CN112016563B - 一种圆形***的真伪识别方法 - Google Patents

一种圆形***的真伪识别方法 Download PDF

Info

Publication number
CN112016563B
CN112016563B CN202011113630.1A CN202011113630A CN112016563B CN 112016563 B CN112016563 B CN 112016563B CN 202011113630 A CN202011113630 A CN 202011113630A CN 112016563 B CN112016563 B CN 112016563B
Authority
CN
China
Prior art keywords
seal
detected
circular
image
stamp
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.)
Active
Application number
CN202011113630.1A
Other languages
English (en)
Other versions
CN112016563A (zh
Inventor
谭卫军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Shenmu Information Technology Co ltd
Original Assignee
Shenzhen Shenmu Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Shenmu Information Technology Co ltd filed Critical Shenzhen Shenmu Information Technology Co ltd
Priority to CN202011113630.1A priority Critical patent/CN112016563B/zh
Publication of CN112016563A publication Critical patent/CN112016563A/zh
Application granted granted Critical
Publication of CN112016563B publication Critical patent/CN112016563B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/26—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种圆形***的真伪识别方法，包括提取待检测圆形***的图像特征，进行二值化处理后提取二值特征，建立SVM模型，将二值特征输入SVM模型进行判断，得到待检测圆形***的判断结果，本申请先对***进行图案分割，得到***的整体图像特征与局部图像特征，对分割后的整体图像与局部图像进行二值化处理，得到对应的二值化图案，对二值化图像分别提取其二值特征，计算二值特征值；首先判断图像的分割数量是否与真实***的分割数量是否相同，再将整体图像的二值特征值输入整体SVM模型进行判断，将局部图像的二值特征值输入整体SVM模型进行判断，根据判断结果确认***的真伪，实现对***的快速判定，提高判别的准确率。

Description

一种圆形***的真伪识别方法
技术领域
本发明涉及图像处理、文字识别技术领域，尤其是涉及一种圆形***的真伪识别方法。
背景技术
***表示权力和职能，随着社会的发展，***使用越来越频繁，如何识别***上的文字图像也变得越来越重要。
目前，***识别最早依靠人工进行，效率低下，误判率高。后来，开始出现基于计算机视觉的判断方法，大多还是使用手工提取***特征，然后采用阈值进行判断。再后来，出现了基于光学字符识别（OCR）的判断方法，主要包括文档图文信息内容的检测与文档图文信息的识别两个步骤，文档图文信息内容的检测主要有基于纹理的连通域的传统方法和基于目标检测的深度学习方法，文档图文信息的识别主要有基于浅层模型的字符识别算法、基于深度网络的字符识别算法和基于深度网络的序列识别算法。再后来，出现了基于SIFT特征、采用支持向量机（SVM）的判断方法，目前来看，此方法效果很好，但基于SIFT特征的计算量较大，因而不适用于嵌入式设备。
因此，如何准确提取图像信息，判断***真伪是目前亟待解决的问题。
发明内容
本发明的目的是提供一种圆形***的真伪识别方法，先对***进行图案分割，对分割后的图像进行二值化处理，得到二值化图案，对二值化图像提取其二值特征，计算二值特征值，将二值特征值输入SVM模型进行判断，根据判断结果确认***的真伪，实现对***的快速、签单判定，提高***真伪判别的准确率。
第一方面，本发明的上述发明目的通过以下技术方案得以实现：
一种圆形***的真伪识别方法，包括提取待检测圆形***的图像特征，进行二值化处理后提取二值特征，建立SVM模型，将二值特征输入SVM模型进行判断，得到待检测圆形***的判断结果。
本发明进一步设置为：待检测圆形***的图像特征，包括待检测圆形***的图像特征的整体图像特征、局部图像特征，整体图像特征包括印框整体图像特征、印文整体图像特征；二值特征符合旋转、平移、尺度不变形原则，并且对目标检测或识别具有比较好的表征能力，包括LBP特征、HOG特征等特征中的至少一项。
本发明进一步设置为：局部图像特征包括印文局部图像特征，提取待检测圆形***的圆心，以圆心为原点分割字符，在径向上提取每个连通域的角宽度并量化，标记每个连通域的字符图像。
本发明进一步设置为：计算角宽度差小于第一阈值的至少二个连通域的均值，作为正常分割字符的角宽度均值；对角宽度大于角宽度均值超过第二阈值的异常连通域，直接以异常连通域作为字符图像。
本发明进一步设置为：局部图像特征包括圆心图像，标记圆心图像。
本发明进一步设置为：局部图像特征包括横向字符图像特征，提取横向字符的方形框，分割横向字符，提取分割后的每个字符图像，进行标记。
本发明进一步设置为：提取并存储整体图像特征、局部图像特征的二值特征值。
本发明进一步设置为：获取真实***与伪造***作为训练样本，提取训练样本的整体图像特征、局部图像特征的二值特征值，以整体图像特征的LBP值训练第一SVM模型，以局部图像特征的二值特征值训练第二SVM模型，得到二个SVM模型。
本发明进一步设置为：待检测圆形***的真伪识别，包括以下步骤：
S1、判断真实圆形***与待检测圆形***的分割图像数量是否相同，若是，进入下一步，若否，则判断待检测圆形***为假；
S2、将真实圆形***与待检测圆形***的整体图像特征的图像二值特征值输入第一SVM模型，计算第一分值；
S3、判断第一分值是否大于第一设定值，若是，进入下一步，若否，判断待检测圆形***为假；
S4、i=1；
S5、将真实圆形***与待检测圆形***的第i个局部图像特征的LBP值，输入第二SVM模型，计算第二分值；
S6、判断第二分值是否大于第二设定值，若是，进入下一步，若否，判断待检测圆形***为假；
S7、记录第二分值；
S8、i=i+1；
S9、判断i是否大于M，若是，进入下一步，若否，转S5，其中M表示所有局部图像特征的总和；
S10、判断待检测圆形***为真。
本发明进一步设置为：在步骤S8中，再次判断所有的第二分值是否大于第三设定值，若是，则判断待检测圆形***为真，若否，则给出提示信息，进行进一步的判别。
第二方面，本发明的上述发明目的通过以下技术方案得以实现：
一种计算机可读存储介质，其特征在于：所述存储介质上存储有计算机程序，所述计算机程序被执行时能够实现本申请所述的圆形***的真伪识别方法。
第三方面，本发明的上述发明目的通过以下技术方案得以实现：
一种圆形***的真伪识别终端设备，其特征在于，包括处理器、存储器，所述存储器存储有能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时能够实现本申请所述的圆形***的真伪识别方法。
与现有技术相比，本申请的有益技术效果为：
1.本申请通过对***文档图像的连通域分析，得到***的整体图像特征与字符图像特征，实现了***特征的提取；
2.进一步地，本申请通过对整体图像特征与字符图像特征计算LBP值，实现了图像特征的量化；
3.进一步地，本申请通过将整体图像特征输入整体图像的SVM模型进行计算，将字符图像特征输入字符图像的SVM模型进行计算，从整体到局部分别进行判断，提高了判断的准确性。
附图说明
图1是本申请的一个具体实施例的提取***图像示意图；
图2是本申请的一个具体实施例的***分割示意图；
图3是本申请的一个具体实施例的***字符分割示意图；
图4是本申请的一个具体实施例的连通域角宽度字符分割示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
具体实施例一
本申请的一种圆形***的真伪识别方法，首先以对圆形***进行分割，从原始图像中，采用颜色通道过滤，提取某一颜色比较丰富的图像，通过初步二值化、连通域分析，进行***图像的分割，如图1方框内所示，得到***图像。
对***图像进行分割，将印框与印文分离，得到印框图像与印文图像，印框图像特征与印文图像特征同属于***的整体图像特征，如图2所示。
采用二值化方法，将印框图像的灰度图转化为印框二值化图像，将印文图像的灰度图转化为印文二值化图像，其中每个像素的灰度值只能为0或1。
采用形态学膨胀（dilation）方法，对印文中的字符进行分割，分割后，有的相邻字符能够完全分开，形成单独的连通域，而有的相邻字符不能够完全分开，形成粘连，形成粘连的连通域。如图3所示，图中，“中、导、开、技、有、限、公、司” 这些字符与相邻字符无粘连，能够单独分开，形成一个个单独的连通域，而“北京”两个字符之间形成粘连，“源科”两个字符之间也形成粘连。
基于这种情况，进行连通域角宽度分割，包括以下步骤：
A1、根据图形识别方法，对印框图像中前景像素的位置，用最小均值法进行拟合，提取印框圆形的圆心。
A2、以圆心为原点，在印文图像的径向方向，基于极坐标，提取每个连通域的最左侧边缘与最右侧边缘极点的角度，计算最左侧边缘与最右侧边缘极点角度的差值，定义为该连通域的角宽度。
计算所有连通域的角宽度，以设定角度分辨率，如1度的分辨率，将各连通域的角宽度量化，得到各连通域的整数角宽度值。
计算角宽度值的差值小于第一阈值的数量最多的连通域的角宽度均值，作为角宽度均值，将连通域角宽度值大于角宽度均值第二阈值的连通域，标记为异常连通域。即计算角宽度值接近的数量最多的连通域的角宽度值的均值，作为角宽度均值，将角宽度值明显大于角宽度均值的连通域标记为异常连通域。
对异常连通域进行处理，有以下几种方法：
第一种，直接把异常连通域作为一个字符进行处理，增加了连通域特征；
第二种，重新从原始字符分割图像中，使用最小的核做膨胀操作，对连通域进行重新分割，如果能够分割开，则形成单独的连通域，如果不能分割开，则采用第三种方法，或直接采用第三种方法处理异常连通域；
第三种，取异常连通域的径向中线进行分割。
对连通域进行分割后，得到的仍然是二值化图像，每个二值化图像中只有一个或多个字符，将二值化图像进行摆正、填充背景、编号，即得到字符图像。
在分割字符图像之后，根据圆心位置和印文的对称性，对字符图像顺序进行标记，确定每个字符的相应位置，如图4所示。
在本申请的一个具体实施例中，***的圆形中心有图案，根据连通域奉献，提取中心图案，并进行标记。
在本申请的一个具体实施例中，圆形***的下方有一排横向字符，采用Contour分析方法，或连通域分析方法，提取横向字符的方形外框，根据方形外框的四个角点，计算角度，旋转摆正后，再根据连通域分析，提取分割后的每个字符图像，并对每个字符图像进行标记。
在本申请的一个具体实施例中，对于有中心图案、横向字符的圆形***，按照印文字符、中心图案、横向字符的顺序进行标记。
***图像分割完成后，需要对分割后的印文字符图像、中心图案、横向字符进行二值化处理，并提取二值特征，印文字符图像、中心图案、横向字符属于***的局部图像特征。
要求二值特征符合旋转、平移、尺度不变形的要求。只要满足这个要求的，如LBP（Local Binary Patterns 局部二值模）特征、HOG特征、Gabor特征经过处理后，都可以用来进行分析。
本申请以LBP特征、印文、字符为例进行说明，其余以此类推。
在本申请中，对LBP进行相应修改，为了克服权重过大的问题，在统计中，不计入背景像素的影响，当一个像素及相邻像素都是背景像素点时，此像素不计入统计结果，从而克服背景像素在统计直方图中权重过大造成的影响，把重点放在字符本身和字符边缘。
对分割后的每个字符图像提取LBP特征，按照标记号进行存储。
同样地，对印文图像提取LBP特征，并存储。
具体实施例二
本申请的一种圆形***的真伪识别方法，在***特征提取完成后，需要进行真伪识别。
在识别前，需要建立SVM（support vector machine 支持向量机）模型。
建立SVM模型，首先，以真实印鉴在不同纸质、印泥色度、光照度、旋转角度等不同条件下盖章，得到真实***的训练样本。同样，以仿照印鉴在不同纸质、印泥色度、光照度、旋转角度等不同条件下盖章，得到仿照***的训练样本。
或者，对真实***进行局部改造，比如旋转、位移、笔划加粗、缩减、局部色度调整、镂空等方法获得仿照***的训练样本。
对真实***的训练样本、仿照***的训练样本分别提取LBP特征，输入SVM进行训练，得到SVM模型。
在本申请的一个具体实施例中，对***的印文整体图像特征提取LBP特征，输入SVM进行训练，得到第一SVM模型。
对***的局部字符图像特征提取LBP特征，输入SVM进行训练，得到第二SVM模型。
模型建立好后，对待检测***进行真伪判别，包括以下步骤：
S1、判断真实圆形***与待检测圆形***的分割图像数量是否相同，若是，进入下一步进行更多的判别，若否，说明待检测***与真实***不符，则判断待检测圆形***为假；
S2、先进行整体图像的对比，将真实圆形***与待检测圆形***的整体图像特征的图像二值特征值输入第一SVM模型，计算第一分值；
S3、判断第一分值是否大于第一设定值，若是，进入下一步，若否，判断待检测圆形***为假；
S4、进行局部图像的对比，设i=1；
S5、将真实圆形***与待检测圆形***的第i个局部图像特征的LBP值，输入第二SVM模型，计算第二分值；
S6、判断第二分值是否大于第二设定值，若是，进入下一步，若否，判断待检测圆形***为假；
S7、记录第二分值；
S8、i=i+1；
S9、判断i是否大于M，若是，进入下一步，若否，转S5，其中M表示所有局部图像特征的总和；
S10、判断待检测圆形***为真。
在本申请的一个具体实施例中，为了判断的更准确，在步骤在步骤S8中，对所有第二分值再次进行判断，判断所有的第二分值是否都大于第三设定值，若是，则判断待检测圆形***为真，若否，则给出提示信息，进行进一步的判别。
具体实施例三
本申请的一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被执行时，能够按照本申请具体实施例一、二所述的方法，实现圆形***的图像分割及真伪判别。
具体实施例四
本申请的一种圆形***的真伪识别终端设备，包括处理器、存储器，所述存储器存储有能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，能够按照本申请具体实施例一、二所述的方法，实现圆形***的图像分割及真伪判别。
本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (10)

1.一种圆形***的真伪识别方法，其特征在于：包括提取待检测圆形***的印框图像特征与印文图像特征，进行灰度图二值化处理后，得到二值特征，对字符图像进行标记，确定每个字符的相应位置，建立SVM模型，先根据真实圆形***与待检测圆形***的分割图像数量，判断待检测圆形***的真伪；在待检测圆形***的分割图像数量与真实圆形***的分割图像数量相同时，再将真实圆形***与待检测圆形***的整体图像特征的图像二值特征值，输入第一SVM模型，计算第一分值，在第一分值大于第一设定值时，将真实圆形***与待检测圆形***的第1个局部图像特征的LBP值，输入第二SVM模型，计算第二分值，与第二设定值进行比较，若第二分值大于第二设定值，则继续将真实圆形***与待检测圆形***的第2个局部图像特征的LBP值，输入到第二SVM模型中，获得相应的分值，并与所述第二设定值进行比较，直到处理完所有M个局部图像特征的LBP值，得到待检测圆形***的判断结果。
2.根据权利要求1所述圆形***的真伪识别方法，其特征在于：待检测圆形***的图像特征，包括待检测圆形***的整体图像特征、局部图像特征，整体图像特征包括印框整体图像特征、印文整体图像特征；二值特征符合旋转、平移、尺度不变形原则，包括LBP特征、HOG特征中的至少一项；印框图像特征包括印框整体图像特征；印文图像特征包括印文整体图像特征、印文局部图像特征。
3.根据权利要求2所述圆形***的真伪识别方法，其特征在于：局部图像特征包括印文局部图像特征，提取待检测圆形***的圆心，以圆心为原点分割字符，在径向上提取每个连通域的角宽度并量化，标记每个连通域的字符图像；计算角宽度差小于第一阈值的至少两个连通域的均值，作为正常分割字符的角宽度均值；对角宽度大于角宽度均值或超过第二阈值的异常连通域，将异常连通域作为字符图像或重新进行分割；对于不能分割的异常连通域，取异常连通域的径向中线进行分割。
4.根据权利要求3所述圆形***的真伪识别方法，其特征在于：局部图像特征包括圆心图像或/和横向字符图像特征，标记圆心图像；提取横向字符的方形框，分割横向字符，提取分割后的每个字符图像，进行标记。
5.根据权利要求2所述圆形***的真伪识别方法，其特征在于：提取并存储整体图像特征的二值特征值、局部图像特征的二值特征值。
6.根据权利要求1所述圆形***的真伪识别方法，其特征在于：获取真实***与伪造***作为训练样本，提取训练样本的整体图像特征的二值特征值、局部图像特征的二值特征值，以整体图像特征的LBP值训练第一SVM模型，以局部图像特征的二值特征值训练第二SVM模型，得到两个SVM模型。
7.根据权利要求6所述圆形***的真伪识别方法，其特征在于：待检测圆形***的真伪识别，包括以下步骤：
S1、判断真实圆形***与待检测圆形***的分割图像数量是否相同，若是，进入下一步，若否，则判断待检测圆形***为假；
S2、将真实圆形***与待检测圆形***的整体图像特征的二值特征值输入第一SVM模型，计算第一分值；
S3、判断第一分值是否大于第一设定值，若是，进入下一步，若否，判断待检测圆形***为假；
S4、i=1；
S5、将真实圆形***与待检测圆形***的第i个局部图像特征的LBP值，输入第二SVM模型，计算第二分值；
S6、判断第二分值是否大于第二设定值，若是，进入下一步，若否，判断待检测圆形***为假；
S7、记录第二分值；
S8、i=i+1；
S9、判断i是否大于M，若是，进入下一步，若否，转S5，其中M表示所有局部图像特征的总个和；
S10、判断待检测圆形***为真。
8.根据权利要求7所述圆形***的真伪识别方法，其特征在于：在步骤S8中，再次判断所有的第二分值是否均大于第三设定值，若是，则判断待检测圆形***为真，若否，则给出提示信息，进行进一步的判别。
9.一种计算机可读存储介质，其特征在于：所述存储介质上存储有计算机程序，所述计算机程序被执行时实现如权利要求1-8任一所述方法的步骤。
10.一种圆形***的真伪识别终端设备，其特征在于，包括处理器、存储器，所述存储器存储有能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时能够实现如权利要求1-8任一项所述方法。
CN202011113630.1A 2020-10-17 2020-10-17 一种圆形***的真伪识别方法 Active CN112016563B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011113630.1A CN112016563B (zh) 2020-10-17 2020-10-17 一种圆形***的真伪识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011113630.1A CN112016563B (zh) 2020-10-17 2020-10-17 一种圆形***的真伪识别方法

Publications (2)

Publication Number Publication Date
CN112016563A CN112016563A (zh) 2020-12-01
CN112016563B true CN112016563B (zh) 2021-07-13

Family

ID=73528308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011113630.1A Active CN112016563B (zh) 2020-10-17 2020-10-17 一种圆形***的真伪识别方法

Country Status (1)

Country Link
CN (1) CN112016563B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112784835B (zh) * 2021-01-21 2024-04-12 恒安嘉新（北京）科技股份公司 圆形***的真实性识别方法、装置、电子设备及存储介质
CN113486901B (zh) * 2021-06-23 2023-05-02 内江师范学院 一种新型的高仿圆形***鉴别方法
CN113610090B (zh) * 2021-07-29 2023-12-26 深圳广电银通金融电子科技有限公司 ***图像识别分类方法、装置、计算机设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570475A (zh) * 2016-11-03 2017-04-19 南京航空航天大学 一种紫砂壶***检索方法
CN107944452A (zh) * 2017-12-12 2018-04-20 深圳市创业***实业有限公司 一种圆形***文字识别方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544504B (zh) * 2013-11-18 2017-02-15 康江科技(北京)有限责任公司 一种基于多尺度图匹配核的场景字符识别方法
CN103839084B (zh) * 2014-03-12 2017-04-12 湖州师范学院 一种应用于行人再识别的多核支持向量机多示例学习算法
CN106096667B (zh) * 2016-07-26 2017-11-10 江苏鸿信***集成有限公司 基于svm的票据图像分类方法
CN109977750A (zh) * 2019-01-15 2019-07-05 平安科技（深圳）有限公司 ***真伪校验方法、装置及计算机可读存储介质
CN110059722A (zh) * 2019-03-16 2019-07-26 平安城市建设科技(深圳)有限公司 ***图像的审核方法、装置、设备及可读存储介质
CN110765992B (zh) * 2019-09-23 2023-03-24 厦门大学 ***鉴别方法、介质、设备及装置
CN111401372B (zh) * 2019-12-20 2024-04-16 国家电网有限公司 一种扫描文档图文信息提取与鉴别的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570475A (zh) * 2016-11-03 2017-04-19 南京航空航天大学 一种紫砂壶***检索方法
CN107944452A (zh) * 2017-12-12 2018-04-20 深圳市创业***实业有限公司 一种圆形***文字识别方法

Also Published As

Publication number Publication date
CN112016563A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
CN112016563B (zh) 一种圆形***的真伪识别方法
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN107066933B (zh) 一种道路标牌识别方法及***
CN103310211B (zh) 一种基于图像处理的填注标记识别方法
CN107389693B (zh) 一种基于机器视觉的印刷品缺陷自动检测方法
CN104809481A (zh) 一种基于自适应色彩聚类的自然场景文本检测的方法
CN106599896A (zh) 一种字符分割方法和装置、及元件检测方法和装置
CN107563380A (zh) 一种基于mser和swt相结合的车辆车牌检测识别方法
CN111242896A (zh) 一种彩色印刷标签缺陷检测与质量评级方法
CN108734131B (zh) 一种图像中的交通标志对称性检测方法
WO2020253505A1 (zh) 一种手掌图像的检测方法及装置
CN109712162A (zh) 一种基于投影直方图差异的线缆字符缺陷检测方法和装置
CN112101108B (zh) 一种基于图形极点位置特征的左右转交通标志识别方法
Lee et al. Adaptive local binarization method for recognition of vehicle license plates
JP2004272798A (ja) 画像読み取り装置
CN107742357A (zh) 一种纸币冠字号的识别方法及装置
CN110046618B (zh) 基于机器学习和最大极值稳定区域的车牌识别方法
CN107609482A (zh) 一种基于汉字笔画特征的中文文本图像倒置判别方法
Qian et al. A digit recognition system for paper currency identification based on virtual instruments
CN108734158B (zh) 一种实时列车车号识别方法及装置
Ouji et al. Chromatic/achromatic separation in noisy document images
CN110705362B (zh) 一种字印分析方法和装置
CN110490885B (zh) 改进的自适应阈值二值化方法及vin码字符分割方法
CN106408021B (zh) 一种基于笔画粗细的手写体与印刷体的鉴别方法
CN109086766B (zh) 一种基于积分图的多阈值融合冠字号提取方法

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
GR01 Patent grant