CN104700092B - 一种基于模板和特征匹配相结合的小字符数字识别方法 - Google Patents
一种基于模板和特征匹配相结合的小字符数字识别方法 Download PDFInfo
- Publication number
- CN104700092B CN104700092B CN201510137636.5A CN201510137636A CN104700092B CN 104700092 B CN104700092 B CN 104700092B CN 201510137636 A CN201510137636 A CN 201510137636A CN 104700092 B CN104700092 B CN 104700092B
- Authority
- CN
- China
- Prior art keywords
- character
- template
- small characters
- numerical
- region
- 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.)
- Active
Links
Landscapes
- Character Discrimination (AREA)
- Character Input (AREA)
Abstract
本发明提供一种基于模板和特征匹配相结合的小字符数字识别方法,包括:读入待识别的小数字字符图像;图像预处理,首先对小字符数字图像进行二值化,然后定位出各个小字符数字所在的区域,再去除小字符数字周围的边框部分,最后再进行形态学处理;分割出小字符图像,去除各小字符数字之间的间隙部分以及各小字符数字周围的干扰的小区域目标,利用生成的掩膜得到所需识别的小字符数字;字符判别,对获取的小字符数字进行识别,根据获取的小字符区域标记数目的不同分别采取相适应的判别方法进行识别。本发明综合使用了图像归一化、Otsu算法、灰度增强、形态学操作、掩膜的融合手段使得数字字符图像的提取更有针对性和有效性。
Description
技术领域
本发明涉及计算机视觉中的图像处理和模式识别领域,特别是一种采用动态模板匹配和特征提取对图像中的小字符图像进行识别的方法。
背景技术
光学字符识别是指采用如扫描仪、相机、摄影机等电子设备获取现实社会中的字符信息,通过检测暗、亮显示模式确定字符的表现形式,再通过字符识别算法将这种形式变换成计算机能够识别的代码的过程。
光学字符识别的方法根据其采用的分类手段和特征提取的方法的不同一般可分为基于统计特征的识别方法、基于结构特征的识别方法、人工神经网络识别方法以及上述方法的结合方法。
模板匹配算法的实质是将测试样本和模板库中的各个模板进行相似性比较,找出相似性程度最大的模板作为测试样本所属的类别。模板匹配算法具有样本分类执行效率快、运用灵活、易于实现等优点,然而正是模板库的构建很灵活,因此针对不同的字符特征其识别准确度差别较大,因此针对识别字符的特点选取合适的特征十分重要。
由于模板匹配对小字符数字识别特征选取和单字符识别的局限性,需要了解特定字符的结构特点加入特殊的识别手段,达到准确的识别效果。本发明所采取的识别方法正是应用了此种技术手段,弥补模板匹配的这一缺陷。
发明内容
为了解决现有技术存在的问题,本发明提供一种基于模板和特征匹配相结合的小字符数字识别方法,图像预处理技术综合使用了图像归一化、Otsu算法、灰度增强、形态学操作、掩膜的融合手段使得数字字符图像的提取更有针对性和有效性。
一种基于模板和特征匹配相结合的小字符数字识别方法,包括以下几个步骤:
读入待识别的小数字字符图像;
图像预处理:首先对小字符数字图像进行二值化,然后定位出各个小字符数字所在的区域,再去除小字符数字周围的边框部分,最后再进行形态学处理;
分割出小字符图像:去除各小字符数字之间的间隙部分以及各小字符数字周围的干扰的小区域目标,利用生成的掩膜得到所需识别的小字符数字;
字符判别:对获取的小字符数字进行识别,根据获取的小字符区域标记数目的不同分别采取相适应的判别方法进行识别。
根据上述识别方法,小字符数字图像预处理包括以下步骤:
步骤1,首先对读入的二维灰度小字符数字图像进行归一化处理,在将图像的灰度值转化为均值d为128,方差σ为900的8位无符号型整数;
步骤2,图像二值化,采用Otsu算法进行灰度值二值化,删除小字符数字图像的上下边框并采用线基元进行形态学闭操作处理,获取字符间隔像素;
步骤3,生成掩膜并定位出小字符数字:根据小字符数字左右两边的边框部分以及形态学后的字符间隔并结合小字符数字的宽度信息生成字符分割掩膜,小字符数字所在位置的掩膜值设置为1,否则为0。
根据上述识别方法,分割出小数字字符根据步骤3得到的掩膜分割出小字符数字的边界,再进一步删除其周围冗余的小的干扰目标。
根据上述识别方法,对获取的各个二值化后的小字符数字进行区域标记,根据分割后的各小字符数字标记区域的数目采取相适应的识别方法,包括以下模式:
模式一:如果只有一个标记区域时,如果小字符数字宽度很小(小于12),将单独考虑其匹配特征,对小字符数字的部分区域提取出一阶、二阶外围特征和此区域模板相关性系数,和静态特征模板中各个小字符数字所对应的区域的特征进行匹配,采用欧氏距离进行度量,归一化求和后,输出最小值时对应的数字字符。否则将此待识别字符数字的特征和静态特征模板库中的所有特征进行匹配;
模式二:如果存在二个标记区域,进一步判断是否是有二个小字符数字构成还是由一个小字符数字断裂而成的两部分,如果是有二个小字符数字构成,因为由二个小字符数字构成二部分其高度要大于一个小字符数字断裂而成的二部分的高度,因此可以设置出合适的高度值H(20)区分出来,如果判断出是有二个小字符数字组成的,进行动态模板的匹配,如果是有一个小字符断裂而成,首先将二个区域合并,然后对提取出区域的模板相关性系数,再进行静态模板对应特征的匹配;
模式三:如果存在三个标记区域,则需判断出哪二个标记区域属于一个数字字符,这里根据中间部分和上下二部分的垂直距离的大小判断出中间部分属于上部分还是下部分,对垂直距离小的两部分进行区域合并操作,这样再对二个数字字符所在区域提取出所在区域的一阶、二阶外围特征、中心穿线特征、模板相关性系数、分别和双字符对应区域的动态模板的特征进行匹配,采用欧氏距离进行度量,归一化求和后,输出最小值时对应的二个字符中高度占优的数字字符。
本发明与现有技术相比,具有以下优点:(1)本发明采用在提取所需字符之前,采用归一化、Otsu算法、灰度增强、删除小区与干扰目标、上下边框等方法,可以增强字符现实效果并消除干扰项对字符识别的影响;(2)利用形态学生成掩膜模板,将相邻的字符隔开,可以准确提取所需字符;(3)采用静态和动态模板匹配和特征提取方法,对三种不同情形的字符划分区域并提取,并采用相应的三种不同模式进行字符提取,提取更有针对性和有效性,且速度快、准确率高。
附图说明
图1为本发明方法流程示意图;
图2为本发明静态特征模板匹配的示意图;
图3为本发明动态特征模板匹配的示意图;
图4为本发明一个标记区域字符识别的示意图;
图5为本发明两个标记区域中双数字字符识别的示意图;
图6为本发明两个标记区域中单字符断裂为两部分字符识别的示意图;
图7为本发明三个标记区域字符识别的示意图;
图8为区域标记示意图。
具体实施方式
结合图1,一种基于模板和特征匹配相结合的小字符数字识别方法,包括:
生成静态特征模板库;
读入待识别的数字字符图像;
对读取的图像进行归一化操作;
对归一化后的图像进行二值化操作;
删除字符图像的上下边框;
修复待识别数字字符图像的垂直方向间隙;
确定待识别数字字符的左右边框;
对小字符数字所在区域生成一个掩膜模板并定位出小字符数字;
分割出小字符数字图像;
对各个数字字符所在区域进行区域标记操作;
根据小字符区域标记数目的不同和静态特征模板库识别字符。
结合图2,静态特征模板库生成方法为:采集一批已知类别的0到9尺寸相同(12×16)的小字符数字图像,将其二值化后提取出这些数字字符区域的一阶、二阶外围特征,模板相关系数、中心穿线特征、具有相同标准二阶中心矩的椭圆的离心率以及椭圆长轴与x轴的交角、图像的水平方向和垂直方向上像素值的偏度以及峰度值,分别将所有的数字字符图像对各类的一阶外围特征、二阶外围特征、模板相关系数、中心穿线特征进行求平均值,在对各类的后六个特征当做一个整体特征行向量进行归一化后在求平均值操作,统计得到了0到9这十类小字符数字的静态特征模板库。
数字字符图像归一化后得到均值d为128,方差σ为900的灰度值像素。
采用Otsu算法进行二值化操作。
根据待识别数字字符图像各行像素值和的大小删除字符图像的上下边框。
采用线基元进行形态学闭操作处理修复待识别数字字符图像的垂直方向窄细的间隙。
通过对字符图像各列求和值的大小确定待识别数字字符的左右边框。
对小字符数字所在区域生成一个掩膜模板并定位出小字符数字的具体过程为:
求出字符数字所在的左右边框起止边界之后,可求出字符所在区域的左右起止边界,综合运用字符间的窄细间隙和字符数目以及字符所占的宽度信息可以求得小字符数字所在区域的掩膜模板;
将各个小字符数字所在区域的矩形区域赋值为1,余下的赋值为0;
将此掩膜和原图像进行交操作并将掩膜值为0的位置设置为d=128的灰度值;
进行灰度增强运算来提高局部区域像素的强度;
用Otsu算法进行二值化操作;
进行形态学开运算去除区域面积小于W(30像素)的小区域目标。
根据掩膜得到各个数字字符的起始列坐标,分割出各个数字字符图像。
对各个数字字符所在区域进行区域标记操作,这里区域标记操作使用matlab中的bwlabel函数进行,如图8所示,这里根据有效区域不处于图像四周的边界位置和区域大小的属性信息至多只保存三个标记区域,根据标记数的不同采用不同的识别方法。
根据小字符区域标记数目的不同,有以下三种识别字符模式:
模式一,小字符区域标记数目为1,具体操作如下:
步骤1.1,提取数字字符所在区域,去除字符前后多余的图像噪声;
步骤1.2,根据得到的数字字符的高度H确定此数字字符是单个数字字符还是单个数字字符的一部分;若H大于h(12像素),则属于单个数字字符,如图4的第1个字符所示,转步骤1.3;否则属于单个字符的一部分,如图4的第5个字符所示转步骤1.4;
步骤1.3,将单个字符裁剪为和静态模板匹配的数字字符相同大小,
提取出待识别单个数字字符所在区域具有相同标准二阶中心矩的椭圆的离心率以及椭圆长轴与x轴的交角、图像的水平方向和垂直方向上像素值的偏度以及峰度值,
将上述六个特征作为一个特征行向量并进行归一化处理,
提取出待识别单个数字字符图像的一阶、二阶外围特征以及模板相关系数,
和静态模板对应特征进行匹配,
用欧氏距离进行度量,
对各个度量结果归一化后求和,输出求和后结果最小值时所对应的静态模板的数字字符类别;
步骤1.4,提取出单个字符部分所在区域的一阶、二阶外围特征以及模板相关性系数,
和静态模板对应特征的对应区域进行匹配,
用欧氏距离进行度量,
归一化求和后,
对取得最小值时所对应的模板字符类别作为输出结果;
模式二,小字符区域标记数目为2,具体操作如下:
步骤2.1,提取数字字符所在区域,去除字符前后多余的图像噪声;
步骤2.2,根据数字字符所在区域的高度值H判断是两个数字字符图像还是由一个数字字符图像断裂成两部分;若H大于t(20像素),则认为是两个数字字符,如图5的第5个字符所示,转步骤2.3;否则是由一个数字字符断裂而成的两部分,如图6的第5个字符所示,转步骤2.4;
步骤2.3,提取两个数字字符各自的所在区域,
分别提取出两个区域的一阶、二阶外围特征、中心穿线特征、模板相关系数,
和生成的双字符动态模板所对应区域位置的相应特征进行匹配,
采用欧氏距离进行度量,
归一化求和,
输出取得最小值时所对应的双字符模板中数字字符高度更高的数字字符类别;
步骤2.4,进行合并操作,将两部分所在区域和两部分之间的间隙合并为一个区域,
将区域裁剪为静态模板中所选字符字符的大小,
计算出模板相关系数,
归一化求和,
输出取得最小值时匹配模板所对应的数字字符类别;
模式三,小字符区域标记数目为3,则为两个数字字符,其中一个数字字符断裂为两部分,具体操作如下:
步骤3.1,提取数字字符所在区域,去除字符前后多余的图像噪声;
步骤3.2,根据中间部分的字符与上下两部分的垂直距离判断三个区域的字符的组合方式,距离更小的的两部分属于同一个数字字符,如图7第5个字符所示;
步骤3.3,合并属于同一个数字字符的两部分及其之间的间隙;
步骤3.4,分别提取出两个区域的一阶、二阶外围特征、中心穿线特征、模板相关系数;
步骤3.5,和生成的双字符动态模板所对应区域位置的相应特征进行匹配;
步骤3.6,采用欧氏距离进行度量;
步骤3.7,归一化求和后;
步骤3.8,输出取得最小值时所对应的双字符模板中字符高度更高的数字字符类别。
结合图3,所述双字符动态模板生成方法为:
步骤4.1,静态特征模板组合成双字符特征模板;
步骤4.2,提取待识别的双字符数字字符图像的各个数字字符的高度;
步骤4.3,在双字符特征模板中提取出与步骤4.2相应高度区域的双字符特征生成双字符动态模板。
实施例一
结合图4,读入待识别图像(如“原图”所示),进行二值化处理(如“二值化图像”所示),根据小字符数字左右两边的边框部分以及形态学后的字符间隔并结合小字符数字的宽度信息生成字符分割掩膜模板(如“掩膜模板”所示),进行形态学处理(如“形态学操作得到的图像”所示),分割出小字符数字图像(如“分割出的数字字符”所示),通过判断,前四个区域标记均属于一个字符,第五个区域标记属于单个字符的一部分,通过与静态模板对比得出数字字符所记载的信息为“00328”。
实施例二
结合图5,读入待识别图像(如“原图”所示),进行二值化处理(如“二值化图像”所示),根据小字符数字左右两边的边框部分以及形态学后的字符间隔并结合小字符数字的宽度信息生成字符分割掩膜模板(如“掩膜模板”所示),进行形态学处理(如“形态学操作得到的图像”所示),分割出小字符数字图像(如“分割出的数字字符”所示),通过判断,前四个区域标记均属于一个字符,第五个区域标记属于两个字符,通过与动态模板对比得出数字字符所记载的信息为“00701”。
实施例三
结合图6,读入待识别图像(如“原图”所示),进行二值化处理(如“二值化图像”所示),根据小字符数字左右两边的边框部分以及形态学后的字符间隔并结合小字符数字的宽度信息生成字符分割掩膜模板(如“掩膜模板”所示),进行形态学处理(如“形态学操作得到的图像”所示),分割出小字符数字图像(如“分割出的数字字符”所示),通过判断,前四个区域标记均属于一个字符,第五个区域标记属于一个字符的两部分,通过与静态模板对比得出数字字符所记载的信息为“00233”。
实施例四
结合图7,读入待识别图像(如“原图”所示),进行二值化处理(如“二值化图像”所示),根据小字符数字左右两边的边框部分以及形态学后的字符间隔并结合小字符数字的宽度信息生成字符分割掩膜模板(如“掩膜模板”所示),进行形态学处理(如“形态学操作得到的图像”所示),分割出小字符数字图像(如“分割出的数字字符”所示),通过判断,前四个区域标记均属于一个字符,第五个区域标记属于两个字符且其中一个字符分为两部分,通过与动态模板对比得出数字字符所记载的信息为“00247”。
Claims (9)
1.一种基于模板和特征匹配相结合的小字符数字识别方法,其特征在于,包括:
生成静态特征模板库;
读入待识别的数字字符图像;
对读取的图像进行归一化操作;
对归一化后的图像进行二值化操作;
删除字符图像的上下边框;
修复待识别数字字符图像的垂直方向间隙;
确定待识别数字字符的左右边框;
对小字符数字所在区域生成一个掩膜模板并定位出小字符数字;
分割出小字符数字图像;
对各个数字字符所在区域进行区域标记操作;
根据小字符区域标记数目的不同和静态特征模板库识别字符;
静态特征模板库生成方法为:采集一批已知类别的0到9尺寸相同的小字符数字图像,将其二值化后提取出这些数字字符区域的一阶、二阶外围特征,模板相关系数、中心穿线特征、具有相同标准二阶中心矩的椭圆的离心率以及椭圆长轴与x轴的交角、图像的水平方向和垂直方向上像素值的偏度以及峰度值,分别将所有的数字字符图像对各类的一阶外围特征、二阶外围特征、模板相关系数、中心穿线特征进行求平均值,在对各类的后六个特征当做一个整体特征行向量进行归一化后在求平均值操作,统计得到了0到9这十类小字符数字的静态特征模板库。
2.根据权利要求1所述的基于模板和特征匹配相结合的小字符数字识别方法,其特征在于,数字字符图像归一化后得到均值d为128,方差σ为900的灰度值像素;采用Otsu算法进行二值化操作。
3.根据权利要求1所述的基于模板和特征匹配相结合的小字符数字识别方法,其特征在于,根据待识别数字字符图像各行像素值和的大小删除字符图像的上下边框。
4.根据权利要求1所述的基于模板和特征匹配相结合的小字符数字识别方法,其特征在于,采用线基元进行形态学闭操作处理修复待识别数字字符图像的垂直方向窄细的间隙。
5.根据权利要求1所述的基于模板和特征匹配相结合的小字符数字识别方法,其特征在于,通过对字符图像各列求和值的大小确定待识别数字字符的左右边框。
6.根据权利要求1或2所述的基于模板和特征匹配相结合的小字符数字识别方法,其特征在于,对小字符数字所在区域生成一个掩膜模板并定位出小字符数字的具体过程为:
根据小字符数字左右边框、数字字符图像的垂直方向间隙并结合小字符数字的宽度信息生成字符分割掩膜;
将各个小字符数字所在区域的矩形区域赋值为1,余下的赋值为0;
将此掩膜和原图像进行交操作并将掩膜值为0的位置设置为d的灰度值;
进行灰度增强运算;
用Otsu算法进行二值化操作;
进行形态学开运算去除区域面积小于30像素的小区域目标。
7.根据权利要求6所述的基于模板和特征匹配相结合的小字符数字识别方法,其特征在于,根据掩膜得到各个数字字符的起始列坐标,分割出各个数字字符图像。
8.根据权利要求1所述的基于模板和特征匹配相结合的小字符数字识别方法,其特征在于,根据小字符区域标记数目的不同,有以下三种识别字符模式:
模式一,小字符区域标记数目为1,具体操作如下:
步骤1.1,提取数字字符所在区域,去除字符前后多余的图像噪声;
步骤1.2,根据得到的数字字符的高度H确定此数字字符是单个数字字符还是单个数字字符的一部分;若H大于12像素,则属于单个数字字符,转步骤1.3;否则属于单个字符的一部分,转步骤1.4;
步骤1.3,将单个字符裁剪为和静态模板匹配的数字字符相同大小,
提取出待识别单个数字字符所在区域具有相同标准二阶中心矩的椭圆的离心率以及椭圆长轴与x轴的交角、图像的水平方向和垂直方向上像素值的偏度以及峰度值,
将上述六个特征作为一个特征行向量并进行归一化处理,
提取出待识别单个数字字符图像的一阶、二阶外围特征以及模板相关系数,
和静态模板对应特征进行匹配,
用欧氏距离进行度量,
对各个度量结果归一化后求和,输出求和后结果最小值时所对应的静态模板的数字字符类别;
步骤1.4,提取出单个字符部分所在区域的一阶、二阶外围特征以及模板相关性系数,
和静态模板对应特征的对应区域进行匹配,
用欧氏距离进行度量,
归一化求和后,
对取得最小值时所对应的模板字符类别作为输出结果;
模式二,小字符区域标记数目为2,具体操作如下:
步骤2.1,提取数字字符所在区域,去除字符前后多余的图像噪声;
步骤2.2,根据数字字符所在区域的高度值H判断是两个数字字符图像还是由一个数字字符图像断裂成两部分;若H大于20像素,则认为是两个数字字符,转步骤2.3;否则是由一个数字字符断裂而成的两部分,转步骤2.4;
步骤2.3,提取两个数字字符各自的所在区域,
分别提取出两个区域的一阶、二阶外围特征、中心穿线特征、模板相关系数,
和生成的双字符动态模板所对应区域位置的相应特征进行匹配,
采用欧氏距离进行度量,
归一化求和,
输出取得最小值时所对应的双字符模板中数字字符高度更高的数字字符类别;
步骤2.4,进行合并操作,将两部分所在区域和两部分之间的间隙合并为一个区域,
将区域裁剪为静态模板中所选字符字符的大小,
计算出模板相关系数,
归一化求和,
输出取得最小值时匹配模板所对应的数字字符类别;
模式三,小字符区域标记数目为3,则为两个数字字符,其中一个数字字符断裂为两部分,具体操作如下:
步骤3.1,提取数字字符所在区域,去除字符前后多余的图像噪声;
步骤3.2,根据中间部分的字符与上下两部分的垂直距离判断三个区域的字符的组合方式,距离更小的的两部分属于同一个数字字符;
步骤3.3,合并属于同一个数字字符的两部分及其之间的间隙;
步骤3.4,分别提取出两个区域的一阶、二阶外围特征、中心穿线特征、模板相关系数;
步骤3.5,和生成的双字符动态模板所对应区域位置的相应特征进行匹配;
步骤3.6,采用欧氏距离进行度量;
步骤3.7,归一化求和后;
步骤3.8,输出取得最小值时所对应的双字符模板中字符高度更高的数字字符类别。
9.根据权利要求8所述的基于模板和特征匹配相结合的小字符数字识别方法,其特征在于,双字符动态模板生成方法为:
步骤4.1,静态特征模板组合成双字符特征模板;
步骤4.2,提取待识别的双字符数字字符图像的各个数字字符的高度;
步骤4.3,在双字符特征模板中提取出与步骤4.2相应高度区域的双字符特征生成双字符动态模板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510137636.5A CN104700092B (zh) | 2015-03-26 | 2015-03-26 | 一种基于模板和特征匹配相结合的小字符数字识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510137636.5A CN104700092B (zh) | 2015-03-26 | 2015-03-26 | 一种基于模板和特征匹配相结合的小字符数字识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104700092A CN104700092A (zh) | 2015-06-10 |
CN104700092B true CN104700092B (zh) | 2018-01-23 |
Family
ID=53347191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510137636.5A Active CN104700092B (zh) | 2015-03-26 | 2015-03-26 | 一种基于模板和特征匹配相结合的小字符数字识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700092B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095860B (zh) * | 2015-06-30 | 2018-05-29 | 小米科技有限责任公司 | 字符分割方法和装置 |
CN106709484B (zh) * | 2015-11-13 | 2022-02-22 | 国网吉林省电力有限公司检修公司 | 数字式仪表的数字识别方法 |
CN106250901A (zh) * | 2016-03-14 | 2016-12-21 | 上海创和亿电子科技发展有限公司 | 一种基于图像特征信息的数字识别方法 |
CN106845475A (zh) * | 2016-12-15 | 2017-06-13 | 西安电子科技大学 | 基于连通域的自然场景文字检测方法 |
CN106845545B (zh) * | 2017-01-20 | 2020-09-22 | 浙江省电力试验研究院技术服务中心 | 数字式电测仪表自动检定装置中的图像识别方法及装置 |
CN106980859A (zh) * | 2017-03-20 | 2017-07-25 | 中信戴卡股份有限公司 | 一种用于识别铝车轮背腔字符的方法 |
CN108737875B (zh) * | 2017-04-13 | 2021-08-17 | 北京小度互娱科技有限公司 | 图像处理方法及装置 |
CN107292255B (zh) * | 2017-06-13 | 2020-07-28 | 浙江大学 | 基于特征矩阵相似度分析的手写数字识别方法 |
CN107766862A (zh) * | 2017-10-19 | 2018-03-06 | 成都博智维讯信息技术股份有限公司 | 商品价格标签数字识别方法 |
CN109145912B (zh) * | 2018-07-09 | 2024-07-02 | 华南理工大学 | 一种数字仪表读数自动识别方法 |
CN109543676B (zh) * | 2018-11-08 | 2022-12-06 | 中国电力科学研究院有限公司 | 一种基于图像处理的字轮型水表数字字符识别方法 |
CN110298353B (zh) * | 2019-07-03 | 2021-06-25 | 中国农业银行股份有限公司 | 一种字符识别方法及系统 |
CN111413748A (zh) * | 2020-05-06 | 2020-07-14 | 公安部第一研究所 | 一种安全检查行包托盘及其数字编码识别方法 |
CN112418226B (zh) * | 2020-10-23 | 2022-11-25 | 济南信通达电气科技有限公司 | 一种鱼眼分合闸状态识别的方法及装置 |
CN112733858B (zh) * | 2021-01-08 | 2021-10-26 | 北京匠数科技有限公司 | 基于字符区域检测的图像文字快速识别方法及装置 |
CN116452615B (zh) * | 2023-06-19 | 2023-10-03 | 恒银金融科技股份有限公司 | 冠字号区域前景和背景的分割方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706873A (zh) * | 2009-11-27 | 2010-05-12 | 东软集团股份有限公司 | 数字类限制标志的识别方法和装置 |
CN101916364A (zh) * | 2010-07-06 | 2010-12-15 | 浙江大学 | 自适应的表盘数字识别装置与方法 |
CN102663377A (zh) * | 2012-03-15 | 2012-09-12 | 华中科技大学 | 一种基于模板匹配的字符识别方法 |
CN104463195A (zh) * | 2014-11-08 | 2015-03-25 | 沈阳工业大学 | 基于模板匹配的印刷体数字识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9058644B2 (en) * | 2013-03-13 | 2015-06-16 | Amazon Technologies, Inc. | Local image enhancement for text recognition |
-
2015
- 2015-03-26 CN CN201510137636.5A patent/CN104700092B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706873A (zh) * | 2009-11-27 | 2010-05-12 | 东软集团股份有限公司 | 数字类限制标志的识别方法和装置 |
CN101916364A (zh) * | 2010-07-06 | 2010-12-15 | 浙江大学 | 自适应的表盘数字识别装置与方法 |
CN102663377A (zh) * | 2012-03-15 | 2012-09-12 | 华中科技大学 | 一种基于模板匹配的字符识别方法 |
CN104463195A (zh) * | 2014-11-08 | 2015-03-25 | 沈阳工业大学 | 基于模板匹配的印刷体数字识别方法 |
Non-Patent Citations (2)
Title |
---|
票据字符识别方法与应用的研究;张小军;《中国优秀硕士学位论文全文数据库 信息科技辑》;20090515;第I138-786页 * |
纸币号码识别系统的设计与实现;刘红刚;《中国优秀硕士学位论文全文数据库 信息科技辑》;20070515;第I138-1360页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104700092A (zh) | 2015-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700092B (zh) | 一种基于模板和特征匹配相结合的小字符数字识别方法 | |
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
Deb et al. | Vehicle license plate detection method based on sliding concentric windows and histogram. | |
CN108596166A (zh) | 一种基于卷积神经网络分类的集装箱箱号识别方法 | |
Lee et al. | Automatic extraction of characters in complex scene images | |
CN110287963B (zh) | 用于综合性能试验的ocr识别方法 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
Xia et al. | A novel algorithm for ship detection based on dynamic fusion model of multi-feature and support vector machine | |
Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
CN106909925A (zh) | 一种水下图像目标检测方法 | |
CN111046881A (zh) | 基于计算机视觉和深度学习的指针式仪表读数识别方法 | |
CN103699876B (zh) | 一种基于线阵ccd图像识别车号的方法及装置 | |
CN107545565B (zh) | 一种太阳能网版检测方法 | |
Al-Mahadeen et al. | Signature region of interest using auto cropping | |
Jetley et al. | Two-stage hybrid binarization around fringe map based text line segmentation for document images | |
CN117330582A (zh) | 一种高分子pe薄膜表面晶点检测系统 | |
CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
CN111047646A (zh) | 基于fpga的多目标透镜定位方法及系统 | |
CN108564020B (zh) | 基于全景3d图像的微手势识别方法 | |
Ge et al. | Oracle bone inscriptions extraction by using weakly supervised instance segmentation under deep network | |
Rajithkumar et al. | Template matching method for recognition of stone inscripted Kannada characters of different time frames based on correlation analysis | |
Machhale et al. | Implementation of number recognition using adaptive template matching and feature extraction method |
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 |