CN102426649A - 一种简单的高准确率的钢印数字自动识别方法 - Google Patents

一种简单的高准确率的钢印数字自动识别方法 Download PDF

Info

Publication number
CN102426649A
CN102426649A CN2011103100741A CN201110310074A CN102426649A CN 102426649 A CN102426649 A CN 102426649A CN 2011103100741 A CN2011103100741 A CN 2011103100741A CN 201110310074 A CN201110310074 A CN 201110310074A CN 102426649 A CN102426649 A CN 102426649A
Authority
CN
China
Prior art keywords
image
character
width
gradient
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.)
Granted
Application number
CN2011103100741A
Other languages
English (en)
Other versions
CN102426649B (zh
Inventor
陈宏彩
程煜
郝存明
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.)
Institute Of Applied Mathematics Hebei Academy Of Sciences
Original Assignee
SHIJIAZHUANG DEVELOPMENT ZONE JIKE SHANGSHI SCI-TECH 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 SHIJIAZHUANG DEVELOPMENT ZONE JIKE SHANGSHI SCI-TECH Co Ltd filed Critical SHIJIAZHUANG DEVELOPMENT ZONE JIKE SHANGSHI SCI-TECH Co Ltd
Priority to CN 201110310074 priority Critical patent/CN102426649B/zh
Publication of CN102426649A publication Critical patent/CN102426649A/zh
Application granted granted Critical
Publication of CN102426649B publication Critical patent/CN102426649B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

一种简单的高准确率的钢印数字自动识别方法，它首先对字符区域进行粗定位，分割出字符区域；然后将数字图像由RGB空间转换到YCbCr空间，并采用分块自适应阈值的Canny算子和边缘闭合相结合的方法从数字图像的Y分量提取字符轮廓；再分割出单个字符并进行归一化处理；最后采用级联模板匹配分组的方法识别数字。本发明采用分块自适应阈值的Canny算子和边缘闭合相结合的方法从数字图像的Y分量提取字符轮廓，并采用级联模板匹配分组的方法识别数字，具有检测结果边缘连接程度好，噪声敏感程度低，实时性强等优点，可实时准确地识别强干扰下的钢印数字、满足工业自动检测和信息化的需求。

Description

一种简单的高准确率的钢印数字自动识别方法
技术领域
本发明涉及一种能够在工业现场自动识别液化气钢瓶上的钢印数字的方法，属识别技术领域。
背景技术
液化气钢瓶的标识编码为压印在护罩上的凹字符，与一般利用前景和背景色差形成的字符相比, 有着其固有的特点：                                                
Figure 255310DEST_PATH_IMAGE001
压印字符是下凹的，具有一定深度，而其他字符大多数都属于二维字符；压印字符与背景是同色, 字符图像显示质量不佳；
Figure 848151DEST_PATH_IMAGE003
压制字符时，由于字模松动、倾斜或钢瓶材质等现场因素的影响，压印字符有倾斜、缺损等变形，且深浅不一、字符周围有较强的干扰。尽管压印字符的识别属于光学字符识别(optical Character Recognition，OCR)的范畴，而且有很多OCR技术研究已经非常成熟，但因其与其他字符相比区别非常大，所以还不能将字符识别领域现有的识别方法直接用于压印字符，必须针对其图像特点，研究与之相适应的图像处理和识别算法。
目前，人们对钢印字符识别技术的研究还处在起步阶段，已有的数字识别系统一般是先对采集的图像二值化处理，再提取字符特征。针对压印的凹凸字符图像, 从分割的错误概率、区域的均匀性和形状参数三方面评价常用的50多个二值化方法, 没有一个方法能同时在所有的试验凹凸字符图像上, 三方面评价参数上都占首位。如有的学者提出利用圆周投影和矢量和直接获取灰度压印字符的质量判别特征值, 以标准压印字符为模板进行快速的标牌压印字符在线检测。这种识别方法适用于平面钢印字符，而钢瓶字符处在一个弯曲的弧面上，这种钢印数字受光照影响很大，打印的钢印数字易发生畸变，字符深度不一，加大了字符识别的难度。有的学者采用Canny算子和边缘闭合相结合的方法提取字符轮廓，将字符与背景分割；然后用穿线法和NMI特征进行模板匹配。但采用的Canny算子和边缘闭合相结合的方法使用同一个固定阈值，不能有效提取复杂背景下的所有字符轮廓，这种方法通用性不好，无法实现工业自动检测。
发明内容
本发明的目的在于克服现有技术的不足，提供一种简单高效的钢印数字自动识别方法，实时准确地识别强干扰下的钢印数字，以满足工业自动检测和信息化的需求。
本发明所称问题是以下述技术方案实现的：
一种简单的高准确率的钢印数字自动识别方法，它首先对字符区域进行粗定位，分割出字符区域；然后将数字图像由RGB空间转换到YCbCr空间，并采用分块自适应阈值的Canny算子和边缘闭合相结合的方法从数字图像的Y分量提取字符轮廓；再分割出单个字符并进行归一化处理；最后采用级联模板匹配分组的方法识别数字，具体步骤如下：
a、字符区域粗定位：
从采集到的钢瓶钢印数字图像中，截取包含字符的矩形区域，区域大小为固定值Width×Height。
b、提取字符边缘：
首先将粗定位后的钢瓶钢印数字图像由RGB空间转换到YCbCr空间；
然后根据单个字符大小把图像平均分成M×N块，每块大小为（Width/M）×（Height/N）；采用自适应阈值的Canny算子和边缘闭合相结合的方法逐块提取字符轮廓，具体步骤为：
① 利用二维高斯函数
Figure 224906DEST_PATH_IMAGE004
的一阶导数对钢瓶钢印数字图像
Figure 235587DEST_PATH_IMAGE005
进行平滑去噪，其中，高斯滤波器参数
Figure 672385DEST_PATH_IMAGE006
由下式确定：
  
Figure 486626DEST_PATH_IMAGE007
    
其中，
Figure 198230DEST_PATH_IMAGE008
        
式中，
Figure 532259DEST_PATH_IMAGE005
为当前像素点
Figure 139958DEST_PATH_IMAGE009
处的亮度值，
Figure 192228DEST_PATH_IMAGE010
为窗口
Figure 707523DEST_PATH_IMAGE011
大小，
Figure 145326DEST_PATH_IMAGE012
为窗口
Figure 923926DEST_PATH_IMAGE011
内的亮度值总和；一般窗口大小取3×3或5×5。
② 计算平滑后的数据阵列
Figure 463492DEST_PATH_IMAGE013
的梯度幅值
Figure 985740DEST_PATH_IMAGE014
和梯度方向
Figure 12471DEST_PATH_IMAGE015
：
Figure 961973DEST_PATH_IMAGE016
  
Figure 519993DEST_PATH_IMAGE017
其中, 
Figure 580353DEST_PATH_IMAGE018
和
Figure 992748DEST_PATH_IMAGE019
分别为
Figure 909889DEST_PATH_IMAGE013
在
Figure 158468DEST_PATH_IMAGE020
和
Figure 22518DEST_PATH_IMAGE021
方向偏导数的阵列：
Figure 305732DEST_PATH_IMAGE022
，
Figure 128195DEST_PATH_IMAGE023
，
③ 对梯度幅值进行非极大值抑制：
使用3×3大小，包含8方向的邻域对梯度幅值阵列的所有像素沿梯度方向进行梯度幅值的插值，在每一个点上，邻域的中心像素
Figure 125056DEST_PATH_IMAGE024
与沿梯度方向的2个梯度幅值的插值结果进行比较，如果邻域中心点的幅值
Figure 792798DEST_PATH_IMAGE014
不比梯度方向上的2个插值结果大，则将
Figure 461676DEST_PATH_IMAGE024
对应的边缘标志位赋值为0；
④ 检测和连接边缘：
对经过非极大值抑制和梯度直方图分类的子图像
Figure 923882DEST_PATH_IMAGE025
分别使用高阈值
Figure 147053DEST_PATH_IMAGE026
和低阈值
Figure 884064DEST_PATH_IMAGE027
分割，得到2个阈值边缘图像
Figure 125559DEST_PATH_IMAGE028
和
Figure 24245DEST_PATH_IMAGE029
，然后在
Figure 265870DEST_PATH_IMAGE028
中把边缘连接成轮廓，若轮廓上有间断，则在达到轮廓端点时,在由低阈值得到的边缘图像
Figure 9835DEST_PATH_IMAGE029
的8邻域位置寻找可以连接到轮廓上的边缘, 这样,利用递归跟踪的算法不断地在
Figure 122148DEST_PATH_IMAGE029
中搜集边缘,直到将
Figure 457314DEST_PATH_IMAGE028
中所有的间隙都连接起来为止，所述高阈值
Figure 904345DEST_PATH_IMAGE026
和低阈值
Figure 452001DEST_PATH_IMAGE027
由以下方法确定：
设阈值和将非极值抑制后的梯度幅值分为3类：
Figure 609947DEST_PATH_IMAGE032
、
Figure 492452DEST_PATH_IMAGE033
、
Figure 563045DEST_PATH_IMAGE034
，
Figure 505593DEST_PATH_IMAGE032
为非边缘点类，
Figure 412370DEST_PATH_IMAGE034
为边缘点类，
Figure 301828DEST_PATH_IMAGE033
介于
Figure 243239DEST_PATH_IMAGE032
和
Figure 356689DEST_PATH_IMAGE034
之间，对某一类
Figure 29DEST_PATH_IMAGE035
来说，定义0阶矩和1阶矩
Figure 754675DEST_PATH_IMAGE037
：
，  
Figure 920394DEST_PATH_IMAGE039
，
其中，
Figure 417235DEST_PATH_IMAGE040
为像素点梯度幅值，、为第
Figure 875264DEST_PATH_IMAGE035
类像素梯度幅值的开始和结束值，
Figure 910216DEST_PATH_IMAGE043
=0，
Figure 680726DEST_PATH_IMAGE044
为幅值为
Figure 41300DEST_PATH_IMAGE040
的像素点总数，为所有像素点总数，令
Figure 985171DEST_PATH_IMAGE046
，
则类间方差为：
Figure 875767DEST_PATH_IMAGE047
，
将使类间方差最大的阈值
Figure 141663DEST_PATH_IMAGE030
和
Figure 219340DEST_PATH_IMAGE031
分别设置为高阈值
Figure 392833DEST_PATH_IMAGE026
和低阈值；
c、数字的分割与归一化处理：
① 数字分割：
首先在边缘检测图上计数竖直积分投影的平滑曲线p(x),再搜索p(x)的局部最小值，得到一个波谷位置序列v(0)，v(1)，…,v(n)，然后将相邻两个波谷v(i)和v(i+1)分别作为左右边界提取出一组矩形区r(i)，并根据下列规则对矩形序列r(i)进行删除、分裂、合并和调整大小，中值宽度等于单个数字的标准宽度：
Ⅰ、若相邻矩形r(i-1)和r(i)的宽度均小于矩形序列的中值宽度且合并后的宽度接近矩形序列的中值宽度，则将r(i-1)和r(i)合并；
Ⅱ、若矩形r(i)的宽度接近两倍中值宽度，且前后相邻矩形的宽度接近中值宽度，则将r(i)等分成两块；
Ⅲ、若相邻矩形r(i-1)和r(i)的宽度之和接近两倍中值宽度，但其中一个矩形宽度小于中值宽度，另一个矩形宽度大于中值宽度，调整r(i-1)的右边界和r(i)的左边界，使得两个矩形等宽；
② 定位单个数字上下左右边界：
首先对图像进行滤波：扫描整个图像，当发现一个白色的点时，考察和该白色点直接或者间接相连接的白色点的个数，如果个数小于规定的阈值，则把它去掉，滤波完成后按以下方法确定单个数字边界：
上下边界的定位：对分割出的单个数字图像从上到下逐行扫描，遇到第一白色像素点时，认为是字符的上边界；遇到第j行有白色像素点，第j+1行白色像素点为0时，则认为是字符的下边界；
左右边界的定位：在每个数字高度范围之内自左向右逐列进行扫描，遇到第一个白色象素时认为是字符的左边界，然后继续扫描，直至遇到有一列中没有白色象素，则认为是这个字符的右边界；
计算分割出的单个数字的宽度，若宽度小于中值宽度的2/3，则直接识别该数字为“1”；
③ 对字符进行归一化处理：
将经过分割的非“1”数字进行缩放处理，使其高度等于标准图像高度，然后根据缩放处理后数字的宽度，把图像中的像素点按照插值的方法映射到标准图像中，并进行连通性检测和边缘连接；
d、采用模板匹配分组的方法对除去数字“1”之外的9个数字进行识别。
上述简单的高准确率的钢印数字自动识别方法，为了提高运算速度，高斯滤波器参数
Figure 89579DEST_PATH_IMAGE006
的求解过程中，窗口
Figure 654553DEST_PATH_IMAGE011
内的亮度值总和
Figure 834998DEST_PATH_IMAGE012
采用下述方法计算：
定义点
Figure 169028DEST_PATH_IMAGE048
处的积分图像：
Figure 609422DEST_PATH_IMAGE050
 ，
式中，为图像点
Figure 313253DEST_PATH_IMAGE052
处的亮度值；通过下面两式迭代计算得到：
，
Figure 684826DEST_PATH_IMAGE054
，
其中，
Figure 242715DEST_PATH_IMAGE055
为一列的积分，
建立积分图像后，窗口
Figure 192216DEST_PATH_IMAGE011
内的亮度值总和通过下式计算：
     
Figure 484657DEST_PATH_IMAGE056
，
上述简单的高准确率的钢印数字自动识别方法，为了提高Canny算子的运算速度，将高斯函数
Figure 810596DEST_PATH_IMAGE057
梯度矢量 
Figure 973725DEST_PATH_IMAGE058
的二维卷积模板分解为两个一维滤波器；通过不同模板匹配方法把待识别数字逐级分组，直到分离并识别出单个数字；
Figure 625286DEST_PATH_IMAGE059
 和
，
式中：
Figure 252762DEST_PATH_IMAGE061
，
Figure 270397DEST_PATH_IMAGE062
，
Figure 358438DEST_PATH_IMAGE063
，
Figure 94313DEST_PATH_IMAGE064
， 
其中，k为常数，
然后将两个模板分别与图像的Y分量进行卷积。
本发明采用分块自适应阈值的Canny算子和边缘闭合相结合的方法从数字图像的Y分量提取字符轮廓，并采用级联模板匹配分组的方法识别数字，具有检测结果边缘连接程度好，噪声敏感程度低，实时性强等优点，可实时准确地识别强干扰下的钢印数字（准确率，满足工业自动检测和信息化的需求。自适应Canny算法中的高斯滤波尺度参数通过快速积分图像进行计算，大大缩短计算时间。
附图说明
下面结合附图对本发明作进一步详述。
图1 是钢印数字识别流程图；
图2 是钢印数字图像；
图3 是粗定位后的钢印数字图像； 
图4 是积分图像中窗口W内像素和的求解；
图5是传统Canny算子与分块自适应Canny算法处理光线较强图像的效果对比图；
图6 是传统Canny算子与分块自适应Canny算法处理光线较暗图像的效果对比图；
图7 是传统Canny算子与分块自适应Canny算法处理亮度不均图像的效果对比图；
图8 是对图7中分块自适应Canny算法边缘检测图的竖直积分投影的平滑曲线；
图9 是字符分割结果； 
图10 是水平投影定位单个数字的上下边界结果； 
图11 是精确定位单个数字的左右边界结果； 
图12 是标准化后的数字图像；
图13 是采用级联模板匹配分组法的数字识别过程描述图。
图中各标号为：1、液化气钢瓶；2、钢印数字（实际图2和图3均为彩色图像，且数字和钢瓶颜色较复杂，这里仅用数字1和2表示出他们的区域）。
文中各符号为：RGB、数字图像的色彩模式之一，其中R代表红色，G代表绿色，B代表蓝色；YCbCr、数字图像的模式之一，其中Y是代表亮度分量，Cb代表蓝色色度分量，Cr代表红色色度分量；Width、粗定位后图像的宽度；Height、粗定位后图像的高度；M、是粗定位后图像的宽度被分成的块数；N、是粗定位后图像的高度被分成的块数；是
Figure 11322DEST_PATH_IMAGE006
、高斯滤波器参数；
Figure 414622DEST_PATH_IMAGE026
、高阈值；
Figure 142407DEST_PATH_IMAGE027
、低阈值；
Figure 365578DEST_PATH_IMAGE057
、高斯函数；
Figure 102589DEST_PATH_IMAGE065
、高斯函数
Figure 94816DEST_PATH_IMAGE057
的梯度矢量；k、常数；
Figure 242770DEST_PATH_IMAGE024
、邻域的中心像素；
Figure 218816DEST_PATH_IMAGE005
、数字图像当前像素点亮度值；
Figure 228360DEST_PATH_IMAGE012
、窗口
Figure 340673DEST_PATH_IMAGE011
内的亮度值总和；
Figure 675839DEST_PATH_IMAGE013
、平滑后的数据阵列；
Figure 873602DEST_PATH_IMAGE014
、
Figure 670526DEST_PATH_IMAGE013
的梯度幅值；、
Figure 143412DEST_PATH_IMAGE013
的梯度方向、
Figure 828472DEST_PATH_IMAGE018
、
Figure 710977DEST_PATH_IMAGE013
在
Figure 532303DEST_PATH_IMAGE020
方向偏导数的阵列；
Figure 192960DEST_PATH_IMAGE019
、
Figure 630894DEST_PATH_IMAGE013
在
Figure 520353DEST_PATH_IMAGE021
方向偏导数的阵列；
Figure 461764DEST_PATH_IMAGE028
、由
Figure 309635DEST_PATH_IMAGE026
得到的阈值边缘图像；、由
Figure 646124DEST_PATH_IMAGE027
得到的阈值边缘图像；
Figure 973200DEST_PATH_IMAGE036
、0阶矩；
Figure 726392DEST_PATH_IMAGE037
、1阶矩；、幅值为i的像素点总数；
Figure 370180DEST_PATH_IMAGE045
、所有像素点总数；p(x)、在边缘检测图上计数竖直积分投影的平滑曲线；、点处的积分图像；
Figure 105507DEST_PATH_IMAGE051
、图像点
Figure 140460DEST_PATH_IMAGE052
处的亮度值；
Figure 645390DEST_PATH_IMAGE055
、图像一列的积分； 
具体实施方式
本发明的具体识别步骤如下：
一、字符区域粗定位
本发明中工件钢瓶与摄像头的位置相对固定，因此我们先对其字符区域粗定位。这样减少了钢印数字背景对字符提取的影响。图2是采集到的钢瓶钢印数字图像，大小为320×240。（）图3是经字符区域粗定位后截取的图像，在本发明中截取的矩形范围是[（30,150），（289,209）]。区域大小是260×60。
二、边缘提取
边缘是图像信号突变的地方，是图像的重要特征之一。Canny算子自从提出以来，在各种边缘检测中表现出良好性能，已经成为评估其它新的边缘检测算子的标准，并随之产生了许多改进的Canny算法，使其性能获得显著提高。使用传统Canny 算子进行边缘检测时，高斯滤波方差参数和对像素梯度进行模非极大值抑制后的高、低阈值都需要人工设定，不同的参数对于边缘检测的结果影响很大，实际图像易受到光照不均和噪声等干扰，人为修改这些参数不仅费时，而且参数大小不易把握。
2.1 Canny算子的基本原理
Canny 算法在边缘检测中满足最优准则：
①信噪比准则，即对边缘点的判定要准确，将非边缘点错判为边缘点和将边缘点错判为非边缘点的概率要低；
②定位精度准则，检测出的边缘定位精准，尽量不偏离实际边缘中心；
③单边响应准则, 对单一边缘仅有一个响应并且能抑制虚假边缘产生。
传统的Canny边缘检测算法包含以下几个步骤:
(1)用高斯滤波器平滑图像。
首先利用二维高斯函数的一阶导数对原始图像
Figure 271544DEST_PATH_IMAGE005
进行平滑去噪。高斯滤波器是以高斯函数
Figure 127504DEST_PATH_IMAGE057
作为核函数的。二维高斯函数为
         
Figure 949836DEST_PATH_IMAGE067
    ，                                 (1)
其梯度矢量为：
                  
Figure 574852DEST_PATH_IMAGE068
  ，                                   (2)  为了提高Canny算子的运算速度，将
Figure 371907DEST_PATH_IMAGE065
的二维卷积模板分解为两个一维滤波器，得：
       
Figure 449584DEST_PATH_IMAGE059
 ，                      (3)
Figure 623076DEST_PATH_IMAGE060
，                      (4)
其中：
Figure 102599DEST_PATH_IMAGE061
，
Figure 788664DEST_PATH_IMAGE062
，
，
Figure 799663DEST_PATH_IMAGE064
，
然后将两个模板分别与图像进行卷积。其中，k为常数，
Figure 399271DEST_PATH_IMAGE006
为高斯滤波器参数，它控制着平滑程度。对于
Figure 538129DEST_PATH_IMAGE006
较小的滤波器，边缘的定位精度高，但图像的信噪比较低；
Figure 590398DEST_PATH_IMAGE006
大的情况则相反。因此，要根据实际需要选取适当的高斯滤波参数。
(2)计算梯度的幅值和方向
传统Canny算法采用2×2邻域一阶偏导的有限差分来计算平滑后的数据阵列
Figure 558223DEST_PATH_IMAGE013
的梯度幅值和梯度方向。其中,
Figure 12338DEST_PATH_IMAGE020
和
Figure 322097DEST_PATH_IMAGE021
方向偏导数的2个阵列
Figure 861663DEST_PATH_IMAGE018
和分别为 ：
     
Figure 223691DEST_PATH_IMAGE022
 ，                  (5)
     
Figure 422460DEST_PATH_IMAGE023
 ，                  (6)
像素的梯度幅值和梯度方向用直角坐标到极坐标的坐标转化公式来计算, 用二阶范数来计算梯度幅值为
               ，                                (7)
梯度方向为
            
Figure 40840DEST_PATH_IMAGE017
 ，                                 (8)
(3)对梯度幅值进行非极大值抑制。
为了精确定位边缘, 必须细化梯度幅值图像中的屋脊带, 只保留幅值局部变化最大的点, 这一过程就是非极大值抑制。Canny算法使用3×3大小，包含8方向的邻域对梯度幅值阵列的所有像素沿梯度方向进行梯度幅值的插值。在每一个点上，邻域的中心像素
Figure 324371DEST_PATH_IMAGE024
与沿梯度方向的2个梯度幅值的插值结果进行比较，如果邻域中心点的幅值
Figure 369687DEST_PATH_IMAGE014
不比梯度方向上的2个插值结果大，则将
Figure 483006DEST_PATH_IMAGE024
对应的边缘标志位赋值为0，这一过程把
Figure 500640DEST_PATH_IMAGE014
宽屋脊带细化为一个像素宽，并且保留了屋脊的梯度幅值。
(4)检测和连接边缘。
双阈值算法是对经过非极大值抑制和梯度直方图分类的子图像
Figure 588682DEST_PATH_IMAGE025
分别使用高、低阈值
Figure 324557DEST_PATH_IMAGE026
和
Figure 726719DEST_PATH_IMAGE027
分割得到两个阈值边缘图像
Figure 113707DEST_PATH_IMAGE028
和
Figure 372650DEST_PATH_IMAGE029
。由高阈值得到的图像不含假边缘, 但可能在轮廓上有间断。因此双阈值算法要在中把边缘连接成轮廓,当达到轮廓端点时,该算法就在由低阈值得到的边缘图像
Figure 801675DEST_PATH_IMAGE029
的8邻域位置寻找可以连接到轮廓上的边缘, 这样,利用递归跟踪的算法不断地在
Figure 325060DEST_PATH_IMAGE029
中搜集边缘,直到将
Figure 958166DEST_PATH_IMAGE028
中所有的间隙都连接起来为止。
通过上面的过程，可以看出，传统Canny 算法在实际应用中存在如下问题：
(1)传统Canny算法的噪声平滑能力与边缘定位能力相矛盾。
(2)传统Canny算子在阈值化处理时的阈值需要预先设定。而实际的图像因受光照、场景等变化因素的影响，高、低阈值系数不可能是一个固定值，所以传统的方法不具有自适应能力，在许多情况下也难以得到好的检测结果。
2.2 颜色空间转化
本发明研究的钢印数字是下凹的空间立体字符，这种字符与背景没有色差，是通过字符区域同背景区域对光线的不同反射成像，而印刷字符等一般的光学字符是通过色差成像的。通过分析钢印数字的特点及实验测试，本发明中采用了YCbCr作为边缘提取的空间。在YCbCr空间中，Y分量给出了所有的亮度信息，Cb和Cr分量分别表示蓝色和红色的色度。YCbCr空间的优点是将亮度分量Y分离，且Cb和Cr不受亮度的影响。因此我们直接在Y分量上进行边缘提取。
一个RGB表示下的像素点在YCbCr空间的值可以通过下面的变换得到：
 ，        
逆变换：
，
2.3 分块自适应阈值的Canny算子
2.3.1高斯滤波器尺度参数
Figure 305337DEST_PATH_IMAGE006
的确定
为解决高斯滤波器中噪声平滑能力与边缘定位能力相矛盾的问题，本发明先根据标准字符大小把图像分块，本发明将采集的钢印数字图像分成10×3块，由此得到的边缘相对较好，这样每一块图像大小是26×20，窗口W就在分割后的每一块大小为26×20的图像块上做平滑去噪处理。然后在YCbCr颜色空间的Y分量上利用尺度自适应调整的高斯滤波器来对分割后的每一小块图像进行平滑。即
             
Figure 374924DEST_PATH_IMAGE071
  ，                         （9）
式中，
Figure 838267DEST_PATH_IMAGE005
为当前像素点亮度值，为窗口大小。这里窗口大小为5×5。
当像素点为噪声点时，（9）式差值较大；像素点为平滑区域点时，差值小；而为边缘时，介于两者之间。可见，该差值的大小与理想的滤波窗口平滑度保持一致，而窗口平滑度又由尺度参数
Figure 867588DEST_PATH_IMAGE006
控制，因此，可将该差值作为高斯滤波器尺度大小，从而实现滤波器尺度参数的自适应调整。
    在实际计算时，对每个窗口的均值计算都需要进行
Figure 373656DEST_PATH_IMAGE010
次乘法和
Figure 58715DEST_PATH_IMAGE072
次加法，计算速度较慢。本发明采用积分图像来提高计算速度。积分图像定义为：
                   
Figure 410062DEST_PATH_IMAGE050
 ，                                (10)
式中，
Figure 762546DEST_PATH_IMAGE051
为图像点
Figure 908357DEST_PATH_IMAGE052
处的亮度值；
Figure 64400DEST_PATH_IMAGE049
为点
Figure 750597DEST_PATH_IMAGE048
处的积分图像。
Figure 426429DEST_PATH_IMAGE049
可用式（11）和（12）迭代计算得到
            
Figure 8720DEST_PATH_IMAGE053
  ，                                 (11)
           
Figure 933950DEST_PATH_IMAGE054
，                                 (12)
其中，
Figure 627100DEST_PATH_IMAGE055
为一列的积分。
建立积分图像后，窗口
Figure 672285DEST_PATH_IMAGE011
内的亮度值总和，便可通过式(13)快速计算出来。积分图像如图4所示。因此，采用积分图像求窗口均值只需3次加法，计算量小，能大大提高计算速度。且对于不同大小的窗口，计算量都是相等的。
      
Figure 956636DEST_PATH_IMAGE056
 ，              (13)
2.3.2 自适应的动态阈值方法
传统的Canny算子需要人工输入高、低阈值和
Figure 69266DEST_PATH_IMAGE027
，而实际工程应用中，采集到的图像因受光照、场景等变化因素的影响，高、低阈值系数不可能是一个固定值。本发明采用基于Otsu方法的自适应阈值计算。
设阈值
Figure 250848DEST_PATH_IMAGE030
和
Figure 174942DEST_PATH_IMAGE031
将非极值抑制后的梯度幅值分为3类：
Figure 74765DEST_PATH_IMAGE032
、、
Figure 863915DEST_PATH_IMAGE034
，
Figure 490069DEST_PATH_IMAGE032
为非边缘点类，
Figure 80450DEST_PATH_IMAGE034
为边缘点类，
Figure 919093DEST_PATH_IMAGE033
介于
Figure 793377DEST_PATH_IMAGE032
和
Figure 590432DEST_PATH_IMAGE034
之间。对某一类
Figure 668109DEST_PATH_IMAGE035
来说，定义0阶矩和1阶矩分别为：
Figure 44864DEST_PATH_IMAGE073
，  
Figure 55545DEST_PATH_IMAGE074
，
其中，
Figure 492343DEST_PATH_IMAGE040
为像素点梯度幅值，
Figure 306584DEST_PATH_IMAGE041
、
Figure 18188DEST_PATH_IMAGE042
为第
Figure 617796DEST_PATH_IMAGE035
类像素梯度幅值的开始和结束值，
Figure 225495DEST_PATH_IMAGE043
=0，
Figure 543344DEST_PATH_IMAGE044
为幅值为
Figure 527481DEST_PATH_IMAGE040
的像素点总数，
Figure 230863DEST_PATH_IMAGE075
为第
Figure 540622DEST_PATH_IMAGE035
类像素点总数，
Figure 814608DEST_PATH_IMAGE045
为所有像素点总数。令
，
则类间方差为：
Figure 176637DEST_PATH_IMAGE047
，
将使类间方差最大的阈值
Figure 126138DEST_PATH_IMAGE030
和分别设置为高低阈值
Figure 993786DEST_PATH_IMAGE026
和
Figure 422493DEST_PATH_IMAGE027
。
为了检验改进Canny算法的有效性, 实验时所用计算机主频为2.91GHz, 内存2G, 采用了Matlab 7.8对文中方法进行了程序实现。用传统Canny算子和本文提出的分块自适应Canny算法处理工业检测中采集到的钢瓶钢印数字图像，实验结果如图5-图7所示(图5-图7中，左侧为传统Canny算子的处理效果，右侧为分块自适应Canny算法的处理效果)，运算时间见表1：
表1运算时间 （单位：ms）
Figure 542896DEST_PATH_IMAGE076
从图5-图7可以看出，通过对三种不同光线的图像实验，用传统的canny 算子检测可能出现噪声点过多和假边缘现象，而且需要手工输入各个参数，参数大小需要实验多次才能选择一个最佳值。本文分块自适应Canny算法能根据图像的灰度特性进行参数计算，获得较合适的高斯滤波器尺度值和高低阈值，检测结果较好，不仅有效抑制了噪声，去掉了虚假边缘，而且对光线较暗和较亮的图像及不均匀图像都能获得准确的边缘。且运行速度相对较快，能满足工业实时性需求。
三、数字分割归一化
3.1 数字分割
钢印数字分割是将单个数字从图像中分离出来，但在实际环境中由于一些不确定因素的影响，分割存在一定的难度。主要是噪声的影响，钢印数字存在粘连或不连通的情况。如果直接进行分割，就会造成误差。
本发明中数字分割采用的是竖直投影谷值分析与钢印数字宽度信息相结合的方法。
谷值分析的目的是按照一定的规则分析竖直积分投影图上的波谷位置。
首先在边缘检测图上计数竖直积分投影的平滑曲线p(x),如图8所示。再搜索p(x)的局部最小（波谷）值，得到一个波谷位置序列v(0)，v(1)，…,v(n)。然后将相邻两个波谷v(i)和v(i+1)分别作为左右边界提取出一组矩形区r(i)，并根据下列规则对矩形序列r(i)进行删除、分裂、合并和调整大小，中值宽度等于单个数字的标准宽度。
（1）若相邻矩形r(i-1)和r(i)的宽度较小，且合并后宽度接近矩形序列的中值宽度，将r(i-1)和r(i)合并,便于解决提取的数字边缘不连通问题。
（2）若矩形r(i)的宽度接近两倍中值宽度，且前后相邻矩形的宽度接近中值宽度，将r(i)等分成两块，以解决数字间噪声等引起的数字粘连问题。
（3）若相邻矩形r(i-1)和r(i)的宽度之和接近两倍中值宽度，但其中一个矩形宽度小于中值宽度，另一个矩形宽度大于中值宽度，调整r(i-1)的右边界和r(i)的左边界，使得两个矩形等宽。
本文中经过粗定位后的单个数字宽度为35。图9是结合数字宽度及竖直投影分析得到字符分割图。
3.2 精确定位单个数字上下左右边界
    在精确定位前，我们先对图像进行滤波，去除孤立的杂点。具体算法如下，扫描整个图像，当发现一个白色点的时候，就考察和该白色点直接或者间接相连接的白色点的个数有多少，如果大于一定的值，那就说明不是离散点，否则就是离散点，把它去掉。
为确定单个数字上下边界，我们采用水平投影分割法，就是根据波峰的起始和终止位置对字符进行界定，其算法描述如下：
（1）对上述步骤分割出的单个数字图像从上到下逐行扫描，遇到第一白色像素点，认为是字符的起始位置，记录位置top1；
（2）继续扫描，遇到第j行有白色像素点，第j+1行白色像素点为0，则认为是字符的结束位置，记录位置bottom1；
水平投影定位得到的单个数字图像如图10所示。
接下来，精确定位每个数字的左右边界。其方法描述如下：
在每个数字高度范围之内在自左向右逐列进行扫描，遇到第一个白色象素时认为是字符分割的起始位置，然后继续扫描，直至遇到有一列中没有白色象素，则认为这个字符分割结束,计算出数字的宽度。这样就得到了每个字符的比较精确宽度范围。但是，数字“1”的宽度相比其它数字会窄很多，在这里，我们还要判断单个字符的宽度，若其宽度小于23（中值宽度（35）的2/3），则直接识别为数字“1”。 
图11是经过垂直扫描精确定位左右边界得到的分割图像。
3.3 归一化
将经过分割的数字，进行缩放处理使他们的宽和高一致，以方便特征的提取。在系统实现中是统一到同一高度，然后根据高度来调整字符的宽度。具体算法如下：先得到原来数字的高度，跟系统要求的高度做比较；得出要变换的系数，然后根据得到的系数求得变换后应有的宽度。在得到宽度高度之后，把原图像中的像素点按照插值的方法映射到新的标准大小的图像中。这样得到的归一化数字可能存在断裂现象，在此，我们需进行连通性检测，并且进行边缘连接。
图12是经过归一化后得到的数字图像（这里我们的标准高度统一为51，宽度为30）
四、数字识别
4.1 数字识别算法
接下来，我们仅需要对除去数字“1”之外的9个数字进行识别。
在本专利中，我们采用模板匹配分组的方法对数字进行识别。图13是本算法的过程描述图。
4.2 数字识别测试结果
本文采集了1000幅钢印数字图像，运用本发明提出的识别算法对其进行识别。表2是识别结果。（每幅钢印数字图像有7个数字，总共有7000个数字）。
表1   实验结果
从实验结果可以看出，本发明提出的识别算法可以有效识别出钢印数字，识别率高。能够满足工业检测的需求。
因为本发明提取的是钢印数字的边缘信息，其识别方法不能遵循传统的二值化后数字图像的识别方法。这样我们就不能运用神经网络等识别率较高的识别算法。另外，我们得到的数字边缘可能存在不完整或多一些噪声点。也不能把这种边缘图像细化为单像素边缘图像。在这种情况下，我们采用不同模板匹配分组的方法，就能基本识别这些数字。因为是经过级联模板匹配分组，误识率和拒识率非常低。这种方法不需要训练大量的样本，识别时间很快。该识别方法对识别钢印数字这类图像很有效。
   模板匹配是数字图像处理的重要组成部分之一。把不同传感器或同一传感器在不同时间、不同成像条件下对同一景物获取的两幅或多幅图像在空间上对准，或根据已知模式到另一幅图中寻找相应模式的处理方法就叫做模板匹配。     简单而言，模板就是一幅已知的小图像。模板匹配就是在一幅大图像中搜寻目标，已知该图中有要找的目标，且该目标同模板有相同的尺寸、方向和图像，通过一定的算法可以在图中找到目标，确定其坐标位置。     以8 位图像(其1个像素由1 个字节描述)为例，模板T( m × n 个像素)叠放在被搜索图S( W × H 个像素)上平移，模板覆盖被搜索图的那块区域叫子图Si,j。i，j为子图左上角在被搜索图S 上的坐标。搜索范围是： 
1 ≤ i ≤ W – m ，
1 ≤ j ≤ H – n ，
通过比较T 和Sij 的相似性，完成模板匹配过程。
衡量模板T和子图Si,j的匹配程度,可用下列两种测度:
Figure 791475DEST_PATH_IMAGE078
  ，     
或者  
Figure 916512DEST_PATH_IMAGE079
 ，     
需要说明的是，本文中的匹配成功是指D(i,j)等于零的情况，即图像与模板中对应位置的像素值需要完全相等才可以。

Claims (2)

1.一种简单的高准确率的钢印数字自动识别方法，其特征是，它首先对字符区域进行粗定位，分割出字符区域；然后将数字图像由RGB空间转换到YCbCr空间，并采用分块自适应阈值的Canny算子和边缘闭合相结合的方法从数字图像的Y分量提取字符轮廓；再分割出单个字符并进行归一化处理；最后采用级联模板匹配分组的方法识别数字，具体步骤如下：
a、字符区域粗定位：
从采集到的钢瓶钢印数字图像中，截取包含字符的矩形区域；
b、提取字符边缘：
首先将粗定位后的钢瓶钢印数字图像由RGB空间转换到YCbCr空间；
然后把图像分成M×N块，采用自适应阈值的Canny算子和边缘闭合相结合的方法逐块提取字符轮廓，具体步骤为：
① 利用二维高斯函数                                                
Figure 757764DEST_PATH_IMAGE001
的一阶导数对钢瓶钢印数字图像的Y分量进行平滑去噪，其中，高斯滤波器参数
Figure 699492DEST_PATH_IMAGE003
由下式确定：
     ； 
其中，
Figure 528043DEST_PATH_IMAGE005
  ；      
式中，为当前像素点亮度值，
Figure 26338DEST_PATH_IMAGE006
为窗口
Figure 933114DEST_PATH_IMAGE007
大小， 为窗口
Figure 295142DEST_PATH_IMAGE007
内的亮度值总和； 
② 计算平滑后的数据阵列
Figure 126701DEST_PATH_IMAGE009
的梯度幅值和梯度方向
Figure 745081DEST_PATH_IMAGE011
：
Figure 540999DEST_PATH_IMAGE012
， 
Figure 294191DEST_PATH_IMAGE013
，
其中, 
Figure 441139DEST_PATH_IMAGE014
和
Figure 187247DEST_PATH_IMAGE015
分别为
Figure 837671DEST_PATH_IMAGE009
在
Figure 292923DEST_PATH_IMAGE016
和
Figure 661587DEST_PATH_IMAGE017
方向偏导数的阵列：
Figure 696539DEST_PATH_IMAGE018
，
Figure 732629DEST_PATH_IMAGE019
，
③ 对梯度幅值进行非极大值抑制：
使用3×3大小，包含8方向的邻域对梯度幅值阵列的所有像素沿梯度方向进行梯度幅值的插值，在每一个点上，邻域的中心像素
Figure 76891DEST_PATH_IMAGE020
与沿梯度方向的2个梯度幅值的插值结果进行比较，如果邻域中心点的幅值
Figure 667272DEST_PATH_IMAGE010
不比梯度方向上的2个插值结果大，则将
Figure 37074DEST_PATH_IMAGE020
对应的边缘标志位赋值为0；
④ 检测和连接边缘：
对经过非极大值抑制和梯度直方图分类的子图像
Figure 662090DEST_PATH_IMAGE021
分别使用高阈值
Figure 927987DEST_PATH_IMAGE022
和低阈值
Figure 536822DEST_PATH_IMAGE023
分割，得到2个阈值边缘图像
Figure 162845DEST_PATH_IMAGE024
和
Figure 642368DEST_PATH_IMAGE025
，然后在
Figure 610324DEST_PATH_IMAGE024
中把边缘连接成轮廓，若轮廓上有间断，则在达到轮廓端点时,在由低阈值得到的边缘图像
Figure 175297DEST_PATH_IMAGE025
的8邻域位置寻找可以连接到轮廓上的边缘, 这样,利用递归跟踪的算法不断地在
Figure 355743DEST_PATH_IMAGE025
中搜集边缘,直到将
Figure 486510DEST_PATH_IMAGE024
中所有的间隙都连接起来为止，所述高阈值
Figure 343476DEST_PATH_IMAGE022
和低阈值
Figure 130167DEST_PATH_IMAGE023
由以下方法确定：
设阈值和
Figure 99577DEST_PATH_IMAGE027
将非极值抑制后的梯度幅值分为3类：
Figure 878177DEST_PATH_IMAGE028
、、
Figure 454838DEST_PATH_IMAGE030
，
Figure 763459DEST_PATH_IMAGE028
为非边缘点类，为边缘点类，
Figure 270981DEST_PATH_IMAGE029
介于
Figure 331341DEST_PATH_IMAGE028
和
Figure 9316DEST_PATH_IMAGE030
之间，对某一类来说，定义0阶矩
Figure 909456DEST_PATH_IMAGE032
和1阶矩
Figure 773506DEST_PATH_IMAGE033
：
Figure 587879DEST_PATH_IMAGE034
，  
Figure 879183DEST_PATH_IMAGE035
，
其中，
Figure 864325DEST_PATH_IMAGE036
为像素点梯度幅值，、
Figure 200946DEST_PATH_IMAGE038
为第类像素梯度幅值的开始和结束值，=0，
Figure 888913DEST_PATH_IMAGE040
为幅值为
Figure 130407DEST_PATH_IMAGE036
的像素点总数，
Figure 294672DEST_PATH_IMAGE041
为第
Figure 5139DEST_PATH_IMAGE031
类像素点总数，
Figure 14684DEST_PATH_IMAGE042
为所有像素点总数，令
，
则类间方差为：
Figure 462163DEST_PATH_IMAGE044
，
将使类间方差最大的阈值和
Figure 988008DEST_PATH_IMAGE027
分别设置为高阈值
Figure 689248DEST_PATH_IMAGE022
和低阈值
Figure 929736DEST_PATH_IMAGE023
；
c、数字的分割与归一化处理：
① 数字分割：
首先在边缘检测图上计数竖直积分投影的平滑曲线p(x),再搜索p(x)的局部最小值，得到一个波谷位置序列v(0)，v(1)，…,v(n)，然后将相邻两个波谷v(i)和v(i+1)分别作为左右边界提取出一组矩形区r(i)，并根据下列规则对矩形序列r(i)进行删除、分裂、合并和调整大小，中值宽度等于单个数字的标准宽度：
Ⅰ、若相邻矩形r(i-1)和r(i) 的宽度均小于矩形序列的中值宽度且合并后的宽度接近矩形序列的中值宽度，则将r(i-1)和r(i)合并；
Ⅱ、若矩形r(i)的宽度接近两倍中值宽度，且前后相邻矩形的宽度接近中值宽度，则将r(i)等分成两块；
Ⅲ、若相邻矩形r(i-1)和r(i)的宽度之和接近两倍中值宽度，但其中一个矩形宽度小于中值宽度，另一个矩形宽度大于中值宽度，调整r(i-1)的右边界和r(i)的左边界，使得两个矩形等宽；
② 定位单个数字上下左右边界：
首先对图像进行滤波：扫描整个图像，当发现一个白色的点时，考察和该白色点直接或者间接相连接的白色点的个数，如果个数小于规定的阈值，则把它去掉，滤波完成后按以下方法确定单个数字边界：
上下边界的定位：对分割出的单个数字图像从上到下逐行扫描，遇到第一白色像素点时，认为是字符的上边界；遇到第j行有白色像素点，第j+1行白色像素点为0时，则认为是字符的下边界；
左右边界的定位：在每个数字高度范围之内自左向右逐列进行扫描，遇到第一个白色象素时认为是字符的左边界，然后继续扫描，直至遇到有一列中没有白色象素，则认为是这个字符的右边界；
计算数字的宽度，若宽度小于中值宽度的2/3，则直接识别该数字为“1”；
③ 对字符进行归一化处理：
将经过分割的非“1”数字进行缩放处理，使其高度等于标准图像高度，然后根据缩放处理后数字的宽度，把图像中的像素点按照插值的方法映射到标准图像中，并进行连通性检测和边缘连接；
d、采用级联模板匹配分组的方法对除去数字“1”之外的9个数字进行识别。
2.根据权利要求1所述简单的高准确率的钢印数字自动识别方法，其特征是，高斯滤波器参数
Figure 880374DEST_PATH_IMAGE003
的求解过程中，窗口
Figure 231721DEST_PATH_IMAGE007
内的亮度值总和采用下述方法计算：
定义点
Figure 244863DEST_PATH_IMAGE045
处的积分图像
Figure 151639DEST_PATH_IMAGE046
： 
Figure 306677DEST_PATH_IMAGE047
 ，
式中，
Figure 513667DEST_PATH_IMAGE048
为图像点
Figure 95958DEST_PATH_IMAGE049
处的亮度值；通过下面两式迭代计算得到：
Figure 963606DEST_PATH_IMAGE050
，
Figure 759524DEST_PATH_IMAGE051
，
其中，
Figure 247137DEST_PATH_IMAGE052
为一列的积分，
建立积分图像后，窗口
Figure 659663DEST_PATH_IMAGE007
内的亮度值总和通过下式计算：
      
Figure 156504DEST_PATH_IMAGE053
，
根据权利要求1或2所述简单的高准确率的钢印数字自动识别方法，其特征是，将高斯函数
Figure 56196DEST_PATH_IMAGE054
梯度矢量 
Figure 511448DEST_PATH_IMAGE055
的二维卷积模板分解为两个一维滤波器：通过不同模板匹配方法把待识别数字逐级分组，直到分离并识别出单个数字；
Figure 614533DEST_PATH_IMAGE056
 和
Figure 649485DEST_PATH_IMAGE057
，
式中：
，，
Figure 885797DEST_PATH_IMAGE060
，， 
其中，k为常数，
然后将两个模板分别与图像的Y分量进行卷积。
CN 201110310074 2011-10-13 2011-10-13 一种简单的高准确率的钢印数字自动识别方法 Expired - Fee Related CN102426649B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110310074 CN102426649B (zh) 2011-10-13 2011-10-13 一种简单的高准确率的钢印数字自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110310074 CN102426649B (zh) 2011-10-13 2011-10-13 一种简单的高准确率的钢印数字自动识别方法

Publications (2)

Publication Number Publication Date
CN102426649A true CN102426649A (zh) 2012-04-25
CN102426649B CN102426649B (zh) 2013-08-21

Family

ID=45960628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110310074 Expired - Fee Related CN102426649B (zh) 2011-10-13 2011-10-13 一种简单的高准确率的钢印数字自动识别方法

Country Status (1)

Country Link
CN (1) CN102426649B (zh)

Cited By (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750530A (zh) * 2012-05-31 2012-10-24 信帧电子技术（北京）有限公司 一种字符识别方法及装置
CN103544491A (zh) * 2013-11-08 2014-01-29 广州广电运通金融电子股份有限公司 一种面向复杂背景的光学字符识别方法及装置
CN103886554A (zh) * 2014-03-12 2014-06-25 王好贤 自动识别系统中的代码定位方法
CN104408432A (zh) * 2014-11-28 2015-03-11 中国电子科技集团公司第二十八研究所 一种基于直方图修正的红外图像目标检测方法
CN104881665A (zh) * 2015-04-29 2015-09-02 华中科技大学 一种芯片字符识别与校验方法及装置
CN105095897A (zh) * 2015-07-29 2015-11-25 周秀芝 一种基于梯度图像和相似度加权的数字识别方法
CN105976355A (zh) * 2016-04-26 2016-09-28 北京航空航天大学 一种空间目标太阳能帆板的检测方法
CN106022298A (zh) * 2016-06-01 2016-10-12 天津市长龙宏业燃气设备有限公司 钢瓶钢印号动态读取方法与装置
CN104021546B (zh) * 2014-05-14 2016-11-23 北京理工大学 基于图像处理的工件标签在线快速定位方法
CN106384110A (zh) * 2016-09-12 2017-02-08 上海汇众汽车制造有限公司 具有自适应能力的钢印字符在线自动识别方法
CN106650735A (zh) * 2016-12-30 2017-05-10 亿嘉和科技股份有限公司 一种led字符自动定位识别方法
CN107330470A (zh) * 2017-07-04 2017-11-07 北京京东尚科信息技术有限公司 识别图片的方法和装置
CN107578039A (zh) * 2017-10-08 2018-01-12 王奕博 基于数字图像处理技术的字迹轮廓比对方法
CN108898187A (zh) * 2018-07-03 2018-11-27 国网福建晋江市供电有限公司 一种自动识别配电房指示设备图像的方法及装置
CN109034154A (zh) * 2018-07-23 2018-12-18 西安电子科技大学昆山创新研究院 发票专用章税号的提取和识别方法
CN109059775A (zh) * 2016-08-30 2018-12-21 大连民族大学 图像边缘提取的方法
CN109389612A (zh) * 2018-08-31 2019-02-26 南京理工大学 一种城轨列车受电弓滑板边缘检测方法
CN109697983A (zh) * 2017-10-24 2019-04-30 上海赛趣网络科技有限公司 汽车钢印号快速获取方法、移动终端及存储介质
CN109727363A (zh) * 2018-11-16 2019-05-07 恒银金融科技股份有限公司 一种在票据中识别大写金额的方法
CN109740601A (zh) * 2019-01-04 2019-05-10 北京奇艺世纪科技有限公司 一种压印类型识别方法及装置
CN109858480A (zh) * 2019-01-08 2019-06-07 北京全路通信信号研究设计院集团有限公司 一种数字式仪表识别方法
WO2019127619A1 (zh) * 2017-12-29 2019-07-04 中国科学院深圳先进技术研究院 一种手腕骨的分割识别方法及系统、终端及可读存储介质
CN110135288A (zh) * 2019-04-28 2019-08-16 佛山科学技术学院 一种电子证照的快速核对方法及装置
CN110414507A (zh) * 2019-07-11 2019-11-05 和昌未来科技（深圳）有限公司 车牌识别方法、装置、计算机设备和存储介质
CN110460813A (zh) * 2019-08-12 2019-11-15 兰州交通大学 一种基于视频流的集装箱图像采集装置及采集方法
CN111027546A (zh) * 2019-12-05 2020-04-17 北京嘉楠捷思信息技术有限公司 一种字符分割方法、装置以及计算机可读存储介质
CN111046862A (zh) * 2019-12-05 2020-04-21 北京嘉楠捷思信息技术有限公司 一种字符分割方法、装置以及计算机可读存储介质
CN111079735A (zh) * 2018-10-22 2020-04-28 莱芜钢铁集团电子有限公司 一种铸坯端面字符识别方法及装置
CN111578838A (zh) * 2020-05-25 2020-08-25 安徽工业大学 一种齿轮尺寸视觉测量装置及测量方法
CN111967526A (zh) * 2020-08-20 2020-11-20 东北大学秦皇岛分校 基于边缘映射和深度学习的遥感图像变化检测方法及系统
CN112634262A (zh) * 2020-12-31 2021-04-09 浙江优学智能科技有限公司 一种基于互联网的写字质量评价方法
CN112733836A (zh) * 2014-07-10 2021-04-30 赛诺菲-安万特德国有限公司 用于执行光学字符识别的装置和方法
WO2021109697A1 (zh) * 2019-12-05 2021-06-10 嘉楠明芯(北京)科技有限公司 字符分割方法、装置以及计算机可读存储介质
CN113240633A (zh) * 2021-04-28 2021-08-10 小孚科技(杭州)有限公司 基于智能图像识别与ocr技术的重工钢材数字化方案
CN113362427A (zh) * 2021-06-29 2021-09-07 深圳市创想三维科技股份有限公司 斜边立体字的轮廓生成方法、装置、计算机设备和介质
CN113392833A (zh) * 2021-06-10 2021-09-14 沈阳派得林科技有限责任公司 一种工业射线底片图像铅字编号识别方法
TWI744283B (zh) * 2016-02-29 2021-11-01 香港商阿里巴巴集團服務有限公司 一種單詞的分割方法和裝置
CN113674270A (zh) * 2021-09-06 2021-11-19 深邦智能科技(青岛)有限公司 一种轮胎花纹一致性检测系统及其方法
CN114187289A (zh) * 2021-12-23 2022-03-15 武汉市坤瑞塑胶模具制品有限公司 一种基于计算机视觉的塑料制品缩坑检测方法及系统
CN114241014A (zh) * 2021-12-03 2022-03-25 上海锡鼎智能科技有限公司 一种用于实验考头戴式微型摄像头智能抓拍方法
CN116309296A (zh) * 2022-12-31 2023-06-23 中山市天柏包装制品有限公司 一种包装箱缺陷的智能检测方法及检测系统
CN116434243A (zh) * 2023-02-25 2023-07-14 江苏乐易智慧科技有限公司 一种笔迹练习系统的练习笔迹自动评测方法
CN117037185A (zh) * 2023-10-10 2023-11-10 天津普传控制设备有限公司 一种基于光学字符识别技术的导线线号识别方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040037460A1 (en) * 2002-08-22 2004-02-26 Eastman Kodak Company Method for detecting objects in digital images
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040037460A1 (en) * 2002-08-22 2004-02-26 Eastman Kodak Company Method for detecting objects in digital images
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈宏彩: "汽车牌照定位检测技术研究", 《河北省科学院学报》 *

Cited By (65)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750530B (zh) * 2012-05-31 2014-11-26 贺江涛 一种字符识别方法及装置
CN102750530A (zh) * 2012-05-31 2012-10-24 信帧电子技术（北京）有限公司 一种字符识别方法及装置
CN103544491A (zh) * 2013-11-08 2014-01-29 广州广电运通金融电子股份有限公司 一种面向复杂背景的光学字符识别方法及装置
US9613266B2 (en) 2013-11-08 2017-04-04 Grg Banking Equipment Co., Ltd. Complex background-oriented optical character recognition method and device
CN103886554A (zh) * 2014-03-12 2014-06-25 王好贤 自动识别系统中的代码定位方法
CN103886554B (zh) * 2014-03-12 2016-08-31 哈尔滨工业大学（威海） 自动识别系统中的代码定位方法
CN104021546B (zh) * 2014-05-14 2016-11-23 北京理工大学 基于图像处理的工件标签在线快速定位方法
CN112733836A (zh) * 2014-07-10 2021-04-30 赛诺菲-安万特德国有限公司 用于执行光学字符识别的装置和方法
CN104408432B (zh) * 2014-11-28 2017-05-10 中国电子科技集团公司第二十八研究所 一种基于直方图修正的红外图像目标检测方法
CN104408432A (zh) * 2014-11-28 2015-03-11 中国电子科技集团公司第二十八研究所 一种基于直方图修正的红外图像目标检测方法
CN104881665B (zh) * 2015-04-29 2019-05-03 华中科技大学 一种芯片字符识别与校验方法及装置
CN104881665A (zh) * 2015-04-29 2015-09-02 华中科技大学 一种芯片字符识别与校验方法及装置
CN105095897B (zh) * 2015-07-29 2018-04-17 周秀芝 一种基于梯度图像和相似度加权的数字识别方法
CN105095897A (zh) * 2015-07-29 2015-11-25 周秀芝 一种基于梯度图像和相似度加权的数字识别方法
TWI744283B (zh) * 2016-02-29 2021-11-01 香港商阿里巴巴集團服務有限公司 一種單詞的分割方法和裝置
CN105976355B (zh) * 2016-04-26 2018-02-06 北京航空航天大学 一种空间目标太阳能帆板的检测方法
CN105976355A (zh) * 2016-04-26 2016-09-28 北京航空航天大学 一种空间目标太阳能帆板的检测方法
CN106022298A (zh) * 2016-06-01 2016-10-12 天津市长龙宏业燃气设备有限公司 钢瓶钢印号动态读取方法与装置
CN109059775B (zh) * 2016-08-30 2020-11-24 大连民族大学 具有图像边缘提取步骤的钢轨磨耗检测方法
CN109059775A (zh) * 2016-08-30 2018-12-21 大连民族大学 图像边缘提取的方法
CN106384110B (zh) * 2016-09-12 2019-07-09 上海汇众汽车制造有限公司 具有自适应能力的钢印字符在线自动识别方法
CN106384110A (zh) * 2016-09-12 2017-02-08 上海汇众汽车制造有限公司 具有自适应能力的钢印字符在线自动识别方法
CN106650735B (zh) * 2016-12-30 2019-10-01 亿嘉和科技股份有限公司 一种led字符自动定位识别方法
CN106650735A (zh) * 2016-12-30 2017-05-10 亿嘉和科技股份有限公司 一种led字符自动定位识别方法
CN107330470B (zh) * 2017-07-04 2020-03-27 北京京东尚科信息技术有限公司 识别图片的方法和装置
CN107330470A (zh) * 2017-07-04 2017-11-07 北京京东尚科信息技术有限公司 识别图片的方法和装置
CN107578039A (zh) * 2017-10-08 2018-01-12 王奕博 基于数字图像处理技术的字迹轮廓比对方法
CN109697983A (zh) * 2017-10-24 2019-04-30 上海赛趣网络科技有限公司 汽车钢印号快速获取方法、移动终端及存储介质
CN109697983B (zh) * 2017-10-24 2024-06-11 上海赛趣网络科技有限公司 汽车钢印号快速获取方法、移动终端及存储介质
WO2019127619A1 (zh) * 2017-12-29 2019-07-04 中国科学院深圳先进技术研究院 一种手腕骨的分割识别方法及系统、终端及可读存储介质
CN108898187A (zh) * 2018-07-03 2018-11-27 国网福建晋江市供电有限公司 一种自动识别配电房指示设备图像的方法及装置
CN109034154A (zh) * 2018-07-23 2018-12-18 西安电子科技大学昆山创新研究院 发票专用章税号的提取和识别方法
CN109389612A (zh) * 2018-08-31 2019-02-26 南京理工大学 一种城轨列车受电弓滑板边缘检测方法
CN111079735B (zh) * 2018-10-22 2023-12-22 莱芜钢铁集团电子有限公司 一种铸坯端面字符识别方法及装置
CN111079735A (zh) * 2018-10-22 2020-04-28 莱芜钢铁集团电子有限公司 一种铸坯端面字符识别方法及装置
CN109727363B (zh) * 2018-11-16 2022-03-29 恒银金融科技股份有限公司 一种在票据中识别大写金额的方法
CN109727363A (zh) * 2018-11-16 2019-05-07 恒银金融科技股份有限公司 一种在票据中识别大写金额的方法
CN109740601A (zh) * 2019-01-04 2019-05-10 北京奇艺世纪科技有限公司 一种压印类型识别方法及装置
CN109858480A (zh) * 2019-01-08 2019-06-07 北京全路通信信号研究设计院集团有限公司 一种数字式仪表识别方法
CN110135288A (zh) * 2019-04-28 2019-08-16 佛山科学技术学院 一种电子证照的快速核对方法及装置
CN110414507A (zh) * 2019-07-11 2019-11-05 和昌未来科技（深圳）有限公司 车牌识别方法、装置、计算机设备和存储介质
CN110460813A (zh) * 2019-08-12 2019-11-15 兰州交通大学 一种基于视频流的集装箱图像采集装置及采集方法
CN111046862A (zh) * 2019-12-05 2020-04-21 北京嘉楠捷思信息技术有限公司 一种字符分割方法、装置以及计算机可读存储介质
WO2021109697A1 (zh) * 2019-12-05 2021-06-10 嘉楠明芯(北京)科技有限公司 字符分割方法、装置以及计算机可读存储介质
CN111046862B (zh) * 2019-12-05 2023-10-27 嘉楠明芯(北京)科技有限公司 一种字符分割方法、装置以及计算机可读存储介质
CN111027546B (zh) * 2019-12-05 2024-03-26 嘉楠明芯(北京)科技有限公司 一种字符分割方法、装置以及计算机可读存储介质
CN111027546A (zh) * 2019-12-05 2020-04-17 北京嘉楠捷思信息技术有限公司 一种字符分割方法、装置以及计算机可读存储介质
CN111578838A (zh) * 2020-05-25 2020-08-25 安徽工业大学 一种齿轮尺寸视觉测量装置及测量方法
CN111967526A (zh) * 2020-08-20 2020-11-20 东北大学秦皇岛分校 基于边缘映射和深度学习的遥感图像变化检测方法及系统
CN111967526B (zh) * 2020-08-20 2023-09-22 东北大学秦皇岛分校 基于边缘映射和深度学习的遥感图像变化检测方法及系统
CN112634262A (zh) * 2020-12-31 2021-04-09 浙江优学智能科技有限公司 一种基于互联网的写字质量评价方法
CN113240633A (zh) * 2021-04-28 2021-08-10 小孚科技(杭州)有限公司 基于智能图像识别与ocr技术的重工钢材数字化方案
CN113392833A (zh) * 2021-06-10 2021-09-14 沈阳派得林科技有限责任公司 一种工业射线底片图像铅字编号识别方法
CN113362427B (zh) * 2021-06-29 2024-03-15 深圳市创想三维科技股份有限公司 斜边立体字的轮廓生成方法、装置、计算机设备和介质
CN113362427A (zh) * 2021-06-29 2021-09-07 深圳市创想三维科技股份有限公司 斜边立体字的轮廓生成方法、装置、计算机设备和介质
CN113674270B (zh) * 2021-09-06 2023-11-14 深邦智能科技集团(青岛)有限公司 一种轮胎花纹一致性检测系统及其方法
CN113674270A (zh) * 2021-09-06 2021-11-19 深邦智能科技(青岛)有限公司 一种轮胎花纹一致性检测系统及其方法
CN114241014A (zh) * 2021-12-03 2022-03-25 上海锡鼎智能科技有限公司 一种用于实验考头戴式微型摄像头智能抓拍方法
CN114187289B (zh) * 2021-12-23 2022-08-09 武汉市坤瑞塑胶模具制品有限公司 一种基于计算机视觉的塑料制品缩坑检测方法及系统
CN114187289A (zh) * 2021-12-23 2022-03-15 武汉市坤瑞塑胶模具制品有限公司 一种基于计算机视觉的塑料制品缩坑检测方法及系统
CN116309296A (zh) * 2022-12-31 2023-06-23 中山市天柏包装制品有限公司 一种包装箱缺陷的智能检测方法及检测系统
CN116434243B (zh) * 2023-02-25 2023-10-24 江苏乐易智慧科技有限公司 一种笔迹练习系统的练习笔迹自动评测方法
CN116434243A (zh) * 2023-02-25 2023-07-14 江苏乐易智慧科技有限公司 一种笔迹练习系统的练习笔迹自动评测方法
CN117037185A (zh) * 2023-10-10 2023-11-10 天津普传控制设备有限公司 一种基于光学字符识别技术的导线线号识别方法及装置
CN117037185B (zh) * 2023-10-10 2024-01-12 天津普传控制设备有限公司 一种基于光学字符识别技术的导线线号识别方法及装置

Also Published As

Publication number Publication date
CN102426649B (zh) 2013-08-21

Similar Documents

Publication Publication Date Title
CN102426649A (zh) 一种简单的高准确率的钢印数字自动识别方法
CN111310558B (zh) 一种基于深度学习和图像处理法的路面病害智能提取方法
CN111145161B (zh) 一种路面裂缝数字图像处理和识别的方法
CN108319973B (zh) 一种树上柑橘果实检测方法
CN113592861B (zh) 一种基于动态阈值的桥梁裂缝检测方法
CN107610114B (zh) 基于支持向量机的光学卫星遥感影像云雪雾检测方法
WO2018145470A1 (zh) 一种图像检测方法和装置
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN108563979B (zh) 一种基于航拍农田图像判别水稻稻瘟病病情的方法
CN104794502A (zh) 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法
CN106446894A (zh) 一种基于轮廓识别球型目标物位置的方法
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN105447489B (zh) 一种图片ocr识别系统的字符与背景粘连噪声消除方法
CN107195069A (zh) 一种人民币冠字号自动识别方法
CN108389215A (zh) 一种边缘检测方法、装置、计算机存储介质及终端
CN115661110B (zh) 一种透明工件识别与定位的方法
CN111724375A (zh) 一种屏幕检测方法及系统
CN111768455A (zh) 一种基于图像的木材区域和主色提取方法
CN108520252B (zh) 基于广义霍夫变换和小波变换的路标识别方法
CN114581658A (zh) 一种基于计算机视觉的目标检测方法及装置
CN113723314A (zh) 一种基于YOLOv3算法的甘蔗茎节识别方法
CN111192280B (zh) 一种基于局部特征的视盘边缘检测方法
CN110956200A (zh) 一种轮胎花纹相似度检测方法
CN111611940A (zh) 一种基于大数据处理的快速视频人脸识别方法
CN105844641A (zh) 一种动态环境下的自适应阈值分割方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C41 Transfer of patent application or patent right or utility model
TR01 Transfer of patent right

Effective date of registration: 20161213

Address after: 050081 Hebei, Shijiazhuang friendship south street, building 46, No. 1

Patentee after: INSTITUTE OF APPLIED MATHEMATICS HEBEI ACADEMY OF SCIENCES

Address before: 050081 Hebei Institute of Applied Mathematics, Youyi South Street, Shijiazhuang, Hebei, China

Patentee before: SHIJIAZHUANG DEVELOPMENT ZONE YIKE SHUANGSHI TECHNOLOGY Co.,Ltd.

CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20130821

CF01 Termination of patent right due to non-payment of annual fee