CN101625760A - 一种证件图像倾斜校正的办法 - Google Patents

Abstract

本发明公开了一种利用图像轮廓信息并结合Hough变换来计算倾斜角和倾斜校正的方法。它包括a)利用图像采集设备获取证件图像；b)缩小获取的证件图像；c)将证件图像进行灰度处理；d)利用Sobel算子模块对灰度图像边缘检测，得到较粗宽轮廓图像；e)对上述处理后的图像进行细化操作，得到只有一个像素宽度的细边缘轮廓图像；f)将得到的细边缘轮廓图像实施Hough变换，检测出边框的直线参数，利用检测到的参数计算得到原始证件倾斜的角度；g)利用得到的倾斜角度将图像进行旋转。本发明充分利用缩小了的图像轮廓信息，使用Hough变换计算出倾斜角度，大大减小了参加运算的点数，不仅提高了算法效率，还保证了算法检测的准确性高，鲁棒性强、可靠性高。

Description

一种证件图像倾斜校正的办法

技术领域

本发明公开了一种应用于证件图像倾斜校正的方法，具体来说，它设计一种利用图像轮廓信息并结合Hough变换来计算倾斜角的方法，属于数字图像处理技术领域。

背景技术

在社会民生的众多领域中，经常需要从证件中获取相关的信息。随着计算机技术、图像处理和光学文字识别技术的成熟，利用计算机进行证件信息自动识别录入已经成为可能，它能极大的提高业务双方的效率。基于计算机OCR的证件信息采集系统可以广泛应用于网吧、公安、银行、电信、邮政、酒店、铁路、民航、证券、民政、教育、出入境、部队等部门行业中，节省大量的人力和物力，具有相当广阔的应用前景。

现有的证件信息采集系统广泛采用拍摄或扫描方式进行设计，其任务是处理、分析采集得到的证件图像、自动识别并提取证件中相应的信息。证件信息采集系统可分为图像采集、图像预处理、证件定位、图像分割、字符识别五个主要步骤。证件图像倾斜校正是证件定位、图像分割间的一个重要处理过程。经过证件定位后所得到的证件图像通常不可避免地存在某种程度的倾斜，这种倾斜不仅会给下一步图像分割带来困难，最终也将对证件信息识别的正确率造成直接的影响。

证件图像的倾斜校正是证件信息采集系统中一个重要的课题。尽管为了减少证件成像倾斜的出现，可以对采集设备和采集条件进行一些相应的限制，但是考虑到系统的健壮性和可扩展性(如适应于不同大小的证件)，杜绝证件图像成像倾斜现象的出现是很困难的。如果不对证件进行相应的倾斜校正，则会对证件图像进行信息子图块(如头像、姓名、证件号码等图块)的分割带来很大的麻烦，甚至无法处理。即使能够处理也往往会因为信息缺损、字符变形等因素导致识别的结果出错。

通常情况下，证件都是矩形形状的(部分为圆角矩形)，而且证件信息采集系统的证件成像是在一个特定的类似“暗室”的环境中完成的。它与常见的车牌识别系统中成像环境差别很大，保证了成像过程受到的干扰具有较好的可控性。通常拍摄到的证件图像是较为清晰，物平面与镜头平面也是平行的，即不会出现透视成像现象(Perspective Imaging)。这为倾斜角检测提供了良好的基础：(1)利用矩形边框的特点，可以重点检测四条边框轮廓，即数字直线检测，且相邻的边框相互垂直，相对的边框互相平行；(2)利用成像环境的特殊性，可以保证证件图像与背景具有很好的区分性，即保证了边缘信息的清晰性。

数字直线检测主要有两类方法。一种是基于Freeman链码的直线段检测方法。它处理的图像对象为边缘图像，包括根据链码估计曲率，检测链码角点，并在角点处拆分链码，检测直线段链码并进行直线参数估计，根据指定的直线段连接准则进行直线连接(拼接)。这种方法检测出来的直线段容易受噪声干扰，而且很难定义合适的、通用的直线段连接准则。

另一种是基于Hough变换的直线参数检测方法。Hough变换的本质是实现了一种从图像空间到参数空间的映射关系。Hough直线变换的基本思想是点线的对偶性：一方面，图像空间中的点对应在参数空间里相交的线；另一方面，在参数空间中相交于同一个点的所有直线在图像空间里都有共线的点与之对应。因此Hough变换把在图像空间中的直线检测问题转换到参数空间中对点的检测问题，通过在参数空间里进行简单的累加统计完成检测任务。由于Hough变换是根据局部度量来计算全面描述参数，因而对于区域边界被噪声干扰或被其他目标遮盖而引起边界发生某些间断的情况，它具有很好的容错性和鲁棒性。但是直接进行Hough变换存在计算量大、容易出现漏检等准确率的缺点。

在检测证件图像倾斜的具体应用中，利用成像的背景和证件图像自身的特点，必须设计一种高效、可靠的基于Hough变换直线参数检测的倾斜角检测算法。

发明内容

针对以上的不足，本发明提供了一种利用图像轮廓信息并结合Hough变换来计算倾斜角并实现倾斜校正的方法。

证件图像倾斜校正的办法的步骤包括：

a)证件图像采集：利用图像采集设备获取证件图像；

b)将证件图像进行灰度处理：若证件图像为灰度图像，则不处理；如果证件图像为彩色图像，对证件原始图像进行灰度转换得到一幅包含证件的灰度图像；

c)图像Sobel算子边缘检测：对步骤b)得到的证件图像进行Sobel算子边缘检测得到较粗宽轮廓图像；

d)图像细化处理：对步骤c)得到的图像进行细化操作得到只有一个像素宽度的细边缘轮廓图像；

e)Hough变换计算倾斜角度：将步骤d)所得到的细边缘轮廓图像实施Hough变换，检测出边框的直线参数，利用检测到的参数计算得到原始证件倾斜的角度；

f)图像倾斜校正：利用步骤e)得到的倾斜角度将图像进行旋转。

所述步骤a)的图像采集设备为网络摄像头、数码相机、扫描仪或者证件识别仪。

所述步骤a)与步骤b)之间还包括步骤a-b)证件图像缩小操作：根据证件在整个成像区域的比例确定缩小因子，对证件图像进行缩放。

所述步骤b)中将彩色图像转换成灰度图像的计算公式为：

$\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]=\left[\begin{array}{ccc}0.299& 0.587& 0.114\\ -0.1687& -0.3313& 0.5\\ 0.5& -0.4187& -0.0813\end{array}\right]*\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

其中Y为证件图像的亮度值，Cr表示图像的色调，Cb表示图像的饱和度来表示，R、G、B分别表示红绿蓝。

所述步骤c)图像Sobel算子边缘检测的过程为：

c1)定义图像的亮度函数f(x，y)在位置(x，y)处的梯度向量定义为：

$\▿f=\left[\begin{array}{c}{G}_x\\ G_y\end{array}\right]=\left[\begin{array}{c}\frac{\∂f}{\∂x}\\ \frac{\∂f}{\∂y}\end{array}\right]$

G_x——x坐标的一阶导数

G_y——y坐标的一阶导数

c2)梯度向量指向坐标(x，y)点处f的最大变化速率方向，在边缘检测中，一个重要的量是这个向量的模，即：

$\▿f=|\▿f|=\sqrt{G_x^2+G_y^2}$

d3)根据每个像素点求得的向量模值的大小经过门限操作得到粗糙的轮廓图像。

6、根据权利要求5所述的证件图像倾斜校正的办法，其特征在于，所述步骤d)图像细化处理采用Zhang快速并行算法对边缘检测后的图像进行细化，具体过程为：

d1)标记证件图像边缘上的点亮度值为“1”，背景上的点亮度值为“0”，以边界点为中心的八连通邻域，定义中心点为p1，其邻域的八个点顺时针绕着中心点分别定义为p2、p3……p9，其中p2在p1的上方，若该边界点满足下列条件，则标记该轮廓点为p1：

$\left\{\begin{array}{c}\left(a\right)2\≤N\left(p1\right)\≤6\\ \left(b\right)T\left(p1\right)=1\\ \left(c\right)p2\·p4\·p6=0\\ \left(d\right)p4\·p6\·p8=0\end{array}\right.$

其中N(p1)表示点p1的非零相邻点数目，即

N(p1)＝p2+p3+...+p8+p9

并且T(p1)是以p2，p3，...，p8，p9，p2为次序轮转时，从0到1的变化次数的计数；

d2)对所有边界点都检验完毕后，将所有标记为p1的值改为“0”；

d3)步骤d1)中的条件(a)、(b)保持不变，把条件(c)、(d)变为：

$\left\{\begin{array}{c}\left(c^{\′}\right)p2\·p4\·p8=0\\ \left(d^{\′}\right)p2\·p6\·p8=0\end{array}\right.$

d4)按d1)中同样的办法遍历结果数据，完成标记工作，并对标记的所有p1点在完成整幅图像扫描之后，将其值改为“0”；

d5)重复迭代操作上述步骤d1)-d4)，直到没有点再满足标记条件。

所述步骤e)Hough变换计算倾斜角度的具体过程为：

e1)根据步骤d)得到的图像尺寸决定Hough变换累加器的大小并分配内存；

d2)对图像作Hough变换，并将变换结果存入Hough变换累加器；

d3)设定阈值，并根据阈值大小将Hough变换累加器中累加值小于阈值的点清零，即认为这些点并不对应图像域中的一条直线；

d4)查找Hough变换累加器中累加值最大的点，记录该点并将其领域清零，继续查找并记录下一个累加值最大的点，直到累加器中所有的累加值都为零，记录的这些点即对应了检测到的图像中的直线，每个点对应的坐标(ρ，θ)表示的直线就是待检测直线或者直线段的参数空间的特征值；

d5)对d4中的结果进行Hough变换“反射邻接”检测，方法为判断是否同时出现接近(ρ，π/2)或(-ρ，-π/2)的点，如果存在则进行合并；

d6)由于证件边框为矩形或圆角，对d5所有的点进行“同边，对边，邻边”关系检测和分类；

d7)根据分类的结果，结合证件边框为矩形的特点，利用相应的直线段参数(ρ，θ)可以得到倾斜角：一对对边的直线段的极半径之差为证件边框的长，而对应的另一对对边的直线段的极半径之差为证件边框的宽，后者对应的倾角即为证件的倾斜角；

所述步骤f)图像倾斜校正的具体过程为：

f1)利用水平方向和垂直方向模板分别计算水平方向和垂直方向的梯度；

f2)对f1)得到梯度向量求模运算得到向量的模值；

f3)对f2)中的模值进行门限比较可以得到二值化图像，其中值为1的点表示边缘，为0的点表示背景。

本发明的有益效果为：该证件图像倾斜校正方法在保持图像轮廓不变的情况下将图像缩小，充分利用缩小了的图像轮廓信息，使用Hough变换计算出倾斜角度。由于参与Hough变换运算的点数大大减小，这不仅提高了算法效率，还保证了算法检测的准确性高，鲁棒性强、可靠性高。

附图说明

图1为本发明证件图像倾斜校正方法的流程图；

图2为Sobel梯度算子模板示意图；

图3为Hough变换相关的直线极坐标表示及极坐标平面分割示意图；

图4为待校正的倾斜证件原始图像示意图(由于证件涉及私人信息，故在证件图像部分区域进行了信息抹除，下同)；

图5为证件图像转换成YCbCr色差空间后亮度(Y)分量的灰度图；

图6为亮度分量Sobel梯度算子边缘检测得到的粗糙轮廓示意图；

图7为证件图像细化处理后的细轮廓示意图；

图8为证件图像利用Hough变换检测到的倾斜状态图。

具体实施方式

下面结合附图对本发明进行进一步阐述。

如图1所示，本发明的证件图像倾斜校正的方法具体步骤为：

a)首先是进行证件图像采集(可以利用常见的网络摄像头、数码相机、扫描仪或购买一些证件识读仪摄取图像)。

b)接着拷贝一份原图像并对其按指定的缩放因子实施缩小操作，缩放因子的确定可以按证件占整个成像区域的比例而确定(如图4所示参考下面的实施例描述)。

c)将缩小之后的图像从RGB色彩空间转换成YCbCr色差空间，转换公式如式1所示：

$\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]=\left[\begin{array}{ccc}0.299& 0.587& 0.114\\ -0.1687& -0.3313& 0.5\\ 0.5& -0.4187& -0.0813\end{array}\right]*\left[\begin{array}{c}R\\ G\\ B\end{array}\right]---\left(1\right)$

取出转换后的亮度(Y)分量，如图5所示。

d)使用对噪声抑制作用明显的Sobel梯度算子模板(如图2所示)对上述亮度(Y)分量实施Sobel边缘检测，得到一个较粗糙的轮廓描述信息，如图6所示，具体如下：

一幅数字图像的一阶导数是基于各种二维梯度的近似值，首先定义图像的亮度函数f(x，y)在位置(x，y)处的梯度向量为：

$\▿f=\left[\begin{array}{c}{G}_x\\ G_y\end{array}\right]=\left[\begin{array}{c}\frac{\∂f}{\∂x}\\ \frac{\∂f}{\∂y}\end{array}\right]---\left(2\right)$

梯度向量指向坐标(x，y)点处f的最大变化速率方向，在边缘检测中，一个重要的量是这个向量的模，即：

$\▿f=|\▿f|=\sqrt{G_x^2+G_y^2}---\left(3\right)$

然后根据每个像素点求得的向量模值的大小经过门限操作后得到一幅粗糙的轮廓图像。

e)对上述步骤的粗糙轮廓图像进行细化处理操作，得到只有一个像素宽度的细边缘轮廓信息，细化又称为骨架化，是基于图像形态学原理的图像处理方法，利用细化算法可以有效地提取图像的边界信息，轮廓信息，进而使用合适的方法进行描述，如链码等。如图7所示，具体操作如下：

设边缘上的点值为“1”，而背景上的点值为“0”。本发明优先考虑使用Zhang快速并行算法对边缘检测之后的图像进行细化。首先定义轮廓点是本身标记为“1”而其8连通邻域中至少有“1”个点标记为“0”的点。算法对轮廓点进行如下操作该算法对给定区域的轮廓点逐次应用以下两个步骤：

Step1：考虑以边界点为中心的8邻域，记中心点为p1，其邻域的8个点顺时针绕着中心点分别记为p2，p3，...，p9，其中p2在p1的上方。如果下列条件满足，则标记该轮廓点p1：

$\left\{\begin{array}{c}\left(a\right)2\≤N\left(p1\right)\≤6\\ \left(b\right)T\left(p1\right)=1\\ \left(c\right)p2\·p4\·p6=0\\ \left(d\right)p4\·p6\·p8=0\end{array}\right.---\left(4\right)$

其中N(p1)表示点p1的非零相邻点数目，即

N(p1)＝p2+p3+...+p8+p9         (5)

并且T(p1)是以p2，p3，...，p8，p9，p2为次序轮转时，从“0”到“1”的变化次数的计数。

当对所有轮廓点都检验完毕后，将所有标记了的点删除，即改为“0”值，称这样得到的数据为结果数据。

Step2：Step1中的条件(a)、(b)保持不变，把条件(c)、(d)变为：

$\left\{\begin{array}{c}\left(c^{\′}\right)p2\·p4\·p8=0\\ \left(d^{\′}\right)p2\·p6\·p8=0\end{array}\right.---\left(6\right)$

按Step1中同样的办法遍历结果数据，完成标记工作，并对标记的所有点在完成整幅图像扫描之后进行删除。

以上两步操作构成一次迭代。只要通过反复迭代，直到没有点再满足标记条件，这时剩下的点便组成了区域的骨架，我们也便得到了单像素宽度的细轮廓图像。

f)将得到细轮廓图像后使用Hough变换可以求得证件四条边框的直线参数，并进而求得倾斜的角度，如图8所示，具体如下：

在图像空间中的一条直线方程y＝ax+b可用极坐标表示为：

ρ＝xcosθ+ysinθ(7)

其中ρ是原点到直线的垂直距离，θ是直线的垂线与x轴正向之间的夹角。使用极坐标代替斜截式描述直线方程带来的好处是可以避免当直线接近垂直时，直线的斜率接近无限大。图3(a)表示了使用极坐标描述直线的几何解释。

由式(7)可知图像平面上所有经过点(x_i，y_i)的直线对应于ρθ平面上的正弦曲线。而图像平面上满足ρ_i＝xcosθ_i+ysinθ_i共线点集Q生成参数空间中交于点(ρ_i，θ_i)的正弦曲线。因此通过将ρθ平面划分为不同的累加单元，如图3(b)所示，建立离散的参数空间，对图像中每个值为1的像素点进行Hough变换计算，计算出参数空间对应的曲线，并在相应的累加器上加1，再通过寻找累加器中的多个峰值点，其对应的坐标(ρ，θ)表示的直线就是待检测直线的参数空间的特征值。

在本发明中，由于成像背景环境很好，故拍摄到的证件图像轮廓是比较清晰的。此时基本上可以检测到证件图像四条边框相应的直线参数。除了判定边框中长边与短边之外，还需要考虑Hough变换中两种特殊情况：

(1)参数空间的左右边缘反射邻接关系，即参数空间中点(ρ，π/2)与点(-ρ，-π/2)描述同一条直线方向(由式7不难验证)；

(2)一条长的线段边框检测为多段不连续的子线段的情况，此时需要按一定准则进行合并；

考虑到检测的证件图像四条边中每两条边为一组构成了两组平行线，而且两组平行线又相互垂直。因而证件图像边框的大小它们的确定可以通过两组平行线之间的距离，也即Hough变换中计算得到的ρ值的差求得。因而利用这些信息可以判断出证件长的边框倾斜的角度。

Hough变换的反射邻接问题可以通过检测是否出现在π/2倾角附近出现ρ值和倾角θ同时变换符号，若出现该情况，则对其取绝对值即可。

对于上述情况(2)，由于本发明的目的只是为了检测出倾斜角，并判断出哪一个倾斜角是长边框的倾斜角，因而可以仅利用同一边的某一子线段的(ρ，θ)信息进行计算。本发明使用了一种对检测到的属于同一条边框的子线段进行合并的准则，具体操作如下：

(1)定义证件四条周边线段元集合LineSegEdge1Set，LineSegEdge2Set，LineSegEdge3Set，LineSegEdge4Set，并且设LineSegEdge1Set与LineSegEdge3Set构成平行一组边(对边)，LineSegEdge2Set与LineSegEdge4Set亦构成对边；

(2)对Hough变换所检测出来的所有可能的某一线段元LineSegEle，判断LineSegEle属于上述线段元集合中哪一个，即同边关系，并将其添加到相应集合中。同边的判据为：两个线段元倾斜角θ相差很小，线段元对应的极半径ρ值相差也很小(经过反射邻接预处理之后)！

(3)对得到的四条周边线段元集合内的线段元分别求倾角和极半径的平均值即可求得每条边框直线倾斜的角度和极半径。

根据上述求倾斜的角度和极半径可以求得证件较长的边框倾斜的角度，此即为证件倾斜的角度。

g)最后，在求得证件倾斜角度之后便可根据该值进行顺时针或逆时针旋转原始证件图像便可实现倾斜校正。

具体实施例：

使用一个USB网络摄像头，分辨率为640×480，拍摄一幅水平摆放的第二代居民身份证件图像，将其拍摄得到的证件图像顺时针旋转13度(这种操作是为了检验本发明方法检测到的倾斜角是否与理论的旋转角相等)。

由证件图像可以判断证件占整幅图像的比例还是较大的，因而对上述图像实施缩小因子为1/4缩放操作，如图4所示；

对缩小之后的图像进行色彩空间变换，使用YCbCr色差进行描述，并取出亮度分量，如图5所示；

使用Sobel梯度算子进行边缘检测，得到较为粗糙的证件图像轮廓信息，如图6所示；

使用细化算法对图6进行细化操作，得到的单像素宽度的细轮廓示于图7中；

使用Hough变换对图7所示的轮廓图进行直线参数检测，对检测到的所有线段元按上述的准则进行合并，可以求得如下关于缩小之后的证件倾斜角及相应的边框的长度和宽度：

TrueRotateBackTheta＝-13.00//表示需要顺时针旋转到水平的角度的真值

CalRotateBackAngle＝-13.00//表示需要顺时针旋转到水平的角度的计算值

Width＝131.10//检测到的边框的宽度

Height＝84.71//检测到的边框的高度

Result＝1//本次检测是否正确，为1即检测结果正确

图8根据检测的结果在缩小后的证件图像上进行直观的描述，可见本发明正确检测到了图像的倾斜角度，而且与证件的边框非常吻合。

Claims (8)

1、一种证件图像倾斜校正的办法，其特征在于，它的步骤包括：

a)证件图像采集：利用图像采集设备获取证件图像；

b)将证件图像进行灰度处理：若证件图像为灰度图像，则不处理，如果证件图像为彩色图像，对证件原始图像进行灰度转换得到一幅包含证件的灰度图像；

c)图像Sobel算子边缘检测：对步骤b)得到的证件图像进行Sobel算子边缘检测得到较粗宽轮廓图像；

d)图像细化处理：对步骤c)得到的图像进行细化操作得到只有一个像素宽度的细边缘轮廓图像；

e)Hough变换计算倾斜角度：将步骤d)所得到的细边缘轮廓图像实施Hough变换，检测出边框的直线参数，利用检测到的参数计算得到原始证件倾斜的角度；

f)图像倾斜校正：利用步骤e)得到的倾斜角度将图像进行旋转。

2、根据权利要求1所述的证件图像倾斜校正的办法，其特征在于，所述步骤a)的图像采集设备为网络摄像头、数码相机、扫描仪或者证件识别仪。

3、根据权利要求2所述的证件图像倾斜校正的办法，其特征在于，所述步骤a)与步骤b)之间还包括步骤a-b)证件图像缩小操作：根据证件在整个成像区域的比例确定缩小因子，对证件图像进行缩放。

4、根据权利要求1所述的证件图像倾斜校正的办法，其特征在于，所述步骤b)中将彩色图像转换成灰度图像的计算公式为：

$\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]=\left[\begin{array}{ccc}0.299& 0.587& 0.114\\ -0.1687& -0.3313& 0.5\\ 0.5& -0.4187& -0.0813\end{array}\right]*\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

其中Y为证件图像的亮度值，Cr表示图像的色调，Cb表示图像的饱和度来表示，R、G、B分别表示红绿蓝。

5、根据权利要求4所述的证件图像倾斜校正的办法，其特征在于，所述步骤c)图像Sobel算子边缘检测的过程为：

c1)定义图像的亮度函数f(x，y)在位置(x，y)处的梯度向量为：

$\▿f=\left[\begin{array}{c}{G}_x\\ G_y\end{array}\right]=\left[\begin{array}{c}\frac{\∂f}{\∂x}\\ \frac{\∂f}{\∂y}\end{array}\right]$

G_x——x坐标的一阶导数

G_y——y坐标的一阶导数

c2)梯度向量指向坐标(x，y)点处f的最大变化速率方向，在边缘检测中，一个重要的量是这个向量的模，即：

$\▿f=|\▿f|=\sqrt{{G_x}^2+{G_y}^2}$

d3)根据每个像素点求得的向量模值的大小经过门限操作得到粗糙的轮廓图像。

6、根据权利要求5所述的证件图像倾斜校正的办法，其特征在于，所述步骤d)图像细化处理采用Zhang快速并行算法对边缘检测后的图像进行细化，具体过程为：

d1)标记证件图像边缘上的点亮度值为“1”，背景上的点亮度值为“0”，以边界点为中心的八连通邻域，定义中心点为p1，其邻域的八个点顺时针绕着中心点分别定义为p2、p3……p9，其中p2在p1的上方，若该边界点满足下列条件，则标记该轮廓点为p1：

$\left\{\begin{array}{c}\left(a\right)2\≤N\left(\mathrm{pl}\right)\≤6\\ \left(b\right)T\left(\mathrm{pl}\right)=1\\ \left(c\right)p2\·p4\·p6=0\\ \left(d\right)p4\·p6\·p8=0\end{array}\right.$

其中N(p1)表示点p1的非零相邻点数目，即

N(p1)＝p2+p3+...+p8+p9

并且T(p1)是以p2，p3，...，p8，p9，p2为次序轮转时，从0到1的变化次数的计数；

d2)对所有边界点都检验完毕后，将所有标记为p1的值改为“0”；

d3)步骤d1)中的条件(a)、(b)保持不变，把条件(c)、(d)变为：

$\left\{\begin{array}{c}\left(c^{\′}\right)p2\·p4\·p8=0\\ \left(d^{\′}\right)p2\·p6\·p8=0\end{array}\right.$

d4)按d1)中同样的办法遍历结果数据，完成标记工作，并对标记的所有p1点在完成整幅图像扫描之后，将其值改为“0”；

d5)重复迭代操作上述步骤d1)-d4)，直到没有点再满足标记条件。

7、根据权利要求6所述的证件图像倾斜校正的办法，其特征在于，所述步骤e)Hough变换计算倾斜角度的具体过程为：

e1)根据步骤d)得到的图像尺寸决定Hough变换累加器的大小并分配内存；

d2)对图像作Hough变换，并将变换结果存入Hough变换累加器；

d3)设定阈值，并根据阈值大小将Hough变换累加器中累加值小于阈值的点清零，即认为这些点并不对应图像域中的一条直线；

d4)查找Hough变换累加器中累加值最大的点，记录该点并将其领域清零，继续查找并记录下一个累加值最大的点，直到累加器中所有的累加值都为零，记录的这些点即对应了检测到的图像中的直线，每个点对应的坐标(ρ，θ)表示的直线就是待检测直线或者直线段的参数空间的特征值；

d5)对d4中的结果进行Hough变换“反射邻接”检测，方法为判断是否同时出现接近(ρ，π/2)或(-ρ，-π/2)的点，如果存在则进行合并；

d6)由于证件边框为矩形或圆角，对d5所有的点进行“同边，对边，邻边”关系检测和分类；

d7)根据分类的结果，结合证件边框为矩形的特点，利用相应的直线段参数(ρ，θ)可以得到倾斜角：一对对边的直线段的极半径之差为证件边框的长，而对应的另一对对边的直线段的极半径之差为证件边框的宽，后者对应的倾角即为证件的倾斜角；

8、根据权利要求7所述的证件图像倾斜校正的办法，其特征在于，所述步骤f)图像倾斜校正的具体过程为：

f1)利用水平方向和垂直方向模板分别计算水平方向和垂直方向的梯度；

f2)对f1)得到梯度向量求模运算得到向量的模值；

f3)对f2)中的模值进行门限比较可以得到二值化图像，其中值为1的点表示边缘，为0的点表示背景。

Images