CN103106402B - 一种基于重建的车牌汉字识别方法 - Google Patents
一种基于重建的车牌汉字识别方法 Download PDFInfo
- Publication number
- CN103106402B CN103106402B CN201310072000.8A CN201310072000A CN103106402B CN 103106402 B CN103106402 B CN 103106402B CN 201310072000 A CN201310072000 A CN 201310072000A CN 103106402 B CN103106402 B CN 103106402B
- Authority
- CN
- China
- Prior art keywords
- chinese character
- image
- vector
- rebuilding
- matrix
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 82
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000010219 correlation analysis Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 11
- 230000007547 defect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000019552 anatomical structure morphogenesis Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 102220203103 rs1057521344 Human genes 0.000 description 1
- 102220022382 rs386833443 Human genes 0.000 description 1
- 102220295519 rs779762640 Human genes 0.000 description 1
- 102220086336 rs864622288 Human genes 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Character Discrimination (AREA)
Abstract
一种基于重建的车牌汉字识别方法，包括步骤A中得到各个汉字对应的参照样本向量集，步骤B中得到特征系数向量矩阵U，步骤C中对待识别图像向量利用U得到重建图像向量F，步骤D中计算相关性，得到待识别图像对应的汉字。采用本发明所述的基于重建的车牌汉字识别方法，车牌汉字图像特征提取方式简单易行，参数设定少，易于调整；采用重建图像与原始图像的相关性分析技术，分类器结构简单，计算复杂度低。本发明通过主成份特征重建样本的方法来进行汉字字符识别，提供了一种简单、快速、鲁棒性高、识别率高的新型车牌汉字字符识别方法。
Description
技术领域
本发明属于计算机软件领域，涉及图像识别与模式处理技术，特别是一种基于重建的车牌汉字识别方法。
背景技术
我国的车牌中不仅有英文字母和阿拉伯数字,还包含笔划繁杂的汉字,其识别难度比字母、数字大的多。国内部分道路条件差,车牌污染比较严重；而且实际运行的车辆号牌会受到泥、油、漆等影响,车牌字符往往会有断裂、遮挡等现象；同时号牌制作工艺的不规范也会出现字符变浅、变模糊；车辆拍摄位置不固定，也导致字符图像产生各种形变。这些因素导致车牌汉字识别的难度比普通的汉字识别大的多。这也是国内现有的车牌识别系统识别率不够高的主要原因。因此准确识别车牌中的汉字字符,成为目前国内车牌识别系统的难点。
现有技术的车牌汉字识别方法主要有三大类：（1）模板匹配识别方法（2）特征识别方法（3）神经网络识别方法。
模板匹配识别方法的基本原理是根据采样得到的汉字样本生成标准的汉字灰度模板图像。在识别时把切分得到的待识别对象大小归一化，灰度归一化之后与标准汉字模板进行一定的匹配计算，匹配度最高的结果即为识别结果。不同的模板生成方式，不同的匹配度计算方法，可以得到对应的各种改进的模板匹配方法。例如文献《基于模板匹配的车牌汉字识别方法及判别函数》（《电子科技》2011年12期谷秋頔白艳萍）披露了一种改进的模板匹配方法。
特征识别方法的基本原理是提取待识别字符的某些固有特征形成特征向量，再根据一定的分类规则对提取的特征向量进行分类判决，从而确定汉字识别结果。根据不同的特征，比如结构特征、SIFT特征、PCA特征等；或者不同的分类规则，比如贝叶斯分类器、KNN分类器、支持向量机等，可以得到对应的各种不同的特征识别方法，例如专利号为CN201110082300的《车牌字符识别方法》和专利号为CN201110164726的《基于ＦＰＧＡ多核的车牌识别系统》分别公开了一种应用于车牌识别的特征识别方法。
神经网络识别方法的基本原理是收集大量的字符样本或者样本特征，把样本（或特征）送入构造好的神经网络进行训练，直到网络达到设定的稳定标准。识别时，把待识别样本（或特征）送入训练好的神经网络即可得到识别结果。根据不同的神经网络的输入，以及选择不同的神经网络结构，可以得到不同的神经网络识别方法，已有相关公开文献。例如刊登在《中国人民公安大学学报(自然科学版)》2009年03期中的《基于神经网络的车牌汉字识别方法》（杨大力刘舒）。
上述三种算法各自有其缺陷。模板匹配方法的主要缺陷：模板匹配对于车牌字符定位的准确性要求较高，如果在一定范围进行滑动匹配，又会带来较大的时间复杂度。模板匹配方法对于字符形变敏感。虽然可以通过一些技术来对倾斜以及透视投影造成的畸变进行校正，但是形变对识别的影响还是较大。特征识别方法的主要缺陷：特征提取的效果受车牌质量的影响较为严重。车牌容易受到污损、遮挡等，使其质量退化。这种情况下汉字字符特征提取容易出现较大的偏差，从而影响识别。神经网络识别方法的主要缺陷：神经网络的结构复杂，不易确定。在训练中受噪声的干扰较大，容易陷入局部极值，影响识别效果。
发明内容
现有技术中模板匹配对车牌字符定位准确性要求高，形变影响大；特征识别对车牌外观整洁要求较为苛刻；而神经网络算法方法复杂，易受噪声干扰，容易陷入局部极值。为克服上述现有技术各自存在的缺陷，本发明提供一种基于重建的车牌汉字识别方法。
本发明所述一种基于重建的车牌汉字识别方法，包括如下步骤：
步骤A.对每一车牌汉字，获取M张不同的车牌汉字图像，M为正整数；对这些
车牌汉字图像进行缩放至统一像素大小Z的灰度图像，求取缩放至统一像素大小的每张图片的图像向量，得到各个汉字对应的参照样本向量集；
步骤B.对各个车牌汉字的参照样本向量集求取特征值及特征值对应的图像特征系数向量，利用图像特征系数向量构造特征系数向量矩阵U,每个不同的汉字对应一个不同的特征系数向量矩阵U；
步骤C.将待识别汉字图像缩放至与步骤A中车牌汉字图像缩放的统一像素大小Z相同的像素大小，求取其图像向量f,利用F=U*UT*f得出重建图像向量F，其中UT为U的转置矩阵；
步骤D.比较F和f相关性I，相关性I最大时使用的特征系数向量矩阵Ui对应的汉字即为待识别汉字图像所对应的识别结果。
优选的，所述Z为30*60像素大小。
具体的，所述步骤B包括如下步骤：
B1.利用构造产生矩阵B，为参照样本向量集中第i个样本的图像向量；为参照样本向量集的平均图像向量；
B2：求取各个汉字产生矩阵的特征值与特征向量，并且按特征值从大到小排序；
B3：对于步骤B2得到的特征值与特征向量，选取前N个特征值对应的特征向量作为特征系数向量；N满足；其中：为产生矩阵B所选出的前N个特征值，下标表示不同的特征值；NN为产生矩阵B的特征值总个数,α为预先设定的选择系数；
B4.利用B3中选出的N个特征向量，构造特征系数向量矩阵；其中为第i个汉字的特征系数向量；为第i个汉字的特征系数向量的个数,Ui为第i个汉字的特征系数向量矩阵。
进一步的，所述M=1000。
进一步的，所述α=90%。
优选的，所述步骤D中计算相关性I的方法为；其中为待识别图像灰度均值；为第i个重建图像灰度均值；为待识别图像向量大小，且S=Z。
优选的，所述步骤A和/或步骤C中缩放图像的方法为双线性插值法。
优选的，所述步骤A和/或步骤C中缩放图像后的图像灰阶度为256阶。
采用本发明所述的基于重建的车牌汉字识别方法，车牌汉字图像特征提取方式简单易行，参数设定少，易于调整；采用重建图像与原始图像的相关性分析技术，分类器结构简单，计算复杂度低。本发明通过主成份特征重建样本的方法来进行汉字字符识别，提供了一种简单、快速、鲁棒性高、识别率高的新型车牌汉字字符识别方法。
附图说明
图1示出本发明所述基于重建的车牌汉字识别方法的具体实施方式的流程框图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步的详细说明。
道路监控逐步朝自动化，智能化发展，需要一种对高速行驶中的机动车号牌抓拍并有效识别的道路监控设施，利用高速摄像机对经过监控区域的机动车号牌拍摄后，利用软件算法对拍摄的车牌图像进行甄别，由于拍摄角度，拍摄时环境以及车辆号牌表面清洁度参差不齐，得到的车牌图像质量差异较大，且车牌上不仅有字母，数字，还包括识别难度大的汉字，因此对识别系统要求很高，现有的识别系统如背景技术所述，存在各种问题，为解决现有的车牌识别技术存在的技术缺陷，本发明提供一种基于重建的车牌汉字识别方法。
如图1所示，本发明所述的基于重建的车牌汉字识别方法包括如下步骤：
步骤A.对每一车牌汉字，获取M张不同的车牌汉字图像，M为正整数；对这些车牌汉字图像进行缩放至统一像素大小Z的灰度图像，求取缩放至统一像素大小的每张图片的图像向量，得到各个汉字对应的参照样本向量集；
步骤B.对各个车牌汉字的参照样本向量集求取特征值及特征值对应的图像特征系数向量，利用图像特征系数向量构造特征系数向量矩阵U,每个不同的汉字对应一个不同的特征系数向量矩阵U；
步骤C.将待识别汉字图像缩放至与步骤A中车牌汉字图像缩放的统一像素大小Z相同的像素大小，求取其图像向量f,利用F=U*UT*f得出重建图像向量F，其中UT为U的转置矩阵；
步骤D.比较F和f相关性I，相关性I最大时使用的特征系数向量矩阵U对应的汉字即为待识别汉字图像所对应的识别结果。
步骤A中根据前述的拍摄角度，拍摄环境及拍摄车牌表面清洁度可能存在的差异，对每个汉字获取M张不同的车牌汉字图像，例如在拍摄角度不同，拍摄时的光照程度不同，拍摄时镜头前方是否有雨，车牌表面是否有泥水斑点等不同情况下拍摄M张汉字“京”,M值的选取根据需要，M越大，后续的比对效果越好。发明人优选的，可以选择M=500,1000或1500等三档，以适应不同的对比效果和硬件条件。
对每个汉字得到的M张图像，统一缩放至相同的像素大小Z的灰度图像，求取相同像素大小的同一汉字的每张图片的图像向量，这些图像向量构成该汉字的参照样本向量集。每个汉字的参照样本向量集包含M个向量构造每个车牌汉字的样本向量集作为参照样本向量集。
所谓像素大小Z，即灰度图像由若干个像素点排列而成，像素点多，则图像信息更具体丰富，像素点少，则图像信息少，处理速度快，本发明应用于车牌汉字识别，车牌汉字本身信息量有限，无须太多像素点即可保证图像信息足够后续处理，因此本发明优选采用Z=30*60的像素大小，即每张灰度图像为长60个像素点，宽30个像素点，共1800个像素点的像素大小。基于车牌汉字图像色彩度有限，无须更高阶灰阶度即可保证图像信息足够后续处理的类似理由，本发明对这些灰度图像的灰阶度优选为256阶，以适当控制图像处理的计算量。
对图像进行缩放的算法现有技术中已有多种公开的算法，例如最近领域插值法，双线性插值法，双三次插值法等传统插值法及对传统插值法进行改良后的偏微分方程插值法,分形法，小波逆向插值法等，本发明中上述对M张图像统一缩放至相同的像素大小Z的方法优选采用双线性插值法，所述双线性插值法是有两个变量的插值函数的线性插值扩展，其核心思想是在两个方向分别进行一次线性插值。
假设在关注区域内的所有点的像素值分布都符合连续函数f，且已知函数f在四个整数像素点Q11=(x1,y1)、Q12=(x1,y2),Q21=(x2,y1)以及Q22=(x2,y2)的像素值。
对未知点（x,y）首先在x方向进行线性插值，然后在y方向进行线性插值。
X方向线性插值：
Y方向的线性插值：
即可得出该点的函数值，即为该点的像素值。利用双线性插值法对图像的每个像素点进行增减和灰阶度变换，可以得到统一像素大小的灰度图像。
步骤A中得到各个汉字的参照样本向量集之后，步骤B中利用参照样本向量集得到各个汉字的特征系数向量矩阵，从参照样本向量集得到特征系数向量矩阵在现有技术中有多种实现方式，具体的，本发明提供一种从参照样本向量集得到特征向量集的具体实现方式，利用KL变换获取各汉字的样本均值，并且选取各自产生矩阵中最大的前N个特征值对应的特征向量，这些特征向量为各个汉字的特征系数向量，并构成特征系数向量矩阵，具体包括如下步骤：
B1.利用构造产生矩阵B，为参照样本向量集中第i个样本的图像向量；为参照样本向量集的平均图像向量；
B2：求取各个汉字产生矩阵的特征值与特征向量，并且按特征值从大到小排序；
B3：对于步骤B2得到的特征值与特征向量，选取前N个特征值对应的特征向量作为特征系数向量；N满足；其中：为产生矩阵B所选出的前N个特征值，下标表示不同的特征值；NN为产生矩阵B的特征值总个数,α为预先设定的选择系数；
B4.利用B3中选出的N个特征向量，构造特征系数向量矩阵；其中为第i个汉字的特征系数向量；为第i个汉字的特征系数向量的个数，Ui为第i个汉字的特征系数向量矩阵。
KL变换是一种常用的特征提取方法，在消除模式特征之间的相关性、突出差异性方面有最优的效果。对产生矩阵B的各个特征值，特征值越大，越能代表表征汉字的主要构造特征，选择前N个最大的特征值对应的特征向量来构造该汉字的特征系数向量矩阵，可以更好的表现该汉字的图像特征。上述B3步骤中，α为预先设定的选择系数，α越大代表选择的特征向量在总的特征向量个数中占比越大，选出的特征向量构造的特征系数向量矩阵包含的产生矩阵B的信息越多，优选的，选择α=90%可以较好的满足信息度要求，同时适当的控制后续处理计算量。
步骤C中将待识别汉字图像缩放至与步骤A中车牌汉字图像缩放的统一像素大小Z相同的像素大小，求取其图像向量f,利用步骤B中得到的特征系数向量矩阵，令F=U*UT*f得出重建图像向量F，其中UT为U的转置矩阵；与前述步骤A中类似，步骤C中对待识别汉字图像缩放可以采用双线性插值法。缩放图像后图像灰阶度优选的为256个灰阶。
步骤D比较步骤C中得到的F和f相关性I，比较两个图像向量相关性的方法现有技术中有多种，例如最简单的逐点相减法。本发明中对F和f相关性的计算使用下式：
。
其中为待识别图像灰度均值；为第i个重建图像灰度均值；为待识别图像向量大小，且S=Z；等号右边分子和分母都具有的因子，以及待待识别图像灰度均值的引入克服了图片明暗程度不同对相关性造成的影响。使用步骤B中不同汉字的特征系数向量矩阵Ui，对相同的待识别图像向量矩阵f进行重建，得到不同的重建后的图像特征向量Fi，计算不同的Fi和相同的f的相关性，Ii最大时使用的特征系数向量矩阵Ui对应的汉字即为待识别汉字图像所对应的识别结果。
本发明采集各种条件和拍摄角度下的车牌汉字字符作为参考样本，在一定程度上克服了现有模板匹配和特征提取技术难以克服的车牌质量退化和形变问题。
本发明特征提取简单易行，参数少（仅仅一个参数），并且容易理解与调整。克服了现有特征技术中选取特征困难，提取特征复杂的缺陷。
本发明在分类识别技术上采用重建图像与原始图像的相关性分析技术，分类器结构简单，计算机复杂度低。克服了传统分类器计算复杂，以及神经网络方法结构复杂、不容易收敛到全局极值的缺陷。
本发明通过主成份特征重建样本的方法来进行汉字字符识别，是一种简单、快速、鲁棒性高、识别率高的新型车牌汉字字符识别方法。
显然，本发明所述的基于重建的车牌汉字识别方法不仅适用于识别车牌汉字，也适用于识别其他汉字、字母、数字、交通标志等简单的符号和线条构成的图像，应用领域也不止适用于交通领域的车牌、路牌识别，也适用于其他类似应用环境下的图像识别，例如野外观测、停车场、港口、机场、仓库等的车流物流管理等。
本发明中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
前文所述的为本发明的各个优选实施例，各个优选实施例中的优选实施方式如果不是明显自相矛盾或以某一优选实施方式为前提，各个优选实施方式都可以任意叠加组合使用，所述实施例以及实施例中的具体参数仅是为了清楚表述发明人的发明验证过程，并非用以限制本发明的专利保护范围，本发明的专利保护范围仍然以其权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。
Claims (6)
1.一种基于重建的车牌汉字识别方法，包括如下步骤：
步骤A.对每一车牌汉字，获取M张不同的车牌汉字图像，M为正整数；对这些
车牌汉字图像进行缩放至统一像素大小Z的灰度图像，求取缩放至统一像素大小的每张图片的图像向量，得到各个汉字对应的参照样本向量集；
步骤B.对各个车牌汉字的参照样本向量集求取特征值及特征值对应的图像特征系数向量，利用图像特征系数向量构造特征系数向量矩阵U,每个不同的汉字对应一个不同的特征系数向量矩阵U；
步骤C.将待识别汉字图像缩放至与步骤A中车牌汉字图像缩放的统一像素大小Z相同的像素大小，求取其图像向量f,利用F=U*UT*f得出重建图像向量F，其中UT为U的转置矩阵；
步骤D.比较F和f相关性I，相关性I最大时使用的特征系数向量矩阵U对应的汉字即为待识别汉字图像所对应的识别结果；
所述Z为30*60像素大小；
所述步骤B包括如下步骤：
B1.利用构造产生矩阵B，为参照样本向量集中第i个样本的图像向量；为参照样本向量集的平均图像向量；
B2：求取各个汉字产生矩阵的特征值与特征向量，并且按特征值从大到小排序；
B3：对于步骤B2得到的特征值与特征向量，选取前N个特征值对应的特征向量作为特征系数向量；N满足；其中：为产生矩阵B所选出的前N个特征值，下标表示不同的特征值；NN为产生矩阵B的特征值总个数,α为预先设定的选择系数；
B4.利用B3中选出的N个特征向量，构造特征系数向量矩阵；其中为第i个汉字的特征系数向量；为第i个汉字的特征系数向量的个数,Ui为第i个汉字的特征系数向量矩阵。
2.如权利要求1所述的基于重建的车牌汉字识别方法，其特征在于：所述M=1000。
3.如权利要求1所述的基于重建的车牌汉字识别方法，其特征在于：所述α=90%。
4.如权利要求1所述的基于重建的车牌汉字识别方法，其特征在于：所述步骤D中计算相关性I的方法为；
其中为待识别图像灰度均值；为第i个重建图像灰度均值；为待识别图像向量大小，且S=Z。
5.如权利要求1所述的基于重建的车牌汉字识别方法，其特征在于：所述步骤A和/或步骤C中缩放图像的方法为双线性插值法。
6.如权利要求1所述的基于重建的车牌汉字识别方法，其特征在于：所述步骤A和/或步骤C中缩放图像后的图像灰阶度为256阶。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310072000.8A CN103106402B (zh) | 2013-03-07 | 2013-03-07 | 一种基于重建的车牌汉字识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310072000.8A CN103106402B (zh) | 2013-03-07 | 2013-03-07 | 一种基于重建的车牌汉字识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103106402A CN103106402A (zh) | 2013-05-15 |
| CN103106402B true CN103106402B (zh) | 2016-04-13 |
Family
ID=48314251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310072000.8A Expired - Fee Related CN103106402B (zh) | 2013-03-07 | 2013-03-07 | 一种基于重建的车牌汉字识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103106402B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11587327B2 (en) * | 2015-10-01 | 2023-02-21 | Intellivision Technologies Corp | Methods and systems for accurately recognizing vehicle license plates |
| CN107301385B (zh) * | 2017-06-09 | 2020-05-19 | 浙江宇视科技有限公司 | 一种遮挡车牌识别方法及装置 |
| CN109344834A (zh) * | 2018-09-06 | 2019-02-15 | 昆明理工大学 | 一种基于图像处理的残缺汉字识别方法 |
| CN110032999B (zh) * | 2019-03-18 | 2023-04-11 | 西安华企众信科技发展有限公司 | 一种汉字结构退化的低分辨率车牌识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101763516A (zh) * | 2010-01-15 | 2010-06-30 | 南京航空航天大学 | 一种基于拟合函数的文字识别方法 |
| CN101561866B (zh) * | 2009-05-27 | 2011-04-20 | 上海交通大学 | 基于sift特征与灰度差值直方图特征的文字识别方法 |
| CN102231188A (zh) * | 2011-07-05 | 2011-11-02 | 上海合合信息科技发展有限公司 | 结合文字识别和图像匹配的名片识别方法 |
| US8077994B2 (en) * | 2008-06-06 | 2011-12-13 | Microsoft Corporation | Compression of MQDF classifier using flexible sub-vector grouping |
-
2013
- 2013-03-07 CN CN201310072000.8A patent/CN103106402B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8077994B2 (en) * | 2008-06-06 | 2011-12-13 | Microsoft Corporation | Compression of MQDF classifier using flexible sub-vector grouping |
| CN101561866B (zh) * | 2009-05-27 | 2011-04-20 | 上海交通大学 | 基于sift特征与灰度差值直方图特征的文字识别方法 |
| CN101763516A (zh) * | 2010-01-15 | 2010-06-30 | 南京航空航天大学 | 一种基于拟合函数的文字识别方法 |
| CN102231188A (zh) * | 2011-07-05 | 2011-11-02 | 上海合合信息科技发展有限公司 | 结合文字识别和图像匹配的名片识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103106402A (zh) | 2013-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Benediktsson et al. | Classification of hyperspectral data from urban areas based on extended morphological profiles | |
| CN111738055B (zh) | 多类别文本检测系统和基于该系统的票据表单检测方法 | |
| CN108399625B (zh) | 一种基于深度卷积生成对抗网络的sar图像定向生成方法 | |
| CN108280460B (zh) | 基于改进卷积神经网络的sar车辆目标识别方法 | |
| CN110334762A (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
| CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及系统 | |
| CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
| CN109829507B (zh) | 航拍高压输电线路环境检测方法 | |
| CN103106402B (zh) | 一种基于重建的车牌汉字识别方法 | |
| CN109086777A (zh) | 一种基于全局像素特征的显著图精细化方法 | |
| CN115272306B (zh) | 利用梯度运算的太阳能电池板栅线增强方法 | |
| CN118410724B (zh) | 一种输电线路异物识别方法、系统、计算机设备及介质 | |
| CN106600613A (zh) | 基于嵌入式gpu的改进lbp红外目标检测方法 | |
| CN114742758A (zh) | 一种全视野数字切片组织病理图片中的细胞核分类方法 | |
| Chen et al. | Scene segmentation of remotely sensed images with data augmentation using U-net++ | |
| CN116363168A (zh) | 一种基于超分辨网络的遥感视频目标跟踪方法及系统 | |
| Peng et al. | Incorporating generic and specific prior knowledge in a multiscale phase field model for road extraction from VHR images | |
| CN112085702A (zh) | 一种基于关键区域稀疏深度的单目深度估计方法 | |
| CN108764016B (zh) | 基于旋转域特征与cnn的极化sar图像舰船检测方法 | |
| CN111241916A (zh) | 一种交通标志识别模型的建立方法 | |
| CN114862883A (zh) | 一种目标边缘提取方法、图像分割方法及系统 | |
| Zhang et al. | A road extraction method based on high resolution remote sensing image | |
| CN114708591A (zh) | 基于单字连接的文档图像中文字符检测方法 | |
| Liu et al. | Method of target recognition in high-resolution remote sensing image based on visual saliency mechanism and ROI region extraction | |
| Li et al. | An improved mean shift segmentation method of high-resolution remote sensing image based on LBP and canny features |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160413 |