CN106355174A - 一种快递单关键信息动态提取方法及系统 - Google Patents

一种快递单关键信息动态提取方法及系统 Download PDF

Info

Publication number
CN106355174A
CN106355174A CN201610846353.2A CN201610846353A CN106355174A CN 106355174 A CN106355174 A CN 106355174A CN 201610846353 A CN201610846353 A CN 201610846353A CN 106355174 A CN106355174 A CN 106355174A
Authority
CN
China
Prior art keywords
express delivery
image
key message
theta
delivery list
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
CN201610846353.2A
Other languages
English (en)
Other versions
CN106355174B (zh
Inventor
谢巍
周飞舟
周忠太
张浪文
李博
何伶珍
刘希
周翔
周路宽
陈均健
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201610846353.2A priority Critical patent/CN106355174B/zh
Publication of CN106355174A publication Critical patent/CN106355174A/zh
Application granted granted Critical
Publication of CN106355174B publication Critical patent/CN106355174B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/22Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10544Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum
    • G06K7/10821Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum further details of bar or optical code scanning devices
    • G06K7/10861Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum further details of bar or optical code scanning devices sensing of data fields affixed to objects or articles, e.g. coded labels
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Electromagnetism (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Sorting Of Articles (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种快递单关键信息动态提取方法及系统,包括摄像头采集图像数据,对图像进行维纳滤波算法对退化图像进行复原,然后采用二值化处理和腐蚀膨胀处理,然后根据快递单的图像结构特征定位出关键信息所在的目标区域,进过图像的旋转变换和切割方便后期识别,通过种子填充算法实现信息的分离,最后通过模式识别算法实现信息识别。本发明提高物流行业的分拣效率,降低人工成本。

Description

一种快递单关键信息动态提取方法及系统
技术领域
本发明涉及数字图像识别领域,具体涉及一种快递单关键信息动态提取方法及系统。
背景技术
我国是快递物流行业发展迅速,快递物流行业的发展前景巨大,市场空间广阔。传统的快递物流行业在包件分拣流程的上包过程中,对包件的扫描需要人工检测,因此考虑通过摄像头扫描快递单据来获取快递的关键信息,例如:快递单编号、收件人邮编、地址信息、手机电话等,从而提高分拣效率。
传统的扫描是通过人工扫描静态条形码获取快递信息,这样会带来大量的人力成本,同时效率不高,本发明使用摄像头对运动图形进行恢复,获得条形码信息,能够减少人力成本,并提高分拣效率。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种快递单关键信息动态提取方法及系统。
本发明采用如下技术方案:
一种快递单关键信息动态提取方法,包括如下步骤:
获取传送带上的快递邮件上的快递单图像;
采用维纳滤波算法对快递单图像进行复原;
对复原后的图像进行预处理,所述预处理包括二值化处理和腐蚀膨胀化处理;
根据快递单的图像结构特征定位关键信息所在的目标区域;
采用种子填充算法实现信息的分离;
通过模式识别算法对信息进行识别。
所述维纳滤波算法的传递函数计算公式为:
W ( u , v ) = H * ( u , v ) | H ( u , v ) | 2 + c - - - ( 1 )
其中H(u,v)为点扩散函数二维傅里叶变换,H*(u,v)为H(u,v)的共轭函数,c为常量来近似信噪比,点扩散函数H和c可以通过先验知识得到一个近似估计值;
复原图像的二维傅里叶变换通过下式得出:
F ~ ( u , v ) = H * ( u , v ) G ( u , v ) | H ( u , v ) | 2 + c - - - ( 2 )
通过对(2)式得到函数进行傅里叶变换的复原后的图像。
所述预处理包括二值化及腐蚀膨胀处理,具体步骤为:
统计图像的像素点RGB分量,公式为:
V=KrR+KgG+KbB (3)
其中Kr为R分量的权值,Kg为G分量的权值,Kb为B分量的权值;
根据设定的二值化阈值对图像进行二值化;
对二值化的图像进行腐蚀膨胀处理,消除快递单表格对定位的影响。
根据快递单的图像结构特征定位关键信息所在的目标区域;
对二值化图像进行边缘检测,通过OPENCV中函数将得到边缘求解最小外接矩形,根据周长范围和长宽比求出满足条件的矩形;
然后根据目标信息区的相对位置关系,根据公式(4)(5)对图像进行旋转变换,得到目标区域;
x 1 = x 0 - a c o s θ + b s i n θ y 1 = y 0 - a sin θ - b s i n θ ( w i d t h > h e i g h t ) - - - ( 4 )
x 1 = x 0 - a ( - s i n &theta; ) + b c o s &theta; y 1 = y 0 - a cos &theta; + b sin &theta; ( w i d t h < h e i g h t ) - - - ( 5 )
其中a=max{width,height)/2,b=min{width,height)/2,θ为最小外接矩形的角度,x0,y0为识别矩形中心,width为识别矩形宽度,height为识别矩形高度。
通过模式识别算法对信息进行识别,具体为:通过5×5的模板对关键信息提取特征,形成特征向量,通过最小欧氏距离分类器对关键信息进行分类,最后输出识别结果。
一种快递单关键信息动态提取的系统,包括工业摄像头、上位机及传送带,所述快递包裹在传送带上,传送带在工业摄像头的视野范围内,所述工业摄像头与上位机连接,快递包括中贴有快递单的一面朝上。
所述摄像头设置在传送带中间的正上方。
快递包裹之间的距离不小于摄像机在传送带上的视场宽度。
本发明的有益效果:
1、通过摄像头采集快递单信息能够自动识别快递单条形码,从而减少了人力成本。
2、用运动图像的识别代替静止的图像,可以缩短识别时间,加快分拣效率;
3、通过几何特征进行定位具有稳定性,通过对快递单的布局特征进行识别,从而实现快递单关键位置的定位。通过本文设计的几何定位算法,能够实现对具有一定倾斜角度的快递单进行旋转校正;
4、通过种子填充算法将校正后的图像中的目标信息进行分离,能够最大程度地保留目标信息减少无关信息的干扰。
附图说明
图1是本发明的系统结构示意图;
图2是本发明的提取流程图;
图3是本发明的图像恢复流程示意图;
图4是本发明的图像预处理流程示意图;
图5是本发明的信息定位流程示意图;
图6是本发明的信息分离流程示意图;
图7是本发明的模式识别流程示意图。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
如图1所示,一种快递单关键信息动态提取系统,包括工业摄像头1、上位机及传送带3,所述快递包裹2在传送带上,传送带在工业摄像头的视野范围内,所述工业摄像头与上位机连接,快递包裹中贴有快递单的一面朝上,所述快递包裹还包括快递邮件。
本实施例中摄像头设置在传送带中间的正上方,快递包裹之间的距离不小于摄像机在传送带上的视场宽度,上位机一般选择为工业电脑。
在结构上,需要保证摄像头的视场范围内光线充足,传送带没有严重的纵向抖动,摄像头位置保持固定。
如图2-图7所示,一种快递单关键信息动态提取方法,包括图像复原、图像预处理、信息定位、信息分离和模式识别五个步骤。
具体如下:
S1快递邮件在传送带处于运动中,摄像机获取快递邮件上的快递单图像。
S2由于快递邮件在传送带上处于运动过程中,对快递单直接拍照不能得到和静态图片相同的效果,需要通过算法对退化图像进行恢复,本发明采用维纳滤波算法对快递单图像进行复原。
所述维纳滤波算法的传递函数计算公式为:
W ( u , v ) = H * ( u , v ) | H ( u , v ) | 2 + c - - - ( 1 )
其中H(u,v)为点扩散函数二维傅里叶变换,H*(u,v)为H(u,v)的共轭函数,c为常量来近似信噪比,点扩散函数H和c可以通过先验知识得到一个近似估计值;
复原图像的二维傅里叶变换通过下式得出:
F ~ ( u , v ) = H * ( u , v ) G ( u , v ) | H ( u , v ) | 2 + c - - - ( 2 )
通过对(2)式得到函数进行傅里叶变换的复原后的图像。
S3然后将采集到图像进行预处理,包括自适应二值化,减少光照影响,通过形态学算法减少快递表格对几何识别的影响。
其中像素值的计算公式为:
V=KrR+KgG+KbB (3)
其中Kr为R分量的权值,Kg为G分量的权值,Kb为B分量的权值。根据设定的二值化阈值来对图像进行二值化。
在对图像进行一次腐蚀膨胀以消除快递单表格对定位的干扰。
S4对二值化图像进行边缘检测,通过OPENCV中函数将得到边缘求解最小外接矩形,根据周长范围和长宽比求出满足条件的矩形,根据快递单的特殊结构,满足条件的矩形只可能为一个,然后根据目标信息区的相对位置关系,根据公式(4)(5)对图像进行旋转变换。
x 1 = x 0 - a c o s &theta; + b s i n &theta; y 1 = y 0 - a sin &theta; - b s i n &theta; ( w i d t h > h e i g h t ) - - - ( 4 )
x 1 = x 0 - a ( - s i n &theta; ) + b c o s &theta; y 1 = y 0 - a cos &theta; + b sin &theta; ( w i d t h < h e i g h t ) - - - ( 5 )
其中a=max{width,height)/2,b=min{width,height)/2,θ为最小外接矩形的角度,x0,y0为识别矩形中心,width为识别矩形宽度,height为识别矩形高度,其中width和height和几何中的矩形长宽关系不同,原因是opnecv识别的机制不同导致的,x1,y1为目标矩形中心,从(4)转换到(5)只需要让θ+90°,目标矩形的长宽值根据识别矩形的长宽值来确定,呈现固定的比例关系。
一般来说快递单的样式比较固定,外围矩形框的周长和长宽比也是非常固定的,通过摄像头采集图像,可以找到一系列的矩形,但是只有满足周长和长宽比在快递标准样式的测量值才能找到目标矩形。而这个具体条件需要对具体快递单样式进行测量之后才能确定。
S5由于倾斜矩形比正矩形的计算量大同时算法的设计更加复杂,因此对原始图像进行按目标矩形的最小外接正矩形截取,然后进行旋转变换,将目标矩形转换为正矩形,然后再一次截取目标矩形,得到目标区域,然后利用种子填充算法分离关键信息,这样可以最大程度地减少干扰,并分离出关键信息,所述关键信息包括快递单编号,邮编,地址等可以识别的信息。
S6对关键信息进行模式识别,通过5×5的模板对关键信息提取特征,形成特征向量,通过最小欧氏距离分类器对关键信息进行分类,最后输出识别结果。
本发明通过几何特征进行定位具有稳定性,通过对快递单的布局特征进行识别,从而实现快递单关键位置的定位。通过本文设计的几何定位算法,能够实现对具有一定倾斜角度的快递单进行旋转校正。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。

Claims (8)

1.一种快递单关键信息动态提取方法,其特征在于,包括如下步骤:
获取传送带上的快递邮件上的快递单图像;
采用维纳滤波算法对快递单图像进行复原;
对复原后的图像进行预处理,所述预处理包括二值化处理和腐蚀膨胀化处理;
根据快递单的图像结构特征定位关键信息所在的目标区域;
采用种子填充算法实现信息的分离;
通过模式识别算法对信息进行识别。
2.根据权利要求1所述的一种快递单关键信息动态提取方法,其特征在于,所述维纳滤波算法的传递函数计算公式为:
W ( u , v ) = H * ( u , v ) | H ( u , v ) | 2 + c - - - ( 1 )
其中H(u,v)为点扩散函数二维傅里叶变换,H*(u,v)为H(u,v)的共轭函数,c为常量来近似信噪比,点扩散函数H和c可以通过先验知识得到一个近似估计值;
复原图像的二维傅里叶变换通过下式得出:
F ~ ( u , v ) = H * ( u , v ) G ( u , v ) | H ( u , v ) | 2 + c - - - ( 2 )
通过对(2)式得到函数进行傅里叶变换的复原后的图像。
3.根据权利要求1所述的一种快递单关键信息动态提取方法,其特征在于,所述预处理包括二值化及腐蚀膨胀处理,具体步骤为:
统计图像的像素点RGB分量,公式为:
V=KrR+KgG+KbB
其中Kr为R分量的权值,Kg为G分量的权值,Kb为B分量的权值;
根据设定的二值化阈值对图像进行二值化;
对二值化的图像进行腐蚀膨胀处理,消除快递单表格对定位的影响。
4.根据权利要求1所述的一种快递单关键信息动态提取方法,其特征在于,根据快递单的图像结构特征定位关键信息所在的目标区域;
对二值化图像进行边缘检测,通过OPENCV中函数将得到边缘求解最小外接矩形,根据周长范围和长宽比求出满足条件的矩形;
然后根据目标信息区的相对位置关系,根据公式(4)(5)对图像进行旋转变换,得到目标区域;
x 1 = x 0 - a cos &theta; + b sin &theta; y 1 = y 0 - a sin &theta; - b sin &theta; ( w i d t h > h e i g h t ) - - - ( 4 )
x 1 = x 0 - a ( - s i n &theta; ) + b c o s &theta; y 1 = y 0 - a cos &theta; + b sin &theta; ( w i d t h < h e i g h t ) - - - ( 5 )
其中a=max{width,height)/2,b=min{width,height)/2,θ为最小外接矩形的角度,x0,y0为识别矩形中心,width为识别矩形宽度,height为识别矩形高度。
5.根据权利要求1所述的一种快递单关键信息动态提取方法,其特征在于,通过模式识别算法对信息进行识别,具体为:通过5×5的模板对关键信息提取特征,形成特征向量,通过最小欧氏距离分类器对关键信息进行分类,最后输出识别结果。
6.实现权利要求1-5任一项所述的一种快递单关键信息动态提取方法的系统,其特征在于,
包括工业摄像头、上位机及传送带,所述快递包裹在传送带上,传送带在工业摄像头的视野范围内,所述工业摄像头与上位机连接,快递包括中贴有快递单的一面朝上。
7.根据权利要求6所述的系统,其特征在于,所述摄像头设置在传送带中间的正上方。
8.根据权利要求6所述的系统,其特征在于,快递包裹之间的距离不小于摄像机在传送带上的视场宽度。
CN201610846353.2A 2016-09-23 2016-09-23 一种快递单关键信息动态提取方法及系统 Active CN106355174B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610846353.2A CN106355174B (zh) 2016-09-23 2016-09-23 一种快递单关键信息动态提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610846353.2A CN106355174B (zh) 2016-09-23 2016-09-23 一种快递单关键信息动态提取方法及系统

Publications (2)

Publication Number Publication Date
CN106355174A true CN106355174A (zh) 2017-01-25
CN106355174B CN106355174B (zh) 2023-06-20

Family

ID=57858755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610846353.2A Active CN106355174B (zh) 2016-09-23 2016-09-23 一种快递单关键信息动态提取方法及系统

Country Status (1)

Country Link
CN (1) CN106355174B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960537A (zh) * 2018-08-17 2018-12-07 安吉汽车物流股份有限公司 物流订单的预测方法及装置、可读介质
CN110026902A (zh) * 2017-12-27 2019-07-19 株式会社迪思科 切削装置
CN110705486A (zh) * 2019-10-08 2020-01-17 济南东朔微电子有限公司 一种基于视频图像识别快递面单上倾斜数字的方法
CN112308915A (zh) * 2020-03-30 2021-02-02 北京沃东天骏信息技术有限公司 用于定位快递包裹的方法和装置
CN113221754A (zh) * 2021-05-14 2021-08-06 深圳前海百递网络有限公司 快递单图像检测方法、装置、计算机设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030190090A1 (en) * 2002-04-09 2003-10-09 Beeman Edward S. System and method for digital-image enhancement
CN101807245A (zh) * 2010-03-02 2010-08-18 天津大学 基于人工神经网络的多源步态特征提取与身份识别方法
US20150304634A1 (en) * 2011-08-04 2015-10-22 John George Karvounis Mapping and tracking system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030190090A1 (en) * 2002-04-09 2003-10-09 Beeman Edward S. System and method for digital-image enhancement
CN101807245A (zh) * 2010-03-02 2010-08-18 天津大学 基于人工神经网络的多源步态特征提取与身份识别方法
US20150304634A1 (en) * 2011-08-04 2015-10-22 John George Karvounis Mapping and tracking system

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110026902A (zh) * 2017-12-27 2019-07-19 株式会社迪思科 切削装置
CN108960537A (zh) * 2018-08-17 2018-12-07 安吉汽车物流股份有限公司 物流订单的预测方法及装置、可读介质
CN108960537B (zh) * 2018-08-17 2020-10-13 安吉汽车物流股份有限公司 物流订单的预测方法及装置、可读介质
CN110705486A (zh) * 2019-10-08 2020-01-17 济南东朔微电子有限公司 一种基于视频图像识别快递面单上倾斜数字的方法
CN112308915A (zh) * 2020-03-30 2021-02-02 北京沃东天骏信息技术有限公司 用于定位快递包裹的方法和装置
CN113221754A (zh) * 2021-05-14 2021-08-06 深圳前海百递网络有限公司 快递单图像检测方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN106355174B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN106355174A (zh) 一种快递单关键信息动态提取方法及系统
CN109409355B (zh) 一种新型变压器铭牌识别的方法及装置
CN102629322B (zh) 一种基于边界点笔画形状的字符特征提取方法及应用
CN101807257A (zh) 图像标签信息识别方法
CN107103317A (zh) 基于图像融合和盲反卷积的模糊车牌图像识别算法
CN103034848B (zh) 一种表单类型的识别方法
CN103903018A (zh) 一种复杂场景中对车牌进行定位的方法和系统
CN103345631B (zh) 图像特征提取、训练、检测方法及模块、装置、系统
CN106815583B (zh) 一种基于mser和swt相结合的夜间车辆车牌定位方法
CN106709530A (zh) 基于视频的车牌识别方法
CN108009538A (zh) 一种汽车发动机缸体序列号智能识别方法
CN104657728B (zh) 基于计算机视觉的条码识别系统
CN109916826A (zh) 一种基于高光谱检测的固废在线识别系统及识别方法
CN105760901A (zh) 一种多语种倾斜文档图像的自动语言判别方法
CN107490583A (zh) 一种基于机器视觉的夹片缺陷检测方法
CN105404868A (zh) 一种基于交互平台的复杂背景中文本的快速检测方法
CN110335233A (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
CN116071763A (zh) 基于文字识别的教辅图书智能校编系统
CN110473255B (zh) 一种基于多重网格划分的船舶系船柱定位方法
CN108038482A (zh) 一种汽车发动机缸体序列号视觉智能识别系统
CN107545259A (zh) 一种基于大津法的二维码重构方法
CN108427954B (zh) 一种标牌信息采集与识别系统
Grover et al. Text extraction from document images using edge information
Rodrigues et al. Cursive character recognition–a character segmentation method using projection profile-based technique
CN109829511B (zh) 基于纹理分类的下视红外图像中云层区域检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant