CN113688649A - 一种快速的qr码定位方法 - Google Patents
一种快速的qr码定位方法 Download PDFInfo
- Publication number
- CN113688649A CN113688649A CN202110936157.5A CN202110936157A CN113688649A CN 113688649 A CN113688649 A CN 113688649A CN 202110936157 A CN202110936157 A CN 202110936157A CN 113688649 A CN113688649 A CN 113688649A
- Authority
- CN
- China
- Prior art keywords
- image
- code
- dimensional code
- positioning
- edge
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 108091029480 NONCODE Proteins 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06K7/146—Methods for optical code recognition the method including quality enhancement steps
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种快速的QR码定位方法,步骤为输入带有二维码的图像;对图像中的二维码进行粗定位,从图像复杂的工作背景中提取出解码区域,将工作背景与解码区域初步分离,并在输入的图像中存在多个待解码区域时,准确孤立出每个解码区;在解码区内准确寻找定位图案,对图像中的二维码进行精定位;对精定位后二维码进行仿射变换;对仿射变换后的二维码进行解码;输出图像中二维码内的信息。本发明在将原有的定位方法拆分为粗定位和精定位两个步骤,能够有效地降低环境噪声的影响,提高二维码定位的稳定性,减小了精定位算法的处理区域,大大提高了算法的速度,同时使算法能够很好的适应一张图片上有多个二维码的情况,实现多二维码的同时读取。
Description
技术领域
本发明属于计算机软件技术领域,具体涉及一种快速的QR码定位方法。
背景技术
二维码(QR码)诞生于20世纪40年代,是为解决一维条码信息容量不足的问题而设计。随着在二维码编码技术中引入了纠错码,这使得二维码的解码成功率大大的增加,即便是污损、缺损、模糊不清的二维码内的信息也能够通过解码技术恢复。由于现有的二维码是一种成熟的基于视觉的信息交互的协议,一种比较成熟的编码方式,并且它充分利用了二维空间的信息且基于纠错码编码,兼顾信息量大和稳定性高的优点,所以广泛应用于各行各业。
目前在病理切片,尤其是硬组织切片制作过程中,大量使用二维码作为切片的ID,并要求对二维码识别速度更快,运行更稳定,需要支持连续的实时的识别。然而目前大部分传统的二维码识别库都是基于单次识别,即先全图搜索二维码的定位标志来进行二维码的定位,然后对二维码进行识别(如图1所示),这样会导致读码的效率偏低,达不到实时性的要求。
发明内容
为了克服现有二维码定位速度慢,达不到实时性要求的缺点,本发明提供了一种快速的QR码定位方法,通过增加粗定位步骤,以达到去除环境噪声提高算法稳定性和减小定位图案搜索区域提高算法速度的目的,同时可有效实现多二维码同时定位的功能。
为解决上述技术问题,实现上述技术效果,本发明通过以下技术方案实现:
一种快速的QR码定位方法,包括以下步骤:
S1、输入带有二维码的图像;
S2、对图像中的二维码进行粗定位,其工作内容为,
从图像复杂的工作背景中提取出解码区域,将工作背景与解码区域初步分离,并在输入的图像中存在多个待解码区域时,准确孤立出每个解码区,为下一步的精定位做准备;
S3、在解码区内准确寻找定位图案,对图像中的二维码进行精定位;
S4、对精定位后二维码进行仿射变换;
S5、对仿射变换后的二维码进行解码;
S6、输出图像中二维码内的信息。
进一步的,步骤S2中,二维码粗定位的算法为,以HOG为特征,使用SVM分类器,对传入的实时图像进行全图快速搜索,初步定位出图像内每个待解码区域,为下一步二维码的精定位矫正提供可靠的算法依赖。
进一步的,二维码粗定位的实现方法具体如下:
S2.1、输入图像;
S2.2、对输入的图像进行预处理;
S2.3、对预处理后的图像进行边缘提取;
S2.4、将预处理后的图像和经边缘提取后的图像分别分割成小块区域图像;
S2.5、对经边缘提取后的图像的每一个小块区域图像进行预过滤,以压缩检测时间;
S2.6、提取所有小块区域图像的边缘点HOG特征;
S2.7、使用SVM分类器对每一个小块区域图像的边缘点HOG特征进行码区和非码区的分类,得到分类结果;
S2.8、根据分类结果,使用连通域分析确定二维码区域;
S2.9、输出二维码的粗定位结果。
进一步的,步骤S2.2中,图像预处理的方法为,将传入的RGB彩色图转化为256级灰度的灰度图,为下一步图像的边缘提取做准备。
进一步的,步骤S2.3中,图像边缘提取的方法为,对预处理后的图像的灰度图进行Canny边缘检测,获得具有整张图像边缘点信息的边缘图。
进一步的,在步骤S2.4中,图像小块区域图像分割的方法为,将图像的灰度图和图像的边缘图分别分割成大小相同且无重叠的小块区域图像。
进一步的,在步骤S2.5中,小块区域图像预过滤的方法为,根据二维码内黑白相间的解码区域特性,得出根据每个小块区域图像内的边缘点比率设置阈值进行辨分的结论;
边缘点比率的计算公式如下:
其中,BE为边缘点比率,patch_pixels为每一个小块区域图像内的像素总数,all_edges为每一个小块区域图像内边缘点的个数。
进一步的,在步骤S2.6中,提取小块区域图像边缘点HOG特征的方法为,利用Canny边缘检测所得到的只含边缘点信息的小块区域图像,对含有边缘点的像素点进行梯度方向统计。
进一步的,在步骤S2.7中,码区和非码区的分类的方法为,使用小块区域图像的边缘点HOG作为特征,使用SVM分类器提前对训练数据集进行训练,得到训练模型之后在读码时即可直接使用训练模型对样本进行码区和非码区的分类,得到分类结果。
进一步的,在步骤S2.8中,确定二维码区域的方法为,在分类结果图上标记出的二维码区域,按划分连通域的方式进行分块,找出每个连通域的最大外接矩形,从而提取到多个矩形框,做为二维码的候选区域。
本发明的有益效果为:
本发明在传统二维码定位方法上进行了改进,将原来的定位方法拆分为粗定位和精定位两个步骤,能够有效地降低环境噪声的影响,提高二维码定位的稳定性,并且减小了精定位算法的处理区域,大大提高了算法的速度,同时使算法能够很好的适应一张图片上有多个二维码的情况,实现多二维码的同时读取,因此本发明克服了现有二维码定位速度慢且达不到实时性要求的缺点。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例详细说明如后。本发明的具体实施方式由以下实施例详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为现有技术的二维码定位方法的流程图;
图2为本发明的二维码定位方法的流程图;
图3为本发明中二维码粗定位方法的流程图;
图4为本发明在提取边缘点HOG特征时区域样本图像(a)和边缘点HOG特征图图像(b)。
具体实施方式
下面将结合实施例,来详细说明本发明。此处所作说明用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
参见图2所示,一种快速的QR码定位方法,包括以下步骤:
S1、输入带有二维码的图像。
S2、对图像中的二维码进行粗定位,其工作内容为,
从图像复杂的工作背景中提取出解码区域,将工作背景与解码区域初步分离,并在输入的图像中存在多个待解码区域时,准确孤立出每个解码区,为下一步的精定位做准备。
二维码粗定位的算法为,以HOG为特征,使用SVM分类器,对传入的实时图像进行全图快速搜索,初步定位出图像内每个待解码区域,为下一步二维码的精定位矫正提供可靠的算法依赖。其中HOG(Histogram of Oriented Gradient)梯度方向直方图是一种可以基于形状边缘特征的描述算子,具有良好的旋转不变性和光照不变性,能够描述图像的局部纹理特征,该特征在二维码的码区和非码区上具有良好的区分度;其思想是通过计算像素点的方向与幅度,统计其梯度直方图,并将该直方图作为一种特征值,直接用作于SVM分类器上进行分类检测。
参见图3所示,二维码粗定位的实现方法具体如下:
S2.1、输入图像;
S2.2、对输入的图像进行预处理;
将传入的RGB彩色图转化为256级灰度的灰度图,为下一步图像的边缘提取做准备;这样做在大大减少算法处理内存占用的同时,又可以去掉一部分算法检测所不需要的冗余信息,提高信息密度,减少运算成本;
S2.3、对预处理后的图像进行边缘提取;
对预处理后的图像的灰度图进行Canny边缘检测,获得具有整张图像边缘点信息的边缘图;Canny算法是一种完善的边缘检测算法,用高斯滤波平滑图像,抗噪能力强,用一阶偏导的有限差分计算梯度的幅值和方向,对梯度幅值进行非极大值抑制,采用双阈值检测和连接边缘,使用两种不同的阈值分别检测强边缘和弱边缘,并且当弱边缘和强边缘相连时,才将弱边缘包含在输出图像中,提高边缘检测的性能;
S2.4、将预处理后的图像和经边缘提取后的图像分别分割成小块区域图像;
将图像的灰度图和图像的边缘图分别分割成大小相同(32*32)且无重叠的小块区域图像;
S2.5、对边缘图的每一个小块区域图像进行预过滤,以压缩检测时间;
根据二维码内黑白相间的解码区域特性,得出根据每个小块区域图像内的边缘点比率设置阈值进行辨分的结论;边缘点比率的计算公式如下:
其中,BE为边缘点比率,patch_pixels为每一个小块区域图像内的像素总数,all_edges为每一个小块区域图像内边缘点的个数;
S2.6、提取边缘图和灰度图的每一个小块区域图像的边缘点HOG特征;
经典的HOG特征对于二维码区域的特征提取有很大的冗余,于是本发明对算法进一步作出改进。本发明舍弃了经典的HOG特征,直接对每一个小块区域图像的边缘点进行HOG特征统计,参见图4所示,图4中,a图表示区域样本图像,b图为边缘点HOG特征图像;提取出具有高判别性的边缘信息特征,实现了能够更鲁棒地定位复杂背景中的一维码区域;实现方法为,利用Canny边缘检测所得到的只含边缘点信息的小块区域图像,对含有边缘点的像素点进行梯度方向统计;如设置梯度方向区间数为18,则可将(0°,180°)每10°划分为一个小区域进行加和统计;
S2.7、使用SVM分类器对每一个小块区域图像的边缘点HOG特征进行码区和非码区的分类,得到分类结果;
使用小块区域图像的边缘点HOG作为特征,使用SVM分类器提前对训练数据集进行训练,得到训练模型之后在读码时即可直接使用训练模型对样本进行码区和非码区的分类,得到分类结果;SVM分类器可用于线性/非线性特征的分类,也可以用于回归问题,它的泛化错误率低具有良好的学习能力,且学到的结果具有很好的推广性。SVM分类器不仅可以解决小样本情况下的机器学习问题,还可以解决高维问题,可以避免神经网络结构选择和局部极小点问题。它是最好的现成的分类器,现成是指不加修改可直接使用,并且能够得到较低的错误率,可以对训练集之外的数据点做很好的分类决策;
S2.8、根据分类结果,使用连通域分析确定二维码区域;
在分类结果图上标记出的二维码区域,按划分连通域的方式进行分块,找出每个连通域的最大外接矩形,从而提取到多个矩形框,做为二维码的候选区域;最后只需要在候选区域进行读码即可,目的是解决一个图中存在多个二维码的识别问题,可大幅降低读码时间。
S2.9、输出二维码的粗定位结果。
S3、在解码区内准确寻找定位图案,对图像中的二维码进行精定位。
S4、对精定位后二维码进行仿射变换。
S5、对仿射变换后的二维码进行解码。
S6、输出图像中二维码内的信息。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人士来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种快速的QR码定位方法,其特征在于,包括以下步骤:
S1、输入带有二维码的图像;
S2、对图像中的二维码进行粗定位,其工作内容为,
从图像复杂的工作背景中提取出解码区域,将工作背景与解码区域初步分离,并在输入的图像中存在多个待解码区域时,准确孤立出每个解码区,为下一步的精定位做准备;
S3、在解码区内准确寻找定位图案,对图像中的二维码进行精定位;
S4、对精定位后二维码进行仿射变换;
S5、对仿射变换后的二维码进行解码;
S6、输出图像中二维码内的信息。
2.根据权利要求1所述的QR码定位方法,其特征在于:步骤S2中,二维码粗定位的算法为,以HOG为特征,使用SVM分类器,对传入的实时图像进行全图快速搜索,初步定位出图像内每个待解码区域,为下一步二维码的精定位矫正提供可靠的算法依赖。
3.根据权利要求2所述的QR码定位方法,其特征在于,二维码粗定位的实现方法具体如下:
S2.1、输入图像;
S2.2、对输入的图像进行预处理;
S2.3、对预处理后的图像进行边缘提取;
S2.4、将预处理后的图像和经边缘提取后的图像分别分割成小块区域图像;
S2.5、对经边缘提取后的图像的每一个小块区域图像进行预过滤;
S2.6、提取所有小块区域图像的边缘点HOG特征;
S2.7、使用SVM分类器对每一个小块区域图像的边缘点HOG特征进行码区和非码区的分类,得到分类结果;
S2.8、根据分类结果,使用连通域分析确定二维码区域;
S2.9、输出二维码的粗定位结果。
4.根据权利要求3所述的QR码定位方法,其特征在于:步骤S2.2中,图像预处理的方法为,将传入的RGB彩色图转化为256级灰度的灰度图,为下一步图像的边缘提取做准备。
5.根据权利要求4所述的QR码定位方法,其特征在于:步骤S2.3中,图像边缘提取的方法为,对预处理后的图像的灰度图进行Canny边缘检测,获得具有整张图像边缘点信息的边缘图。
6.根据权利要求5所述的QR码定位方法,其特征在于:在步骤S2.4中,图像小块区域图像分割的方法为,将图像的灰度图和图像的边缘图分别分割成大小相同且无重叠的小块区域图像。
8.根据权利要求7所述的QR码定位方法,其特征在于:在步骤S2.6中,提取小块区域图像边缘点HOG特征的方法为,利用Canny边缘检测所得到的只含边缘点信息的小块区域图像,对含有边缘点的像素点进行梯度方向统计。
9.根据权利要求8所述的QR码定位方法,其特征在于:在步骤S2.7中,码区和非码区的分类的方法为,使用小块区域图像的边缘点HOG作为特征,使用SVM分类器提前对训练数据集进行训练,得到训练模型之后在读码时即可直接使用训练模型对样本进行码区和非码区的分类,得到分类结果。
10.根据权利要求9所述的QR码定位方法,其特征在于:在步骤S2.8中,确定二维码区域的方法为,在分类结果图上标记出的二维码区域,按划分连通域的方式进行分块,找出每个连通域的最大外接矩形,从而提取到多个矩形框,做为二维码的候选区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936157.5A CN113688649A (zh) | 2021-08-16 | 2021-08-16 | 一种快速的qr码定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936157.5A CN113688649A (zh) | 2021-08-16 | 2021-08-16 | 一种快速的qr码定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113688649A true CN113688649A (zh) | 2021-11-23 |
Family
ID=78579949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110936157.5A Pending CN113688649A (zh) | 2021-08-16 | 2021-08-16 | 一种快速的qr码定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688649A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040011872A1 (en) * | 2002-07-18 | 2004-01-22 | Hajime Shimizu | Two-dimensional code reading method, two-dimensional code reading program, recording medium with two-dimensional code reading program, two-dimentional code reading device, digital camera and portable terminal with digital camera |
CN102096795A (zh) * | 2010-11-25 | 2011-06-15 | 西北工业大学 | 磨损二维条码图像识别方法 |
WO2016197816A2 (zh) * | 2016-03-15 | 2016-12-15 | 中兴通讯股份有限公司 | 终端定位方法、装置和电子设备 |
CN106485183A (zh) * | 2016-07-14 | 2017-03-08 | 深圳市华汉伟业科技有限公司 | 一种二维码定位方法及*** |
CN108920992A (zh) * | 2018-08-08 | 2018-11-30 | 长沙理工大学 | 一种基于深度学习的医药标签条码的定位与识别方法 |
CN108961262A (zh) * | 2018-05-17 | 2018-12-07 | 南京汇川工业视觉技术开发有限公司 | 一种复杂场景下的条码定位方法 |
WO2019169532A1 (zh) * | 2018-03-05 | 2019-09-12 | 深圳前海达闼云端智能科技有限公司 | 车牌识别方法及云*** |
CN111931538A (zh) * | 2020-07-07 | 2020-11-13 | 广东奥普特科技股份有限公司 | 一种Micro QR二维码的定位方法 |
CN112651259A (zh) * | 2020-12-29 | 2021-04-13 | 芜湖哈特机器人产业技术研究院有限公司 | 二维码的定位方法、基于二维码的移动机器人定位方法 |
CN112949338A (zh) * | 2021-03-16 | 2021-06-11 | 太原科技大学 | 深度学习与Hough变换结合的二维条码精确定位方法 |
-
2021
- 2021-08-16 CN CN202110936157.5A patent/CN113688649A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040011872A1 (en) * | 2002-07-18 | 2004-01-22 | Hajime Shimizu | Two-dimensional code reading method, two-dimensional code reading program, recording medium with two-dimensional code reading program, two-dimentional code reading device, digital camera and portable terminal with digital camera |
CN102096795A (zh) * | 2010-11-25 | 2011-06-15 | 西北工业大学 | 磨损二维条码图像识别方法 |
WO2016197816A2 (zh) * | 2016-03-15 | 2016-12-15 | 中兴通讯股份有限公司 | 终端定位方法、装置和电子设备 |
CN106485183A (zh) * | 2016-07-14 | 2017-03-08 | 深圳市华汉伟业科技有限公司 | 一种二维码定位方法及*** |
WO2019169532A1 (zh) * | 2018-03-05 | 2019-09-12 | 深圳前海达闼云端智能科技有限公司 | 车牌识别方法及云*** |
CN108961262A (zh) * | 2018-05-17 | 2018-12-07 | 南京汇川工业视觉技术开发有限公司 | 一种复杂场景下的条码定位方法 |
CN108920992A (zh) * | 2018-08-08 | 2018-11-30 | 长沙理工大学 | 一种基于深度学习的医药标签条码的定位与识别方法 |
CN111931538A (zh) * | 2020-07-07 | 2020-11-13 | 广东奥普特科技股份有限公司 | 一种Micro QR二维码的定位方法 |
CN112651259A (zh) * | 2020-12-29 | 2021-04-13 | 芜湖哈特机器人产业技术研究院有限公司 | 二维码的定位方法、基于二维码的移动机器人定位方法 |
CN112949338A (zh) * | 2021-03-16 | 2021-06-11 | 太原科技大学 | 深度学习与Hough变换结合的二维条码精确定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596066B (zh) | 一种基于卷积神经网络的字符识别方法 | |
Kumar et al. | A detailed review of feature extraction in image processing systems | |
CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
CN106203539B (zh) | 识别集装箱箱号的方法和装置 | |
CN107563380A (zh) | 一种基于mser和swt相结合的车辆车牌检测识别方法 | |
CN112364862B (zh) | 一种基于直方图相似度的扰动变形汉字图片匹配的方法 | |
CN108256518B (zh) | 文字区域检测方法及装置 | |
CN110991374B (zh) | 一种基于rcnn的指纹奇异点检测方法 | |
CN102163336B (zh) | 一种图像识别码的编码和解码方法 | |
Pirgazi et al. | An efficient robust method for accurate and real-time vehicle plate recognition | |
Rastegar et al. | An intelligent control system using an efficient License Plate Location and Recognition Approach | |
CN113688649A (zh) | 一种快速的qr码定位方法 | |
Devi et al. | A comparative Study of Classification Algorithm for Printed Telugu Character Recognition | |
CN111753842B (zh) | 票据文本区域检测方法及装置 | |
CN113283299A (zh) | 基于cgan网络增强局部放电信号prpd图谱数据的方法 | |
Sathya et al. | Vehicle license plate recognition (vlpr) | |
Chen et al. | License Plate Recognition from Low-Quality Videos. | |
Visilter et al. | Development of OCR system for portable passport and visa reader | |
Shivani | Techniques of Text Detection and Recognition: A Survey | |
Lin et al. | Text extraction from name cards using neural network | |
Amarapur et al. | Video text extraction from images for character recognition | |
Likesh et al. | Binarization of Malayalam Palm Leaf Images using VGG Net and Integrated Otsu | |
Johansson | Network threat modeling | |
Zhao et al. | Multivariable Recognition Method for Visual Symbols of Environmental Sign Based on Sequential Similarity. | |
JP2979089B2 (ja) | 情景画像中の文字認識方式 |
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 |