CN104408452A - 一种基于旋转投影宽度的拉丁字符倾斜纠正方法及系统 - Google Patents
一种基于旋转投影宽度的拉丁字符倾斜纠正方法及系统 Download PDFInfo
- Publication number
- CN104408452A CN104408452A CN201410651047.4A CN201410651047A CN104408452A CN 104408452 A CN104408452 A CN 104408452A CN 201410651047 A CN201410651047 A CN 201410651047A CN 104408452 A CN104408452 A CN 104408452A
- Authority
- CN
- China
- Prior art keywords
- image
- character
- picture
- width
- latin character
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/146—Aligning or centring of the image pick-up or image-field
- G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
- G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Character Input (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明涉及一种基于旋转投影宽度的拉丁字符倾斜纠正方法,包括:A、采集器抓取验证码图片并对抓取的图片进行图纹干扰处理;B、将图纹干扰处理的图片进行二值化处理;C、对二值化处理的图片沿垂直方向做投影计算每个像素宽度上的黑点数;D、按照投影得到的图像上的波谷极小值位置将图像切割为单个字符;E、对切割的单个字符按顺时针和逆时针两个方向分别每个0.1个弧度做多次旋转;F、利用函数对旋转后的图形计算宽度;G、选择宽度最小的旋转角度对原始图片上的字符做角度旋转并输出预处理图像。通过切割图片中的字符,进行但是字符的识别,使得对图片张的字符识别率的到提高,提升了识别图像的工作效率,降低了工作的成本。
Description
技术领域
本发明属于图像识别验证领域,尤其涉及一种基于旋转投影宽度的拉丁字符倾斜纠正方法及系统。
背景技术
因为车牌号码是整齐规整, 倾斜的原因是拍摄照片角度所致,因此所有的字符倾斜角度完全一致, 并且车牌号中的每个字符的字符高度(Height)以及位置高度(Y坐标)完全一致, 因此车牌号识别中Hough变换和简单投影分析效果很好.还有一些用于文档OCR的方法如Fourier和kNN方法, 都是基于文档中所有字符的倾斜和旋转角度是一致的, (这在车牌和扫描文档中是成立的)这一假设前提。
应用到验证码识别中上诉方法则完全失去准确性, 到不可用的程度. 因为首先验证码的“旋转”和“倾斜”事实上是不同的,倾斜是把长方形变成平行四边形, 而旋转依然是长方形只是角度变了. 验证码中每个字符倾斜角度不同,高度不同,甚至大小位置都不同, Hough方法的基础假设不存在了, 根本无从使用. 而传统投影法也需要做出很多改变。
发明内容
本发明的目的在于提供一种基于旋转投影宽度的拉丁字符倾斜纠正方法及系统,旨在解决对验证码图片中字符识别率低的问题。
本发明是这样实现的,一种基于旋转投影宽度的拉丁字符倾斜纠正方法,所述拉丁字符倾斜纠正方法包括以下步骤:
A、采集器抓取验证码图片并对抓取的图片进行图纹干扰处理;
B、将图纹干扰处理的图片进行二值化处理;
C、对二值化处理的图片沿垂直方向做投影计算每个像素宽度上的黑点数;
D、按照投影得到的图像上的波谷极小值位置将图像切割为单个字符;
E、对切割的单个字符按顺时针和逆时针两个方向分别每个0.1个弧度做多次旋转;
F、利用函数对旋转后的图形计算宽度,其旋转后坐标的函数式:X’i = cos(atan(Xi/Yi)+r) * ( (Xi^2 + Yi^2)^0.5),宽度的函数式: max(X’) – min(X’);
G、选择宽度最小的旋转角度对原始图片上的字符做角度旋转并输出预处理图像。
本发明的进一步技术方案是:所述步骤G后还包括H步骤:
H、对预处理图像上的拉丁字符进行识别,接收输入识别出的拉丁字符验证原图片上的验证码是否正确,如正确,则通过输入拉丁字符验证通过进入抓取的网页界面,如错误,则出现验证码更换新的图片并返回步骤A从新开始验证码图片纠正处理。
本发明的进一步技术方案是:所述步骤E中对单个字符做顺时针和逆时针旋转的次数为五次。
本发明的进一步技术方案是:对所述预处理图像上的拉丁字符进行识别采用的是神经网络方法做训练和识别。
本发明的进一步技术方案是:所述步骤B中将图纹干扰处理过的图片通过二值化处理将彩色图像转化为黑白图像。
本发明的另一目的在于提供一种基于旋转投影宽度的拉丁字符倾斜纠正系统,该拉丁字符倾斜纠正系统包括:
抓取干扰处理模块,用于采集器抓取验证码图片并对抓取的图片进行图纹干扰处理;
二值化处理模块,用于将图纹干扰处理的图片进行二值化处理;
投影计算模块,用于对二值化处理的图片沿垂直方向做投影计算每个像素宽度上的黑点数;
字符切割模块,用于按照投影得到的图像上的波谷极小值位置将图像切割为单个字符;
字符旋转模块,用于对切割的单个字符按顺时针和逆时针两个方向分别每个0.1个弧度做多次旋转;
宽度计算模块,用于利用函数对旋转后的图形计算宽度,其旋转后坐标的函数式:X’i = cos(atan(Xi/Yi)+r) * ( (Xi^2 + Yi^2)^0.5),宽度的函数式: max(X’) – min(X’);
原图预处理模块,用于选择宽度最小的旋转角度对原始图片上的字符做角度旋转并输出预处理图像。
本发明的进一步技术方案是:所述原图预处理模块之后还包括:
验证码判断模块,用于对预处理图像上的拉丁字符进行识别,接收输入识别出的拉丁字符验证原图片上的验证码是否正确,如正确,则通过输入拉丁字符验证通过进入抓取的网页界面,如错误,则出现验证码更换新的图片并返回抓取干扰处理模块从新开始验证码图片纠正处理。
本发明的进一步技术方案是:所述字符旋转模块中对单个字符做顺时针和逆时针旋转的次数为五次。
本发明的进一步技术方案是:对所述预处理图像上的拉丁字符进行识别采用的是神经网络方法做训练和识别。
本发明的进一步技术方案是:所述二值化处理模块中将图纹干扰处理过的图片通过二值化处理将彩色图像转化为黑白图像。
本发明的有益效果是:通过切割图片中的字符,进行但是字符的识别,使得对图片张的字符识别率的到提高,提升了识别图像的工作效率,降低了工作的成本。使神经网络识别训练样本数大大减少, 识别正确率大幅度提升。
附图说明
图1是本发明实施例提供的基于旋转投影宽度的拉丁字符倾斜纠正方法的流程图;
图2是本发明实施例提供的基于旋转投影宽度的拉丁字符倾斜纠正系统的结构框图;
附图标记:10-抓取干扰处理模块 20-二值化处理模块 30-投影计算模块 40-字符切割模块 50-字符旋转模块 60-宽度计算模块 70-原图预处理模块 80-验证码判断模块。
具体实施方式
图1示出了本发明提供的基于旋转投影宽度的拉丁字符倾斜纠正方法的流程图,其详述如下:
步骤S1,利用系统的采集器抓取网页信息的验证码图片,并且将抓取的图片上的出拉丁字符信息以外的抓取干扰图纹去除,以便后续的相应处理。
步骤S2,将进行干扰图纹处理的图片进行二值化处理;图片通过二值化处理将彩色图像转化为黑白图像。二值化包括两部分, A 、图形转为黑白, 一般通过使用一个判别函数, 接收一个色值,返回真/假的布尔结果. 分别表示黑(字符)和白(背景). 因为不同验证码这部分不同, 一般使用配置的方法. 常见的如以下几种中根据情况具体选一种: 1、直接取 黑色为黑, 非黑色(包括灰色)为白. (这种在部分图片中可能让字体变细并出现断掉的问题);2、直接取白色为白, 非白色(包括灰)为黑,(这种在一些情况下会让原本不相连的两个字符连在一起了);3、亮度超过某个临界值的颜色为白, 其他为黑(这种相当于上面两种的折中,关键在于这个临界值到底取多少,取决于具体验证码);4、前述第3种会产生的问题是如果背景和字符亮度一样就会失效(比如相同亮度的蓝色背景和红色字符). 所以不用亮度而是取一个色彩通道(比如红/绿/兰其中一个)的值, 跟一个临界值比较.至于取哪个值只要按照图片的颜色来定一个区分度高的即可;5、混合使用亮度,灰度,色度等值, 通过加权运算后与临界值比较, 效果好,通用性高但运算量较大,以上1-4都不能实现时用这种方法。B 、去除噪点. 其实转黑白的过程已经有一定的去除噪点的作用(这就是为什么把转黑白放在第一步而去噪点放第二步)剩下的噪点可通过对每个黑点判断周围8个位置(上,下,左,右,左上,右上,左下,右下)的黑点数,如果小于某个值(比如3, (1-7)这个数越小,去除的点越少, 越大则被去除的点越多, 需要根据具体噪点情况设置, 一般为2-4合适)则这个点为噪点。C、 例外情况, 有些情况下噪点会造成步骤A无法进行或者难度变大,(比如噪点颜色和字符,背景都不同,并且干扰了A使用的函数的返回值) 这个时候可以先进行B再进行A。
步骤S3,对二值化处理过的图片验证垂直的方向做垂直投影,并计算垂直投影的每个像素宽度上的黑点。计算黑点数,最简单的办法是直接按列遍历累加, 把加法结果作为黑点数. 这种是最简单的,但是有些情况下这种办法不能奏效(比如两个字符离得很近, 并且向相同方向倾斜, 两个字符虽然不相连但是垂直方向重合不少)这个时候直接做加法会导致算出来的数偏大,有时候会影响结果. 所以可以引入一个判别函数,接收一个点的坐标和颜色(因为已经二值化了,所以只有黑或白),返回一个真/假布尔值, 表示这个点 该不该在这个步骤被算为黑点. 然后通过具体配置这个判别函数来解决。
步骤S4,按照投影得到的图像上的波谷极小值位置将图像切割为单个字符;简单的办法为直接取小于某个临界数字(可选0,1,2等很小的数字,假设取1)的位置,这样只要判断数字是否大于1就可以切割了. 这种办法需要人工多次试验选取最佳值(0,1,或2),这个值不一定,受二值化和去噪点步骤的很多因素影响。
如果万一出现情况是比如取2太大了(把一些字符切成两半了),取1又太小了(让某些情况两个字符连一起), 则需要反复调整前面步骤(二值化过程)的一些可选的参数, 最终得到一个合理的最佳值。
如果这个最佳值依然不能满足要求.则要换另外一种复杂的方式(波段分析法),我们在实践中发现前面的简单方法可以满足要求,所以并未使用波段分析, 如果未来出现新的问题,才有可能采用波段分析法。
步骤S5,对切割的单个字符按照顺时针和逆时针的两个方向分别做每个最大角度为5个弧度的多次旋转,其中在旋转的过程中旋转5次,其效果最佳。
步骤S6,利用函数对旋转后的图形计算宽度,其旋转后坐标的函数式:X’i = cos(atan(Xi/Yi)+r) * ( (Xi^2 + Yi^2)^0.5)。对于图形上的任意一点i (令其坐标为Xi, Yi ) 其旋转 r 个弧度(设逆时针方向为正方向,顺时针为负方向)后为i’ (令其坐标为X’I,Y’i), 则有:根据勾股定理,i和i’到原点O(0,0) 的距离D和D’相等分别为D=D’= (Xi^2 + Yi^2)^0.5,根据三角函数式, O – i线跟X轴夹角为 R的正切值为Xi/Yi,则R = atan(Xi/Yi) ,则O –i’ 线跟X轴夹角为R’=R+r = atan(Xi/Yi)+r,其余弦为X’i / D’ = X’i/ D = X’i/( (Xi^2 + Yi^2)^0.5),即cos(R’) == X’i /( (Xi^2 + Yi^2)^0.5),cos(atan(Xi/Yi)+r) == X’i /( (Xi^2 + Yi^2)^0.5),因此最终 X’i = cos(atan(Xi/Yi)+r) * ( (Xi^2 + Yi^2)^0.5),将此式子应用于图像的每个黑点坐标, 最终求得所有,X’i, 就是每个点旋转后的横坐标, 这些横坐标的最大值X’max减最小值X’min就得到宽度。
步骤S7,选择宽度最小的旋转角度对原始图片上的字符做角度旋转并输出预处理图像;角度旋转的算法跟上面S6一样,只是S6因为计算宽度只需要X值,而此处同时需要X’i和Y’i两个值. 对于每个i都可以求得这两个值. 然后通过程序在内存中生成一个空白图像, 并在图像上对每个求得的(X’i,Y’i)坐标画一个黑点, 最终就得到旋转后的单个字符的图像. 对每个字符分别这样处理,再把这些字符图像合并在一起, 成为完整的所有字符的处理后的图像, 将它生成文件写入硬盘。
步骤S8,对预处理图像上的拉丁字符进行识别,接收输入识别出的拉丁字符验证原图片上的验证码是否正确,如正确,则通过输入拉丁字符验证通过进入抓取的网页界面,如错误,则出现验证码更换新的图片并返回步骤S1从新开始验证码图片纠正处理。
通过切割图片中的字符,进行但是字符的识别,使得对图片张的字符识别率的到提高,提升了识别图像的工作效率,降低了工作的成本。
图2示出了本发明提出提供一种基于旋转投影宽度的拉丁字符倾斜纠正系统,该拉丁字符倾斜纠正系统包括:
抓取干扰处理模块10,用于采集器抓取验证码图片并对抓取的图片进行图纹干扰处理;
二值化处理模块20,用于将图纹干扰处理的图片进行二值化处理;
投影计算模块30,用于对二值化处理的图片沿垂直方向做投影计算每个像素宽度上的黑点数;
字符切割模块40,用于按照投影得到的图像上的波谷极小值位置将图像切割为单个字符;
字符旋转模块50,用于对切割的单个字符按顺时针和逆时针两个方向分别每个0.1个弧度做多次旋转;
宽度计算模块60,用于利用函数对旋转后的图形计算宽度,其旋转后坐标的函数式:X’i = cos(atan(Xi/Yi)+r) * ( (Xi^2 + Yi^2)^0.5),宽度的函数式: max(X’) – min(X’);
原图预处理模块70,用于选择宽度最小的旋转角度对原始图片上的字符做角度旋转并输出预处理图像。
所述原图预处理模块70之后还包括:
验证码判断模块80,用于对预处理图像上的拉丁字符进行识别,接收输入识别出的拉丁字符验证原图片上的验证码是否正确,如正确,则通过输入拉丁字符验证通过进入抓取的网页界面,如错误,则出现验证码更换新的图片并返回抓取干扰处理模块从新开始验证码图片纠正处理。
所述字符旋转模块中对单个字符做顺时针和逆时针旋转的次数为五次。
对所述预处理图像上的拉丁字符进行识别采用的是神经网络方法做训练和识别。
所述二值化处理模块中将图纹干扰处理过的图片通过二值化处理将彩色图像转化为黑白图像。
通过切割图片中的字符,进行但是字符的识别,使得对图片张的字符识别率的到提高,提升了识别图像的工作效率,降低了工作的成本。
这种新的方式以单个字符为分析对象而不是整篇文档, 其使用旋转到最小宽度的方法来让原字符图像旋转引起的干扰最小化. 虽然旋转后的字符不一定是正确的角度,即使旋转到(人类认为)错误的角度,但是对于同一个字符,因为在训练和识别时,都是被旋转到相同的“错误角度”, 因此虽然对于人来说字符是歪的,但是对于程序来说,可以认为这个字符是个“正”的字符(只是这个字原本就是长成斜的),因此识别率上升了。对于少数字符,可能被旋转到不止一个收敛角度(大写英文字母中只有 A,T,Y 三个字符如此,是字符形状决定--左右对称并且在左右两边没有竖线或垂直弧线)处理方式为把两个收敛结果当成两个字符处理,也就是变成29个字母而不是26个,其实多三个字母并没有什么关系,我们最终对应到字符时合并即可。另外还有一个特殊字符 J 有可能有连续的一段收敛,取最大(或最小)角度即可。这种方法优点是对识别率提高巨大,缺点是通用性有一些限制:字符不能是正方形(圆型,正五角形,正六角型。。都不行),所以汉字不适用, 只能对英文和数字(一般英文和数字字体高度大于宽度)有用。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于旋转投影宽度的拉丁字符倾斜纠正方法,其特征在于,所述拉丁字符倾斜纠正方法包括以下步骤:
A、采集器抓取验证码图片并对抓取的图片进行图纹干扰处理;
B、将图纹干扰处理的图片进行二值化处理;
C、对二值化处理的图片沿垂直方向做投影计算每个响度宽度上的黑点数;
D、按照投影得到的图像上的波谷极小值位置将图像切割为单个字符;
E、对切割的单个字符按顺时针和逆时针两个方向分别每个0.1个弧度做多次旋转;
F、利用函数对旋转后的图形计算宽度,其旋转后坐标的函数式:X’i = cos(atan(Xi/Yi)+r) * ( (Xi^2 + Yi^2)^0.5),宽度的函数式: max(X’) – min(X’);
G、选择宽度最小的旋转角度对原始图片上的字符做角度旋转并输出预处理图像。
2.根据权利要求1所述的拉丁字符倾斜纠正方法,其特征在于,所述步骤G后还包括H步骤:
H、对预处理图像上的拉丁字符进行识别,接收输入识别出的拉丁字符验证原图片上的验证码是否正确,如正确,则通过输入拉丁字符验证通过进入抓取的网页界面,如错误,则出现验证码更换新的图片并返回步骤A从新开始验证码图片纠正处理。
3.根据权利要求2所述的拉丁字符倾斜纠正方法,其特征在于,所述步骤E中对单个字符做顺时针和逆时针旋转的最大角度为5个弧度,旋转次数为5次。
4.根据权利要求3所述的拉丁字符倾斜纠正方法,其特征在于,对所述预处理图像上的拉丁字符进行识别采用的是神经网络方法做训练和识别。
5.根据权利要求4所述的拉丁字符倾斜纠正方法,其特征在于,所述步骤B中将图纹干扰处理过的图片通过二值化处理将彩色图像转化为黑白图像。
6.一种基于旋转投影宽度的拉丁字符倾斜纠正系统,其特征在于,该拉丁字符倾斜纠正系统包括:
抓取干扰处理模块,用于采集器抓取验证码图片并对抓取的图片进行图纹干扰处理;
二值化处理模块,用于将图纹干扰处理的图片进行二值化处理;
投影计算模块,用于对二值化处理的图片沿垂直方向做投影计算每个响度宽度上的黑点数;
字符切割模块,用于按照投影得到的图像上的波谷极小值位置将图像切割为单个字符;
字符旋转模块,用于对切割的单个字符按顺时针和逆时针两个方向分别每个0.1个弧度做多次旋转;
宽度计算模块,用于利用函数对旋转后的图形计算宽度,其旋转后坐标的函数式:X’i = cos(atan(Xi/Yi)+r) * ( (Xi^2 + Yi^2)^0.5),宽度的函数式: max(X’) – min(X’);
原图预处理模块,用于选择宽度最小的旋转角度对原始图片上的字符做角度旋转并输出预处理图像。
7.根据权利要求6所述的拉丁字符倾斜纠正系统,其特征在于,所述原图预处理模块之后还包括:
验证码判断模块,用于对预处理图像上的拉丁字符进行识别,接收输入识别出的拉丁字符验证原图片上的验证码是否正确,如正确,则通过输入拉丁字符验证通过进入抓取的网页界面,如错误,则出现验证码更换新的图片并返回抓取干扰处理模块从新开始验证码图片纠正处理。
8.根据权利要求7所述的拉丁字符倾斜纠正系统,其特征在于,所述字符旋转模块中对单个字符做顺时针和逆时针旋转的次数为五次。
9.根据权利要求8所述的拉丁字符倾斜纠正系统,其特征在于,对所述预处理图像上的拉丁字符进行识别采用的是神经网络方法做训练和识别。
10.根据权利要求9所述的拉丁字符倾斜纠正系统,其特征在于,所述二值化处理模块中将图纹干扰处理过的图片通过二值化处理将彩色图像转化为黑白图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410651047.4A CN104408452B (zh) | 2014-11-17 | 2014-11-17 | 一种基于旋转投影宽度的拉丁字符倾斜纠正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410651047.4A CN104408452B (zh) | 2014-11-17 | 2014-11-17 | 一种基于旋转投影宽度的拉丁字符倾斜纠正方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104408452A true CN104408452A (zh) | 2015-03-11 |
CN104408452B CN104408452B (zh) | 2019-01-15 |
Family
ID=52646083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410651047.4A Active CN104408452B (zh) | 2014-11-17 | 2014-11-17 | 一种基于旋转投影宽度的拉丁字符倾斜纠正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408452B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678296A (zh) * | 2015-12-30 | 2016-06-15 | 小米科技有限责任公司 | 确定字符倾斜角度的方法及装置 |
CN105989377A (zh) * | 2015-06-30 | 2016-10-05 | 乐视致新电子科技(天津)有限公司 | 一种字符识别方法及装置 |
CN109919160A (zh) * | 2019-03-04 | 2019-06-21 | 深圳先进技术研究院 | 验证码识别方法、装置、终端及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005196659A (ja) * | 2004-01-09 | 2005-07-21 | Fuji Xerox Co Ltd | 画像処理装置、プログラムおよび記録媒体 |
CN101697201A (zh) * | 2009-09-25 | 2010-04-21 | 华南理工大学 | 一种旋转方向无关的手写汉字识别方法 |
CN102663360A (zh) * | 2012-03-30 | 2012-09-12 | 中南大学 | 一种钢铁板坯编码自动识别方法以及钢铁板坯跟踪系统 |
CN103136528A (zh) * | 2011-11-24 | 2013-06-05 | 同济大学 | 一种基于双边缘检测的车牌识别方法 |
-
2014
- 2014-11-17 CN CN201410651047.4A patent/CN104408452B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005196659A (ja) * | 2004-01-09 | 2005-07-21 | Fuji Xerox Co Ltd | 画像処理装置、プログラムおよび記録媒体 |
CN101697201A (zh) * | 2009-09-25 | 2010-04-21 | 华南理工大学 | 一种旋转方向无关的手写汉字识别方法 |
CN103136528A (zh) * | 2011-11-24 | 2013-06-05 | 同济大学 | 一种基于双边缘检测的车牌识别方法 |
CN102663360A (zh) * | 2012-03-30 | 2012-09-12 | 中南大学 | 一种钢铁板坯编码自动识别方法以及钢铁板坯跟踪系统 |
Non-Patent Citations (1)
Title |
---|
姜文等: "基于Hough变换的手写体维文字符倾斜校正算法", 《微型机与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989377A (zh) * | 2015-06-30 | 2016-10-05 | 乐视致新电子科技(天津)有限公司 | 一种字符识别方法及装置 |
CN105678296A (zh) * | 2015-12-30 | 2016-06-15 | 小米科技有限责任公司 | 确定字符倾斜角度的方法及装置 |
CN105678296B (zh) * | 2015-12-30 | 2019-12-06 | 小米科技有限责任公司 | 确定字符倾斜角度的方法及装置 |
CN109919160A (zh) * | 2019-03-04 | 2019-06-21 | 深圳先进技术研究院 | 验证码识别方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104408452B (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086714B (zh) | 表格识别方法、识别系统及计算机装置 | |
WO2019205290A1 (zh) | 一种图像检测方法、装置、计算机设备及存储介质 | |
WO2018219054A1 (zh) | 一种车牌识别方法、装置及系统 | |
CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
CN104200210B (zh) | 一种基于部件的车牌字符分割方法 | |
CN108701234A (zh) | 车牌识别方法及云系统 | |
CN103218605B (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
CN109427066A (zh) | 任意角度的边缘检测方法 | |
WO2019085971A1 (zh) | 图像中定位文本的方法、装置、电子设备和存储介质 | |
WO2019232945A1 (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN110378351B (zh) | 印章鉴别方法及装置 | |
CN104008542B (zh) | 一种针对特定平面图形的快速角点匹配方法 | |
CN110647882A (zh) | 图像校正方法、装置、设备及存储介质 | |
CN105404885B (zh) | 一种二维字符图形验证码复杂背景噪音干扰去除方法 | |
CN109522768A (zh) | Qr码的识别方法及装置 | |
CN104408452A (zh) | 一种基于旋转投影宽度的拉丁字符倾斜纠正方法及系统 | |
CN106940804B (zh) | 建筑工程物料管理系统表单数据自动录入方法 | |
US20240193987A1 (en) | Face liveness detection method, terminal device and non-transitory computer-readable storage medium | |
CN109271882B (zh) | 一种区分颜色的手写体汉字提取方法 | |
CN107944393B (zh) | 人脸鼻尖定位方法 | |
CN110070017B (zh) | 一种人脸假眼图像生成方法及装置 | |
CN106599889A (zh) | 一种识别字符的方法和装置 | |
CN110766001A (zh) | 基于cnn和rnn的银行卡卡号定位与端到端识别方法 | |
López et al. | Biometric iris recognition using Hough Transform | |
CN113610090B (zh) | 印章图像识别分类方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |