以递归的方式进行新特征图像的生成,并匹配目标喷码所对应的对象识别区域,根据匹配结果逐次调整默认特征滤镜,直到匹配目标喷码所对应的对象识别区域差异小于预设阈值时,得到训练出的特征滤镜。
第三方面,本发明提供了一种喷码识别装置,包括特征滤镜生成模块、特征图片生成模块、对象识别模块和目标喷码识别模块,各模块依次连接,具体的:
特征滤镜生成模块,用于根据原始图片的像素值,生成至少一个特征滤镜;
特征图片生成模块,用于使用所述至少一个特征滤镜与所述原始图片进行卷积,得到一组经过不同程度像素调整后的特征图片;其中,特征滤镜的像素值越大,得到的特征图片的模糊化程度越高;
对象识别模块,用于按照像素值由低到高的顺序,逐一提取相应的特征图片,并进行对象识别;其中,排在后一级的特征图片的对象识别区域,是根据前一级的特征图片或者前面多级的特征图片的对象识别区域确定的;
目标喷码识别模块,用于在一组特征滤镜处理过程中未识别出目标喷码,则调用特征滤镜生成模块、特征滤镜排序模块和特征图片生成模块进行下一组特征滤镜的生成、特征滤镜排序和相应下一组特征图片获得,直到识别出目标喷码。
优选的,所述特征滤镜生成模块、特征滤镜排序模块和特征图片生成模块,在接收到目标喷码识别模块的调用指令后,
所述特征滤镜生成模块,还用于生成一组由更低像素值构成的特征滤镜;
所述特征滤镜排序模块,用于根据所述特征滤镜的像素值大小由高到低排列;
特征图片生成模块,还用于得到一组由更低像素值特征滤镜过滤后的过渡图像;
所述目标喷码识别模块,还用于根据前一组特征滤镜得到的过渡图像的对象识别区域结果,解析由新一组特征滤镜过滤后的特征图片。
优选的,所述目标喷码识别模块中还包括目标补全模块,则根据最后一次经由过渡图像的对象识别区域结果,解析由新一组特征滤镜过滤后的特征图片,并且,当识别出的目标喷码的完整性不足时,具体的:
所述目标补全模块,用于提取与最后的特征滤镜相差预设排序间隔的一个或者多个特征滤镜所对应的特征图片中的识别区域结果,进一步补充解析由新一组特征滤镜过滤后的特征图片,识别出完整的目标喷码。
优选的,所述完整性具体包括:
在所述喷码具体为字符串时,所述完整性为识别出字符的个数与喷码库中存储的完整喷码对象的字符数相同;
在所述喷码具体为条码时,所述完整性为识别出条码的条数与喷码库中存储的完整喷码对象的条数相同;
在所述喷码具体为图案时,所述完整性为识别出图案与喷码库中存储的完整喷码对象的相似度达到预设阈值。
优选的,所述特征滤镜生成模块还包括预处理模块和特征滤镜计算模块,具体包括:
预处理模块,用于对所述原始图片进行二值处理得到二值化图片,并进行所述二值化图片中对象的识别;
特征滤镜计算模块,用于根据识别出来的一个或者多个对象的外矩形轮廓的尺寸,选择至少一极大值尺寸和一极小值尺寸,以及两者之间的一个或者多个尺寸,按照预设的窗口类型生成所述至少一个特征滤镜。
第四方面,本发明还提供了一种电子设备,用于实现第一方面所述的喷码识别方法,所述设备包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述存储器存储有可被所述至少一个处理器执行的指令程序,所述指令被程序设置为执行第一方面所述的喷码识别方法。
第五方面,本发明实施例还提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,用于完成第一方面或第二方面所述的喷码识别方法。
本发明提出了一种可递归实现目标喷码识别的方法,并且,通过生成一组或者多组特征滤镜,处理得到多幅不同分辨率的特征图片的方式,因为无需像现有技术中,直接针对原始图片进行目标喷码区域的寻找和识别,因此,改善了高分辨率图像中,快速精准寻找到目标喷码识别区域。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种喷码识别方法流程示意图;
图2是本发明实施例提供的一种3×3的高斯特征滤镜的示意图;
图3是本发明实施例提供的一种特征图片生成方法示意图;
图4是本发明实施例提供的另一种特征图片生成方法示意图;
图5是本发明实施例提供的一种目标喷码示意图;
图6是本发明实施例提供的一种局部识别出目标喷码的效果示意图;
图7是本发明实施例提供的一种完整识别出目标喷码的效果示意图;
图8是本发明实施例提供的另一种喷码识别方法流程示意图;
图9是本发明实施例提供的一种喷码识别方法中字符行识别流程示意图;
图10是本发明实施例提供的一种喷码识别方法中特征滤镜训练流程示意图;
图11是本发明实施例提供的一种喷码识别装置的结构示意图;
图12是本发明实施例提供的一种喷码识别装置的结构示意图;
图13是本发明实施例提供的一种喷码识别装置的结构示意图;
图14是本发明实施例提供的一种喷码识别装置的结构示意图;
图15是本发明实施例提供的另一种喷码识别装置的结构示意图;
图16是本发明实施例提供的一种智能装置的结构示意图。
【具体实施方式】
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,术语“内”、“外”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作,因此不应当理解为对本发明的限制。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1:
本发明实施例1提供了一种喷码识别方法,首先需要获取携带待识别喷码的原始图片,所述获取方式通常是通过设置在流水线上的一个或者多个摄像头,从一个或者多个角度拍摄得到,如图1所示,所述喷码识别方法包括:
在步骤201中,根据原始图片的像素值,生成至少一个特征滤镜。
其中,所述至少一个特征滤镜根据其像素值大小由高到低排列。特征滤镜的像素值大小可以是3×3像素大小的特征滤镜(如图2所示),也可以是5×5像素大小的特征滤镜,还可以是9×9像素大小的特征滤镜,其中,不同特征滤镜之间像素差距是根据获取原始图片的相机分辨率相关连的,通常情况下拍摄写实喷码的相机的分辨率越高则不同特征滤镜之间的像素差值会越大(例如:像素差值的取值为5-10);而相机的分辨率越低则不同特征滤镜之间的像素差值会相对设定的低一些(例如:像素差值的取值为3-5),这是为了保证不至于因为特征滤镜跨度过大,而造成前后特征滤镜过滤后图像之间的有效信息衔接不上,所述有效信息包括字符所在区域的轮廓信息。
适用于本发明实施例的特征滤镜类型包括:均值特征滤镜、中值特征滤镜、高斯特征滤镜(如图2所示)和双边特征滤镜等等。其中,不同的特征滤镜可以根据当前拍摄的对象的特性进行对应匹配,相应特性与特征滤镜类型之间的匹配关系为已有技术所分析,在此不再赘述。
在步骤202中,使用所述至少一个特征滤镜与所述原始图片进行卷积,得到一组经过不同程度像素调整后的特征图片。
其中,得到一组经过不同程度像素调整后的特征图片至少包括以下两种方式。
方式一:
在步骤201中生成的特征滤镜的个数为多个,并且,每一个特征滤镜均与原始图片进行卷积计算,从而得到一组经过不同程度像素调整后的特征图片,如图3所示,其中每一张特征图片是通过不同的特征滤镜卷积计算得到。
方式二:
在步骤201中生成的特征滤镜的个数为多个,并且,每一个特征滤镜均与前一级特征图片进行卷积,从而得到一组经过不同程度像素调整后的特征图片,如图4所示。在具体实现时,所述特征滤镜的个数也可以是一个,并且,可以通过复用该特征滤镜完成与前一级特征图片进行卷积,从而得到一组经过不同程度像素调整后的特征图片。其中,特征滤镜的像素值越大,得到的特征图片的像素值越低。
方式一相比较方式二来说,得到特征图片的信息会更准确,但是,方式一的计算量相比较方式二来说会更大,会占用更多的计算资源并增加完成喷码识别的使用时间。由于方式二每进行新的一轮特征滤镜处理过程,均是用前一轮得到的特征图片作为处理对形象,因此,相比较方式一来说处理效率会得到较大提升,但是,也会带来逐级过滤后得到的特征图片像素信息会出现不同程度上的模糊化(即精准度降低)。例如:方式一和方式二进行第一轮特征滤镜处理后得到的第一级过滤图片像素值还能保持一致,但是,进行第二轮特征滤镜处理之后,两者的像素值准确度便会出现偏差,并且,会随着处理轮数增加相应级数下的过滤图片像素值差距会增大。
在步骤203中,按照像素值由低到高的顺序,逐一提取相应的特征图片,并进行对象识别。
其中,排在后一级的特征图片的对象识别区域,是根据前一级的特征图片或者前面多级的特征图片的对象识别区域确定的。
在具体实现过程中,通常是根据已处理的多级特征图片中的识别区域共同确定当前轮过渡处理所要分析的区域,这样是为了提高分析的准确度。优选的,在进行第一轮过滤处理的时候,可以选择排名前几名的特征滤镜进行同时处理,从而避免仅参考第一级特征图片的分析区域,作为后续各级特征图片的分析参考,可能带来的关键信息的遗漏。
在步骤204中,若在一组特征滤镜处理过程中未识别出目标喷码,则进行下一组特征滤镜的生成、相应特征图片获得和相应目标识别,直到识别出目标喷码。
其中,可以认识到的时,极端情况下所述最终一组特征滤镜的大小所对应的特征图片为原图自身,即此时的特征滤镜大小为1×1,但是实际情况中通常会更早的完成目标喷码的识别,而不会发生上述极端情况。通过实验得到,采用本发明实施例所提出的识别方式,可以实现在720p的图像上全图搜索,时耗控制在100ms以内,并且,对扭曲、低对比度的喷码也有比较好的效果。
在本发明实施例中,可选的,所述识别出目标喷码可以是识别出目标喷码的区域、个数、布局方式等,这种情况下每一级特征图片的计算结果为统一的举行轮廓区间,即至少完成了目标喷码的区域、个数和布局方式中的两项,便算完成了上述步骤204。除此以外,所述识别出目标喷码还可以是识别出目标喷码的喷码内容,相当于是上述可选方式的递进版本,即在完成目标喷码的区域、个数、布局方式等确认后,进一步完成喷码内容的识别后,才算完成了本发明实施例的步骤204.
本发明实施例提出了一种可递归实现目标喷码识别的方法,并且,通过生成一组或者多组特征滤镜,处理得到多幅不同分辨率的特征图片的方式,因为无需像现有技术中,直接针对原始图片进行目标喷码区域的寻找和识别,因此,改善了高分辨率图像中,快速精准寻找到目标喷码识别区域。
在本发明实施例中,步骤204中的在一组特征滤镜处理过程中未识别出目标喷码通常是指没有在完成一组特征滤镜处理过后,没有获取得预期的喷码标识数量和/或预期的喷码标示内容。其中,预期的喷码标识数量和/或预期的喷码标示内容可以根据存储在本地的对应模板图片识别得到,还可以是预先存储在本地的对应于当前摄像头获取的原始图片(也成为标签)中携带的目标喷码的一系列参数值(例如:喷码标识数量、喷码标示内容组成等等)。则其中所涉及的所述进行下一组特征滤镜的生成、相应特征图片获得和相应目标识别,直到识别出目标喷码,存在一种具体实现方式,包括:
在步骤2041中,得到一组由更低像素值特征滤镜过滤后的过渡图像,并根据前一组特征滤镜得到的过渡图像的对象识别区域结果,解析由新一组特征滤镜过滤后的特征图片。
其中,解析过程包括提取前一组特征滤镜所对应的对象识别区域结果,并根据相应识别区域结果中已经识别出的对象区域(包括喷码标识、图案等等,已经具体完成与标准模板成功匹配)和未识别出对象区域(通常源自较大像素值特征滤镜所得到的特征图片,此时的对象通常会因为特征滤镜处理而变得无法识别出具体对象,所述未识别出对象区域不同于无对象区域,前者特指存在对象但是无法识别对象内容,而后者特指区域中无可识别内容)。当前解析过程的对象为新一组特征滤镜过滤后的特征图片中,对应未识别出对象区域中排除所述已经识别出对象的区域位置。
在步骤2042中,延续上述对特征滤镜的像素值的调整方式,并且解析根据调整后特征滤镜得到的特征图片过程,直到识别出目标喷码。其中,所述延续上述对特征滤镜的像素值的调整方式,并且解析根据调整后特征滤镜得到的特征图片过程,即步骤2041中的操作内容。
需要强调的是,在本发明各实施例中,不同特征图片中的识别结果,在沿用到其他特征图片中时,均要做一轮区域映射,即根据两特征图片的特征滤镜的像素值,计算其中一副特征图片中的指定区域在另一幅特征图片中的对应区域。
在步骤2041中提出了如何在一组特征滤镜处理后仍然无法得到目标喷码的进一步处理的方法和思路,为了进一步完善步骤2041中所提出的操作方案,本发明实施例还给予了一种优选的实现方式:
根据最临近一次过渡图像的对象识别区域结果,解析由新一组特征滤镜过滤后的特征图片,并且,当识别出的目标喷码的完整性不足时,提取与最后的特征滤镜相差预设排序间隔的一个或者多个特征滤镜所对应的特征图片中的识别区域结果,进一步补充解析由新一组特征滤镜过滤后的特征图片,识别出完整的目标喷码。
相比较在步骤2041中提到的一种直接根据前一组特征图片中的已经识别出的对象区域和未识别出对象区域,确定当前新生成的一组特征图片的识别区域的方式,上述方法更为高效率,但是,后者对于一组特征滤镜之间的像素值差距选择有一定的要求,只有不同特征滤镜处理后的特征图片之间有效信息延续性较好时,才能够在更多情况下直接根据最临近一次过渡图像的对象识别区域结果,解析由新一组特征滤镜过滤后的特征图片,得到完整性的目标喷码识别结果(如图7所示,为得到完整性的目标喷码识别结果的示意图)。
其中,识别出的目标喷码的完整性不足时,是指已经识别出构成目标喷码的一个或者多个要素(例如:时间、字母、汉字等等,如图5所示),但是还未识别出完整的目标喷码(如图6所示,其中标注了矩形框的为目前已经识别出的目标喷码中的要素),例如:缺失了特定的字符,以至于当前已经识别出的要素无法组成一完整的目标喷码。这里完整性通常是由***预先获取(包括:要素的数量、布局等,以图6所示的目标喷码,其要素的数量为36个字符)或者预先解析得到的(例如通过模板图片预先解析完成)
综上所述,根据喷码类型的不同,所述完整性具体可以包括:
1)、在所述喷码具体为字符串时,所述完整性为识别出字符的个数与喷码库中存储的完整喷码对象的字符数相同;2)、在所述喷码具体为条码时,所述完整性为识别出条码的条数与喷码库中存储的完整喷码对象的条数相同;3)、在所述喷码具体为图案时,所述完整性为识别出图案与喷码库中存储的完整喷码对象的相似度达到预设阈值。
结合本发明实施例,还提供了一种生成特征滤镜的可选方法,因此,在步骤201中,所述根据原始图片的像素值,生成至少一个特征滤镜,具体包括:
在步骤2011中,对所述原始图片进行二值处理得到二值化图片,并进行所述二值化图片中对象的识别。
在步骤2012中,根据识别出来的一个或者多个对象的外矩形轮廓的尺寸,选择至少一极大值尺寸和一极小值尺寸,以及两者之间的一个或者多个尺寸,按照预设的窗口类型生成所述至少一个特征滤镜。
实施例2:
本发明实施例还提供了一种喷码识别方法,相比较实施例1所述的喷码识别方法,两者共同点在与都是用了特征滤镜,并根据特征滤镜处理后的特征图片完成目标喷码的识别,然而在实施例1中使用了一种类似金字塔的思想,即下一级的特征图片中识别过程使用了前一级或者多级特征图片的识别结果,从而使得计算复杂度相比较现有技术得到极大的降低;而本发明实施例则是从计算流程上进一步简化方法思路,而在牺牲计算复杂度的情况下,使用了一种并发处理方式,进行批量特征图片中对象的识别,并最终得到目标喷码区域,避免了例如实施例1中扩展方案中阐述的,需要根据结果考虑是否再生成新的滤镜,并进行新一轮的目标喷码的识别。如图8所示,本发明包括以下执行步骤:
在步骤301中,获取携带待识别喷码的原始图片。
在步骤302中,根据原始图片的像素值,训练出至少一个特征滤镜。
在本发明实施例中,最精简方式中,仅需要一个特征滤镜即可,由于采用了并发处理方式,即各特征图片中所得到对象识别区域是并行进行分析的,外加所述特征滤镜是训练出来的,已经能够保证最终目标喷码识别的准确度。
在步骤303中,使用所述至少一个特征滤镜与所述原始图片进行卷积,得到一组经过不同程度像素调整后的特征图片。
在本发明实施例中,通常采用实施例1中步骤202中介绍的方式二进行处理,从而简化了特征滤镜的生成和存储过程;可选的,也可以通过将训练出来的特征滤镜进行倍数放大,得到一组特征滤镜通过实施例1中步骤202中介绍的方式一进行处理,在此不再赘述。
在步骤304中,提取所述特征图片,进行对象识别,得到一组对象识别区域。
其中,一组对象识别区域中可能出现识别区域部分交叉的、包含和被包含的,以及可能出现的重合现象等等。
在步骤305中,进行下一级特征图片的生成和对象识别区域的获取,并通过非极大值抑制的方式验证对应所述一组特征图片的对象识别区域的第一识别结果,以及对应包含所述下一级特征图片的对象识别区域和所述一组特征图片的对象识别区域的第二识别结果。
其中,非极大值抑制的方式,用于物体检测中,消除多余(交叉重复)的窗口,找到最佳物体检测位置。在本发明实施例中,属于已有技术的应用,因此,在步骤304中已经计算出一组对象识别区域后,如何利用非极大值抑制的方式计算得到第一识别结果为已有技术,在此不再赘述。
在步骤306中,若第一识别结果和第二识别结果相同则停止后续的下一级特征图片的生成和对象识别区域的获取,转为第一识别结果中目标喷码的解析。
在步骤307中,若第一识别结果和第二识别结果不相同则,进一步完成后续的下一级特征图片的生成和对象识别区域的获取,其中,新获取的对象识别区域被归属于当前对象识别区域的最大集合中,并完成新一轮的识别结果计算;并根据所述第一识别结果和第二识别结果的判断方式,进行所述新一轮的识别结果与历史最相邻一次的识别结果的判断。
本发明实施例提出了一种可递归实现目标喷码识别的方法,并且,通过训练得到至少一个特征滤镜,处理得到多幅不同分辨率的特征图片的方式,因为无需像现有技术中,直接针对原始图片进行目标喷码区域的寻找和识别,因此,改善了高分辨率图像中,快速精准寻找到目标喷码识别区域。并且,设计了一种识别目标喷码的计算封闭环(即通过步骤306和步骤307完成相应闭环的建立),使其能够应用到具体实际计算场合中。
结合本发明实施例,存在一种优选的实现方案,其中,在转为第一识别结果中目标喷码的解析时,如图9所示,所述方法还包括:
在步骤3061中,按照字符高度排序,获取排序后的高度中值。
在步骤3062中,以中值的1/2作为一行的聚类阈值,随机选择一个字符,从字符的左右两边搜索;将识别结果聚类成一行或者多行字符。
其中,排序是为了能够更快速的与存储的模板标签进行目标喷码的识别,此时,目标喷码的识别具体到识别出逐个喷码的内容。该优选方案的提出是考虑到目前实现的各种喷码都是按照特定规则排列的,因此,对于其包含的不同列来说,其喷码内容是被预先设定好的(即标签模板中各行喷码的内容范围是限定好的,例如:第一行代表时间,此时便可仅在时间字符区间内进行喷码内容的匹配),从而,可以进一步简化识别出喷码内容的计算量。
结合本发明实施例,存在一种优选的实现方案,其中,所述根据原始图片的像素值,训练出至少一个特征滤镜,如图10所示,具体包括:
在步骤3021中,根据默认特征滤镜计算出目标喷码所对应的对象识别区域。
在步骤3022中,调整默认特征滤镜,以递归的方式进行新特征图像的生成,并匹配目标喷码所对应的对象识别区域,根据匹配结果逐次调整默认特征滤镜,直到匹配目标喷码所对应的对象识别区域差异小于预设阈值时,得到训练出的特征滤镜。
其中训练的时候,可以采用标签模板图片,也可以采用实际环境下所采集到的一张示例标签图片,在此不做特殊限定。
需要指出的是,本发明实施例中所提出的优选的扩展方案同样可以应用到实施例1所述的喷码识别方法,在此不再一一赘述。
实施例3:
本发明实施例还提供了一种喷码识别装置,如图11所示,包括特征滤镜生成模块、特征图片生成模块、对象识别模块和目标喷码识别模块,各模块依次连接,具体的:
特征滤镜生成模块,用于根据原始图片的像素值,生成至少一个特征滤镜。
特征图片生成模块,用于使用所述至少一个特征滤镜与所述原始图片进行卷积,得到一组经过不同程度像素调整后的特征图片。
其中,特征滤镜的像素值越大,得到的特征图片的模糊化程度越高;
对象识别模块,用于按照像素值由低到高的顺序,逐一提取相应的特征图片,并进行对象识别;其中,排在后一级的特征图片的对象识别区域,是根据前一级的特征图片或者前面多级的特征图片的对象识别区域确定的。
目标喷码识别模块,用于在一组特征滤镜处理过程中未识别出目标喷码,则调用特征滤镜生成模块、特征滤镜排序模块和特征图片生成模块进行下一组特征滤镜的生成、特征滤镜排序和相应下一组特征图片获得,直到识别出目标喷码。
结合本发明实施例还存在一种优选的实现方案,如图12所示,所述喷码识别装置还包括特征滤镜排序模块,所述特征滤镜排序模块连接在所述特征滤镜生成模块和特征图片生成模块之间,用于根据所述特征滤镜的像素值大小由高到低排列,以便能够生成一组有序的特征图片。
结合本发明实施例,还存在一种优选的实现方案,其中,所述特征滤镜生成模块、特征滤镜排序模块和特征图片生成模块,在接收到目标喷码识别模块的调用指令后,
所述特征滤镜生成模块,还用于生成一组由更低像素值构成的特征滤镜;
所述特征滤镜排序模块,用于根据所述特征滤镜的像素值大小由高到低排列;
特征图片生成模块,还用于得到一组由更低像素值特征滤镜过滤后的过渡图像;
所述目标喷码识别模块,还用于根据前一组特征滤镜得到的过渡图像的对象识别区域结果,解析由新一组特征滤镜过滤后的特征图片。
结合本发明实施例,还存在一种优选的实现方案,如图13所示,所述目标喷码识别模块中还包括目标补全模块,则根据最后一次经由过渡图像的对象识别区域结果,解析由新一组特征滤镜过滤后的特征图片,并且,当识别出的目标喷码的完整性不足时,具体的:
所述目标补全模块,用于提取与最后的特征滤镜相差预设排序间隔的一个或者多个特征滤镜所对应的特征图片中的识别区域结果,进一步补充解析由新一组特征滤镜过滤后的特征图片,识别出完整的目标喷码。
在本发明实施例中,所述完整性具体包括:
在所述喷码具体为字符串时,所述完整性为识别出字符的个数与喷码库中存储的完整喷码对象的字符数相同;
在所述喷码具体为条码时,所述完整性为识别出条码的条数与喷码库中存储的完整喷码对象的条数相同;
在所述喷码具体为图案时,所述完整性为识别出图案与喷码库中存储的完整喷码对象的相似度达到预设阈值。
结合本发明实施例,还存在一种优选的实现方案,如图14所示,所述特征滤镜生成模块还包括预处理模块和特征滤镜计算模块,具体包括:
预处理模块,用于对所述原始图片进行二值处理得到二值化图片,并进行所述二值化图片中对象的识别;
特征滤镜计算模块,用于根据识别出来的一个或者多个对象的外矩形轮廓的尺寸,选择至少一极大值尺寸和一极小值尺寸,以及两者之间的一个或者多个尺寸,按照预设的窗口类型生成所述至少一个特征滤镜。
实施例4:
本发明实施例还提供了一种喷码识别装置,可以用于执行实施例2所述的方法,如图11所示,包括特征滤镜训练模块、特征图片生成模块、对象识别模块和目标喷码分析模块,各模块依次连接,具体的:
所述特征滤镜训练模块,用于根据原始图片的像素值,训练出至少一个特征滤镜;
所述特征图片生成模块,用于使用所述至少一个特征滤镜与所述原始图片进行卷积,得到一组经过不同程度像素调整后的特征图片;
所述对象识别模块,用于提取所述特征图片,进行对象识别,得到一组对象识别区域;
所述目标喷码分析模块,用于进行下一级特征图片的生成和对象识别区域的获取,并通过非极大值抑制的方式验证对应所述一组特征图片的对象识别区域的第一识别结果,以及对应包含所述下一级特征图片的对象识别区域和所述一组特征图片的对象识别区域的第二识别结果;若第一识别结果和第二识别结果相同则停止后续的下一级特征图片的生成和对象识别区域的获取,转为第一识别结果中目标喷码的解析;若第一识别结果和第二识别结果不相同则,进一步完成后续的下一级特征图片的生成和对象识别区域的获取,其中,新获取的对象识别区域被归属于当前对象识别区域的最大集合中,并完成新一轮的识别结果计算;并根据所述第一识别结果和第二识别结果的判断方式,进行所述新一轮的识别结果与历史最相邻一次的识别结果的判断。
实施例5:
本实施例的还提供了一种智能终端,能够用于完成实施例1所述的方法步骤,如图16所示,所述智能终端2包括一个或多个处理器21以及存储器22。其中,图16中以一个处理器21为例。
处理器21和存储器22可以通过总线或者其他方式连接,图14中以通过总线连接为例。
存储器22作为一种喷码识别方法和装置非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如实施例1或者实施例2中的喷码识别方法以及对应的程序指令/模块(例如,图14所示的各个模块)。处理器21通过运行存储在存储器22中的非易失性软件程序、指令以及模块,从而执行喷码识别装置的各种功能应用以及数据处理,即实现实施例1或者实施例2的喷码识别方法以及实施例3或者实施例4的各个模块、单元的功能。
存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器22可选包括相对于处理器21远程设置的存储器,这些远程存储器可以通过网络连接至处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令/模块存储在所述存储器22中,当被所述一个或者多个处理器21执行时,执行上述实施例1或实施例2中的喷码识别方法,例如,执行以上描述的图1所示的各个步骤(或者图8、图9和图10所示的各个步骤);也可实现图11-图15所述的各个模块、单元。
值得说明的是,上述装置内的模块、单元之间的信息交互、执行过程等内容,由于与本发明的处理方法实施例1或者实施例2基于同一构思,具体内容可参见本发明方法实施例1或者实施例2中的叙述,此处不再赘述。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种喷码识别方法,获取携带待识别喷码的原始图片,其特征在于,包括:
根据原始图片的像素值,生成至少一个特征滤镜;
使用所述至少一个特征滤镜与所述原始图片进行卷积,得到一组经过不同程度像素调整后的特征图片;
按照像素值由低到高的顺序,逐一提取相应的特征图片,并进行对象识别;其中,排在后一级的特征图片的对象识别区域,是根据前一级的特征图片或者前面多级的特征图片的对象识别区域确定的;
若在一组特征滤镜处理过程中未识别出目标喷码,则进行下一组特征滤镜的生成、相应特征图片获得和相应目标识别,直到识别出目标喷码。
2.根据权利要求1所述的喷码识别方法,其特征在于,所述进行下一组特征滤镜的生成、相应特征图片获得和相应目标识别,直到识别出目标喷码,具体包括:
得到一组由更低像素值特征滤镜过滤后的过渡图像,并根据前一组特征滤镜得到的过渡图像的对象识别区域结果,解析由新一组特征滤镜过滤后的特征图片;
延续上述对特征滤镜的像素值的调整方式,并且解析根据调整后特征滤镜得到的特征图片过程,直到识别出目标喷码。
3.根据权利要求2所述的喷码识别方法,其特征在于,所述根据前一组特征滤镜得到的过渡图像的对象识别区域结果,解析由新一组特征滤镜过滤后的特征图片,具体包括:
根据最临近一次过渡图像的对象识别区域结果,解析由新一组特征滤镜过滤后的特征图片,并且,当识别出的目标喷码的完整性不足时,所述方法还包括:
提取与最后的特征滤镜相差预设排序间隔的一个或者多个特征滤镜所对应的特征图片中的识别区域结果,进一步补充解析由新一组特征滤镜过滤后的特征图片,识别出完整的目标喷码。
4.根据权利要求3所述的喷码识别方法,其特征在于,所述完整性具体包括:
在所述喷码具体为字符串时,所述完整性为识别出字符的个数与喷码库中存储的完整喷码对象的字符数相同;
在所述喷码具体为条码时,所述完整性为识别出条码的条数与喷码库中存储的完整喷码对象的条数相同;
在所述喷码具体为图案时,所述完整性为识别出图案与喷码库中存储的完整喷码对象的相似度达到预设阈值。
5.根据权利要求1-4任一所述的喷码识别方法,其特征在于,所述根据原始图片的像素值,生成至少一个特征滤镜,具体包括:
对所述原始图片进行二值处理得到二值化图片,并进行所述二值化图片中对象的识别;
根据识别出来的一个或者多个对象的外矩形轮廓的尺寸,选择至少一极大值尺寸和一极小值尺寸,以及两者之间的一个或者多个尺寸,按照预设的窗口类型生成所述至少一个特征滤镜。
6.一种喷码识别方法,获取携带待识别喷码的原始图片,其特征在于,包括:
根据原始图片的像素值,训练出至少一个特征滤镜;
使用所述至少一个特征滤镜与所述原始图片进行卷积,得到一组经过不同程度像素调整后的特征图片;
提取所述特征图片,进行对象识别,得到一组对象识别区域;
进行下一级特征图片的生成和对象识别区域的获取,并通过非极大值抑制的方式验证对应所述一组特征图片的对象识别区域的第一识别结果,以及对应包含所述下一级特征图片的对象识别区域和所述一组特征图片的对象识别区域的第二识别结果;
若第一识别结果和第二识别结果相同则停止后续的下一级特征图片的生成和对象识别区域的获取,转为第一识别结果中目标喷码的解析;
若第一识别结果和第二识别结果不相同则,进一步完成后续的下一级特征图片的生成和对象识别区域的获取,其中,新获取的对象识别区域被归属于当前对象识别区域的最大集合中,并完成新一轮的识别结果计算;并根据所述第一识别结果和第二识别结果的判断方式,进行所述新一轮的识别结果与历史最相邻一次的识别结果的判断。
7.根据权利要求6所述的喷码识别方法,其特征在于,在转为第一识别结果中目标喷码的解析时,所述方法还包括:
按照字符高度排序,获取排序后的高度中值;
以中值的1/2作为一行的聚类阈值,随机选择一个字符,从字符的左右两边搜索;将识别结果聚类成一行或者多行字符。
8.根据权利要求6所述的喷码识别方法,其特征在于,所述根据原始图片的像素值,训练出至少一个特征滤镜,具体包括:
根据默认特征滤镜计算出目标喷码所对应的对象识别区域;
调整默认特征滤镜,以递归的方式进行新特征图像的生成,并匹配目标喷码所对应的对象识别区域,根据匹配结果逐次调整默认特征滤镜,直到匹配目标喷码所对应的对象识别区域差异小于预设阈值时,得到训练出的特征滤镜。
9.一种喷码识别装置,其特征在于,包括特征滤镜生成模块、特征图片生成模块、对象识别模块和目标喷码识别模块,各模块依次连接,具体的:
特征滤镜生成模块,用于根据原始图片的像素值,生成至少一个特征滤镜;
特征图片生成模块,用于使用所述至少一个特征滤镜与所述原始图片进行卷积,得到一组经过不同程度像素调整后的特征图片;其中,特征滤镜的像素值越大,得到的特征图片的模糊化程度越高;
对象识别模块,用于按照像素值由低到高的顺序,逐一提取相应的特征图片,并进行对象识别;其中,排在后一级的特征图片的对象识别区域,是根据前一级的特征图片或者前面多级的特征图片的对象识别区域确定的;
目标喷码识别模块,用于在一组特征滤镜处理过程中未识别出目标喷码,则调用特征滤镜生成模块、特征滤镜排序模块和特征图片生成模块进行下一组特征滤镜的生成、特征滤镜排序和相应下一组特征图片获得,直到识别出目标喷码。
10.一种喷码识别装置,其特征在于,包括特征滤镜训练模块、特征图片生成模块、对象识别模块和目标喷码分析模块,各模块依次连接,具体的:
所述特征滤镜训练模块,用于根据原始图片的像素值,训练出至少一个特征滤镜;
所述特征图片生成模块,用于使用所述至少一个特征滤镜与所述原始图片进行卷积,得到一组经过不同程度像素调整后的特征图片;
所述对象识别模块,用于提取所述特征图片,进行对象识别,得到一组对象识别区域;
所述目标喷码分析模块,用于进行下一级特征图片的生成和对象识别区域的获取,并通过非极大值抑制的方式验证对应所述一组特征图片的对象识别区域的第一识别结果,以及对应包含所述下一级特征图片的对象识别区域和所述一组特征图片的对象识别区域的第二识别结果;若第一识别结果和第二识别结果相同则停止后续的下一级特征图片的生成和对象识别区域的获取,转为第一识别结果中目标喷码的解析;若第一识别结果和第二识别结果不相同则,进一步完成后续的下一级特征图片的生成和对象识别区域的获取,其中,新获取的对象识别区域被归属于当前对象识别区域的最大集合中,并完成新一轮的识别结果计算;并根据所述第一识别结果和第二识别结果的判断方式,进行所述新一轮的识别结果与历史最相邻一次的识别结果的判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711016036.9A CN107862314B (zh) | 2017-10-25 | 2017-10-25 | 一种喷码识别方法和识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711016036.9A CN107862314B (zh) | 2017-10-25 | 2017-10-25 | 一种喷码识别方法和识别装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107862314A true CN107862314A (zh) | 2018-03-30 |
CN107862314B CN107862314B (zh) | 2021-04-20 |
Family
ID=61697751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711016036.9A Active CN107862314B (zh) | 2017-10-25 | 2017-10-25 | 一种喷码识别方法和识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107862314B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784445A (zh) * | 2019-01-15 | 2019-05-21 | 上海通方信息***有限公司 | 一种32位喷码智能识别*** |
CN109934041A (zh) * | 2019-03-26 | 2019-06-25 | 杭州网易再顾科技有限公司 | 信息处理方法、信息处理***、介质和计算设备 |
CN110705531A (zh) * | 2019-09-29 | 2020-01-17 | 北京猎户星空科技有限公司 | 缺失字符检测、缺失字符检测模型的建立方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150546A (zh) * | 2012-12-26 | 2013-06-12 | 冉阳 | 视频人脸识别方法和装置 |
CN104573674A (zh) * | 2015-01-29 | 2015-04-29 | 杨克己 | 面向实时嵌入式***的一维条码识别方法 |
US20150371100A1 (en) * | 2014-06-23 | 2015-12-24 | Xerox Corporation | Character recognition method and system using digit segmentation and recombination |
CN106022232A (zh) * | 2016-05-12 | 2016-10-12 | 成都新舟锐视科技有限公司 | 基于深度学习的车牌检测方法 |
CN106407981A (zh) * | 2016-11-24 | 2017-02-15 | 北京文安智能技术股份有限公司 | 一种车牌识别方法、装置及*** |
CN106650398A (zh) * | 2017-01-03 | 2017-05-10 | 深圳博十强志科技有限公司 | 移动平台的验证码识别***及识别方法 |
CN107247950A (zh) * | 2017-06-06 | 2017-10-13 | 电子科技大学 | 一种基于机器学习的身份证图像文本识别方法 |
CN107273890A (zh) * | 2017-05-26 | 2017-10-20 | 亿海蓝(北京)数据技术股份公司 | 针对字符组合的图形验证码识别方法及装置 |
CN107292212A (zh) * | 2017-04-26 | 2017-10-24 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种低信噪比环境下的二维码定位方法 |
-
2017
- 2017-10-25 CN CN201711016036.9A patent/CN107862314B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150546A (zh) * | 2012-12-26 | 2013-06-12 | 冉阳 | 视频人脸识别方法和装置 |
US20150371100A1 (en) * | 2014-06-23 | 2015-12-24 | Xerox Corporation | Character recognition method and system using digit segmentation and recombination |
CN104573674A (zh) * | 2015-01-29 | 2015-04-29 | 杨克己 | 面向实时嵌入式***的一维条码识别方法 |
CN106022232A (zh) * | 2016-05-12 | 2016-10-12 | 成都新舟锐视科技有限公司 | 基于深度学习的车牌检测方法 |
CN106407981A (zh) * | 2016-11-24 | 2017-02-15 | 北京文安智能技术股份有限公司 | 一种车牌识别方法、装置及*** |
CN106650398A (zh) * | 2017-01-03 | 2017-05-10 | 深圳博十强志科技有限公司 | 移动平台的验证码识别***及识别方法 |
CN107292212A (zh) * | 2017-04-26 | 2017-10-24 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种低信噪比环境下的二维码定位方法 |
CN107273890A (zh) * | 2017-05-26 | 2017-10-20 | 亿海蓝(北京)数据技术股份公司 | 针对字符组合的图形验证码识别方法及装置 |
CN107247950A (zh) * | 2017-06-06 | 2017-10-13 | 电子科技大学 | 一种基于机器学习的身份证图像文本识别方法 |
Non-Patent Citations (4)
Title |
---|
TSUNG-YI LIN ET.AL.: ""Feature Pyramid Networks for Object Detection"", 《ARXIV》 * |
WEI LIU ET.AL.: ""SSD: Single Shot MultiBox Detector"", 《ARXIV》 * |
南阳等: ""卷积神经网络在喷码字符识别中的应用"", 《光电工程》 * |
孙晶晶,静大海: ""基于神经网络复杂背景下车牌识别***的研究"", 《国外电子测量技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784445A (zh) * | 2019-01-15 | 2019-05-21 | 上海通方信息***有限公司 | 一种32位喷码智能识别*** |
CN109934041A (zh) * | 2019-03-26 | 2019-06-25 | 杭州网易再顾科技有限公司 | 信息处理方法、信息处理***、介质和计算设备 |
CN109934041B (zh) * | 2019-03-26 | 2021-12-17 | 杭州网易再顾科技有限公司 | 信息处理方法、信息处理***、介质和计算设备 |
CN110705531A (zh) * | 2019-09-29 | 2020-01-17 | 北京猎户星空科技有限公司 | 缺失字符检测、缺失字符检测模型的建立方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107862314B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104850845B (zh) | 一种基于非对称卷积神经网络的交通标志识别方法 | |
CN108710865B (zh) | 一种基于神经网络的司机异常行为检测方法 | |
Chen et al. | Semantic image segmentation with task-specific edge detection using cnns and a discriminatively trained domain transform | |
Zhang et al. | Ripple-GAN: Lane line detection with ripple lane line detection network and Wasserstein GAN | |
CN103824066B (zh) | 一种基于视频流的车牌识别方法 | |
US11475681B2 (en) | Image processing method, apparatus, electronic device and computer readable storage medium | |
CN108108746A (zh) | 基于Caffe深度学习框架的车牌字符识别方法 | |
CN107463892A (zh) | 一种结合上下文信息和多级特征的图像中行人检测方法 | |
CN106707296A (zh) | 一种基于双孔径光电成像***的无人机检测与识别方法 | |
CN107480730A (zh) | 电力设备识别模型构建方法和***、电力设备的识别方法 | |
CN108229277A (zh) | 手势识别、控制及神经网络训练方法、装置及电子设备 | |
CN107844795A (zh) | 基于主成分分析的卷积神经网络特征提取方法 | |
CN107633226A (zh) | 一种人体动作跟踪识别方法及*** | |
CN104751466B (zh) | 一种基于显著性的形变物体跟踪方法及其*** | |
CN114155527A (zh) | 一种场景文本识别方法和装置 | |
CN111192377B (zh) | 一种图像处理方法及装置 | |
CN111753782B (zh) | 一种基于双流网络的假脸检测方法、装置及电子设备 | |
CN107862314A (zh) | 一种喷码识别方法和识别装置 | |
CN111191611A (zh) | 基于深度学习的交通标志标号识别方法 | |
CN110008793A (zh) | 人脸识别方法、装置及设备 | |
CN106339984A (zh) | 基于k均值驱动卷积神经网络的分布式图像超分辨方法 | |
CN106934355A (zh) | 基于深度卷积神经网络的车内手检测方法 | |
CN108108669A (zh) | 一种基于显著子区域的面部特征解析方法 | |
CN104318559A (zh) | 用于视频图像匹配的特征点快速检测方法 | |
CN109977941A (zh) | 车牌识别方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |