CN111985470A - 一种自然场景下的船牌矫正识别方法 - Google Patents
一种自然场景下的船牌矫正识别方法 Download PDFInfo
- Publication number
- CN111985470A CN111985470A CN202010656239.XA CN202010656239A CN111985470A CN 111985470 A CN111985470 A CN 111985470A CN 202010656239 A CN202010656239 A CN 202010656239A CN 111985470 A CN111985470 A CN 111985470A
- Authority
- CN
- China
- Prior art keywords
- ship
- image
- plate
- correction
- ship plate
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种自然场景下的船牌矫正识别方法,包括以下步骤:1)数据获取:通过摄像头采集港口进出船舶的图片;2)数据处理:对图片进行标注并将船牌图像裁剪;3)模型训练:用标注的船牌图片训练船牌矫正识别模型;4)模型检测:用训练好的救生衣检测模型对船牌图像进行识别,得到矫正后的船牌图像和船牌名;本发明选取深度学习模型,在无需添加额外的标注情况下,提高对船牌的识别速度和准确率,具有较高的实际应用价值。
Description
技术领域
本发明涉及计算机应用技术领域及文本矫正领域,特别是涉及一种自然场景下的船牌矫正方法。
背景技术
近年来,随着科技和陆路交通的发展,车牌自动识别***越来越成熟,然而我国水路交通并未得到很好发展,在旅游业和渔业日益发展的今天,船舶的船牌自动识别技术也越来与重要,它可以广泛的应用到水路的交通管控、交通管理、航道网建设等场景。
然而,自然环境下的船牌识别面临许多困难和挑战,摄像头拍摄的船牌是一个矩形图片,大部分船舶船牌印刷在弯曲的船侧,本身存在一定弯曲,还有船舶经过摄像头监控点时,其位置的不确定性和摄像头也会产生不可避免的角度变化,这导致最终的船牌图像存在不同程度上的扭曲和倾斜,这种不同程度的图像变形会对识别***带来不利影响,容易造成字符误分割,从而导致了识别率的下降。当前,研究者们针对特定牌照图像的矫正研究也提出很多方法,大部分都是基于传统方法,通过检测边缘直线,确定图像倾斜角,用几何变换达到矫正效果,但这种算法受到内存及运算速度的限制,无法达到实时处理的效果,而且在处理船牌这种本身存在一定扭曲的图像上效果也不是很好。
因此,需要一种有效的船牌矫正识别方法,能快速的将扭曲和倾斜的船牌矫正成正常的船牌并识别,这对实现海洋和河道航道智能交通***功能具有重大的理论意义和实现价值。
发明内容
为了克服现有技术的不足,本发明提供一种自然场景下的船牌矫正识别方法。该方法使用文字校正模型,能够解决不规则排列文字的文字识别问题,可以有效矫正船牌,提高船牌矫正的速度和船牌识别率。
本发明解决其技术问题所采用的技术方案如下:
一种自然场景下的船牌矫正识别方法,包括以下步骤:
S1:数据获取:通过摄像头采集港口进出船舶的图片;
S2:数据处理:对原图裁剪获取船牌图片;
S3:模型训练:用文字矫正模型训练船牌矫正,过程如下:
S3-1:将船牌图像I传入,将图像转换成小图Id,然后传入定位网络,回归出一系列坐标点,通过激活函数归一化为[-1,1],确定出20个确定文字区域的基准点C;
S3-2:将船牌图片I与S3-1中生成的20个基准点的坐标输入网格生成网络,通过TPS变换输出另一组基准点C′,并生成输出坐标;
S3-3:通过采样器进行双线性插值并将超出图的部分直接删掉,得到修正后的输出图像I′;
S3-4:将矫正后的船牌图像I′输入识别网络,识别网络主要分为编码层和解码层,图像输入后先通过编码层提取文字特征,再通过解码层得到正向船牌识别结果和反向船牌识别结果;
S4:模型检测:用训练好的船牌矫正模型对船牌进行矫正并得到船牌名;
优选地,所述步骤S1中,利用港口摄像头拍摄来往船舶视频,每隔0.5秒取帧并保存为JPEG格式。
进一步,所述步骤S2中,将包含船牌的JPEG图片通过人工用软件Labelimg手动标定船牌边框,标签类别标成船牌名,然后生成xml文件。将船牌从原图中切割,将船牌转换成64*200大小并保存,然后制作船牌编码表文件,最后以8:2的比例分别在train.txt文件和eval.txt文件中保存对应文件名和船牌名。
再进一步,所述步骤S3-1中,定位网络包括8层卷积层、7个最大池化层、2个全连接层。
所述步骤S3-2中,TPS变换:
P={pi},i=1,2,…,N表示输入图像,P′={p′i},i=1,2,…,N表示网格生成网络中对应原图生成的网格坐标信息,其中pi跟p′i表示每一个像素点的坐标,N为图像的像素点个数。
所述步骤S3-4中,编码层由卷积层和双向LSTM模块构成,解码层由注意力机制模块和LSTM模块构成,图片通过卷积层提取文字特征,再经过双向LSTM模块编码得到特征序列图,然后通过注意力机制模块提取到具体每个船牌文字所在位置信息,并通过双向LSTM模块进行解码分别得到正向船牌识别结果和反向船牌识别结果。
所述步骤S4中,将船牌图片转换成64*200大小,传入训练好的船牌矫正识别模型,得到矫正后的船牌图像和船牌名对应的编码,经过正反向船牌识别置信度判断,选取置信度较高的识别结果,通过编码表文件进行解码,得到最后的船牌名。
本发明的有益效果为:由于自然场景下船牌扭曲、倾斜程度不同,用传统方法很难对所有船牌图像进行很好的矫正。本发明选取深度学习模型对船牌矫正并识别,节省成本与空间,相比于传统手动提取图像特征与简单利用神经网络的方法,本发明选取不同类型、不同大小等各种不同特征的船牌图像训练船牌矫正识别模型,节省了矫正时间并且提高了船牌识别准确率。
附图说明
图1为本发明实施例的自然场景下的船牌矫正识别方法的流程图;
图2为本发明实施例的船牌矫正模型流程图;
图3为本发明实施例的矫正结果示例图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的描述。
参照图1~图3,一种自然场景下的船牌矫正识别方法,包括以下步骤:
S1:数据获取:通过摄像头采集港口进出船舶的图片;
S2:数据处理:对原图裁剪获取船牌图片;
S3:模型训练:用文字矫正模型训练船牌矫正识别;
S4:模型检测:用训练好的船牌矫正模型对船牌进行矫正识别并得到船牌名;
优选地,所述步骤S1中,利用港口摄像头拍摄来往船舶视频,每隔0.5秒取帧并保存为JPEG格式。
所述步骤S2包括以下步骤:
S2-1:去除不含船牌的图片,将包含船牌的JPEG图片通过人工用软件Labelimg手动标定船牌边框,4个顶点的坐标记为(x1,y1),(x2,y2),(x3,y3),(x4,y4),标签类别标成船牌名,生成xml文件;
S2-2:编写图像切割程序,通过图像和xml文件将船牌从原图中切出,并转换成64*200大小并保存;
S2-3:将船牌图片中出现的所有文字进行编码,得到编码表文件dict.json,每个文字对应一个数字(只有编码后的中文才能传入模型训练);
S2-4:编写程序将全部船牌顺序打乱,将80%的船牌作为训练集,20%的作为验证集,然后将对应文件名和船牌名分别保存在train.txt文件和eval.txt文件中。
所述步骤S3对应图2包括以下步骤:
S3-1:将船牌图像I传入,将图像转换成小图Id(减少网络参数,降低计算量),然后传入定位网络,回归出一系列坐标点,通过激活函数tanh归一化为[-1,1],确定出20个确定文字区域的基准点C,定位网络包括8层卷积层、7个最大池化层、2个全连接层;
S3-2:将船牌图片I与S3-1中生成的20个基准点的坐标输入网格生成网络,通过TPS变换输出另一组基准点C′,并生成输出坐标;
TPS变换:
P={pi},i=1,2,…,N表示输入图像,P′={p′i},i=1,2,…,N表示网格生成网络中对应原图生成的网格坐标信息,其中pi跟p′i表示每一个像素点的坐标,N为图像的像素点个数;
S3-3:通过采样器进行双线性插值并将超出图的部分直接删掉,得到修正后的输出图像I′,I′=V(P,I);
S3-4:将矫正后的船牌图像I′输入识别网络,识别网络主要分为编码层和解码层,编码层由卷积层和双向LSTM模块构成,解码层由注意力机制模块和LSTM模块构成,图像输入后先通过卷积层提取文字特征,再经过双向LSTM模块编码得到特征序列图,然后通过注意力机制模块提取到具体每个船牌文字所在位置信息,并通过双向LSTM模块进行解码分别得到正向船牌识别结果和反向船牌识别结果;
所述步骤S4中,将船牌图片转换成64*200大小,传入训练好的船牌矫正识别模型,得到矫正后的船牌图像和船牌名对应的编码,经过正反向船牌识别置信度判断,选取置信度较高的识别结果,通过编码表文件dict.json进行解码,得到最后的船牌名。
如上所述为本发明自然场景下的船牌矫正识别方法的实施例介绍,本发明通过标注不同程度扭曲和倾斜的船牌图片制作训练数据,训练得到船牌矫正识别模型,并使用模型矫正扭曲和倾斜的船牌,并识别出具体船牌名。本发明相比于传统手动提取特征的方法和简单的神经网络方法,具有检测速度快和准确率高的优势。
以上所述,仅为本发明专利较佳的实施例,对本发明而言仅仅是说明性,而非限制性,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (6)
1.一种自然场景下的船牌矫正识别方法,其特征在于,所述方法包括以下步骤:
S1:数据获取:通过摄像头采集港口进出船舶的图片;
S2:数据处理:对原图裁剪获取船牌图片;
S3:模型训练:用文字矫正模型训练船牌矫正识别,过程如下:
S3-1:将船牌图像I传入,将图像转换成小图Id,然后传入定位网络,回归出一系列坐标点,通过激活函数归一化为[-1,1],确定出20个确定文字区域的基准点C;
S3-2:将船牌图片I与S3-1中生成的20个基准点的坐标输入网格生成网络,通过TPS变换输出另一组基准点C′,并生成输出坐标;
S3-3:通过采样器进行双线性插值并将超出图的部分直接删掉,得到修正后的输出图像I′;
S3-4:将矫正后的船牌图像I′输入识别网络,识别网络主要分为编码层和解码层,图像输入后先通过编码层提取文字特征,再通过解码层得到正向船牌识别结果和反向船牌识别结果;
S4:模型检测:用训练好的船牌矫正模型对船牌进行矫正识别并得到船牌名;
2.如权利要求1所述的一种自然场景下的船牌矫正识别方法,其特征在于,所述步骤S2包括以下步骤:
S2-1:去除不含船牌的图片,对包含船牌的图片中的船牌边框四个顶点进行标定,四个顶点的坐标记为(x1,y1),(x2,y2),(x3,y3),(x4,y4),标签类别标成船牌名,生成xml文件;
S2-2:编写图像切割程序,通过图像和xml文件将船牌切割,并转换成64*200大小并保存;
S2-3:将船牌图片中出现的所有文字进行编码,得到编码文件;
S2-4:编写程序将全部船牌顺序打乱,将一部分的船牌作为训练集,余下的的作为验证集,然后将对应文件名和船牌名分别保存在train.txt文件和eval.txt文件中。
3.如权利要求1或2所述的一种自然场景下的船牌矫正识别方法,其特征在于,所述步骤S3-1中,定位网络包括8层卷积层、7个最大池化层、2个全连接层。
5.如权利要求1或2所述的一种自然场景下的船牌矫正识别方法,其特征在于,所述步骤S3-4中,编码层由卷积层和双向LSTM模块构成,解码层由注意力机制模块和LSTM模块构成,图片通过卷积层提取文字特征,再经过双向LSTM模块编码得到特征序列图,然后通过注意力机制模块提取到具体每个船牌文字所在位置信息,并通过双向LSTM模块进行解码分别得到正向船牌识别结果和反向船牌识别结果。
6.如权利要求1或2所述的一种自然场景下的船牌矫正识别方法,其特征在于,所述步骤S4中,将船牌图片转换成64*200大小,传入训练好的船牌矫正识别模型,得到矫正后的船牌图像和船牌名对应的编码,经过正反向船牌识别置信度判断,选取置信度较高的识别结果,通过编码表文件进行解码,得到最后的船牌名。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656239.XA CN111985470B (zh) | 2020-07-09 | 2020-07-09 | 一种自然场景下的船牌矫正识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656239.XA CN111985470B (zh) | 2020-07-09 | 2020-07-09 | 一种自然场景下的船牌矫正识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985470A true CN111985470A (zh) | 2020-11-24 |
CN111985470B CN111985470B (zh) | 2024-06-21 |
Family
ID=73438577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010656239.XA Active CN111985470B (zh) | 2020-07-09 | 2020-07-09 | 一种自然场景下的船牌矫正识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985470B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633277A (zh) * | 2020-12-30 | 2021-04-09 | 杭州电子科技大学 | 基于深度学习的航道船牌检测、定位及识别方法 |
CN113546398A (zh) * | 2021-07-30 | 2021-10-26 | 重庆五诶科技有限公司 | 基于人工智能算法的棋牌游戏方法及*** |
CN114049627A (zh) * | 2022-01-11 | 2022-02-15 | 浙江华是科技股份有限公司 | 可智能选择缩放尺度的船牌检测方法、装置及*** |
CN114283431A (zh) * | 2022-03-04 | 2022-04-05 | 南京安元科技有限公司 | 一种基于可微分二值化的文本检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145200A (zh) * | 2007-10-26 | 2008-03-19 | 浙江工业大学 | 多视觉传感器信息融合的内河船舶自动识别*** |
CN107491752A (zh) * | 2017-08-14 | 2017-12-19 | 中国石油大学(华东) | 一种基于深度学习的自然场景中船牌文字识别方法、装置 |
CN110245613A (zh) * | 2019-06-17 | 2019-09-17 | 珠海华园信息技术有限公司 | 基于深度学习特征对比的船牌识别方法 |
CN110598693A (zh) * | 2019-08-12 | 2019-12-20 | 浙江工业大学 | 一种基于Faster-RCNN的船牌识别方法 |
US20200167601A1 (en) * | 2017-12-11 | 2020-05-28 | Zhuhai Da Hengqin Technology Development Co., Ltd. | Ship detection method and system based on multidimensional scene features |
CN111291684A (zh) * | 2020-02-10 | 2020-06-16 | 浙江工业大学 | 一种自然场景下的船牌检测方法 |
-
2020
- 2020-07-09 CN CN202010656239.XA patent/CN111985470B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145200A (zh) * | 2007-10-26 | 2008-03-19 | 浙江工业大学 | 多视觉传感器信息融合的内河船舶自动识别*** |
CN107491752A (zh) * | 2017-08-14 | 2017-12-19 | 中国石油大学(华东) | 一种基于深度学习的自然场景中船牌文字识别方法、装置 |
US20200167601A1 (en) * | 2017-12-11 | 2020-05-28 | Zhuhai Da Hengqin Technology Development Co., Ltd. | Ship detection method and system based on multidimensional scene features |
CN110245613A (zh) * | 2019-06-17 | 2019-09-17 | 珠海华园信息技术有限公司 | 基于深度学习特征对比的船牌识别方法 |
CN110598693A (zh) * | 2019-08-12 | 2019-12-20 | 浙江工业大学 | 一种基于Faster-RCNN的船牌识别方法 |
CN111291684A (zh) * | 2020-02-10 | 2020-06-16 | 浙江工业大学 | 一种自然场景下的船牌检测方法 |
Non-Patent Citations (2)
Title |
---|
古辉;王益义;: "船牌识别***中的变形校正方法研究", 现代电子技术, no. 10, 15 May 2009 (2009-05-15) * |
吴书楷;刘宝龙;徐舒畅;李毅;吴双卿;张三元;叶修梓;: "结合深度特征迁移与融合的两阶段船牌定位算法", 计算机辅助设计与图形学学报, no. 04, 17 February 2020 (2020-02-17) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633277A (zh) * | 2020-12-30 | 2021-04-09 | 杭州电子科技大学 | 基于深度学习的航道船牌检测、定位及识别方法 |
CN112633277B (zh) * | 2020-12-30 | 2024-04-05 | 杭州电子科技大学 | 基于深度学习的航道船牌检测、定位及识别方法 |
CN113546398A (zh) * | 2021-07-30 | 2021-10-26 | 重庆五诶科技有限公司 | 基于人工智能算法的棋牌游戏方法及*** |
CN114049627A (zh) * | 2022-01-11 | 2022-02-15 | 浙江华是科技股份有限公司 | 可智能选择缩放尺度的船牌检测方法、装置及*** |
CN114049627B (zh) * | 2022-01-11 | 2022-04-08 | 浙江华是科技股份有限公司 | 可智能选择缩放尺度的船牌检测方法、装置及*** |
CN114283431A (zh) * | 2022-03-04 | 2022-04-05 | 南京安元科技有限公司 | 一种基于可微分二值化的文本检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111985470B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985470B (zh) | 一种自然场景下的船牌矫正识别方法 | |
CN111160352B (zh) | 一种基于图像分割的工件金属表面文字识别方法及*** | |
CN111160343B (zh) | 一种基于Self-Attention的离线数学公式符号识别方法 | |
CN110689012A (zh) | 一种端到端的自然场景文本识别方法及*** | |
CN112633277A (zh) | 基于深度学习的航道船牌检测、定位及识别方法 | |
CN110516554A (zh) | 一种多场景多字体中文文字检测识别方法 | |
CN114155527A (zh) | 一种场景文本识别方法和装置 | |
CN113221874A (zh) | 基于Gabor卷积和线性稀疏注意力的文字识别*** | |
CN112381057A (zh) | 手写文字识别方法及装置、存储介质、终端 | |
CN112036292A (zh) | 基于神经网络的文字识别方法、装置及可读存储介质 | |
CN111008979A (zh) | 一种鲁棒的夜晚图像语义分割方法 | |
CN113435436A (zh) | 一种基于线性约束矫正网络的场景文字识别方法 | |
CN111736731A (zh) | 一种手写笔迹获取方法及*** | |
CN114581905A (zh) | 一种基于语义增强机制的场景文本识别方法及*** | |
He | Research on text detection and recognition based on OCR recognition technology | |
CN113505808B (zh) | 基于深度学习用于配电类设施开关检测识别算法 | |
CN113535999B (zh) | 一种基于深度学习的多样化图像描述语句生成技术 | |
CN112116074B (zh) | 一种基于二维空间编码的图像描述方法 | |
CN112036290B (zh) | 一种基于类标编码表示的复杂场景文字识别方法及*** | |
CN114694133B (zh) | 一种基于图像处理与深度学习相结合的文本识别方法 | |
CN116704518A (zh) | 一种文本识别方法及装置、电子设备、存储介质 | |
CN106648171B (zh) | 一种基于书写笔的交互***及方法 | |
CN115909378A (zh) | 单据文本检测模型的训练方法及单据文本检测方法 | |
CN110956174A (zh) | 一种器件编号的识别方法 | |
CN116259050B (zh) | 灌装桶标签文字定位识别方法、装置、设备及检测方法 |
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 | ||
GR01 | Patent grant |