CN107123188A - 基于模板匹配算法和边缘特征的伤票识别与定位方法 - Google Patents
基于模板匹配算法和边缘特征的伤票识别与定位方法 Download PDFInfo
- Publication number
- CN107123188A CN107123188A CN201611184048.8A CN201611184048A CN107123188A CN 107123188 A CN107123188 A CN 107123188A CN 201611184048 A CN201611184048 A CN 201611184048A CN 107123188 A CN107123188 A CN 107123188A
- Authority
- CN
- China
- Prior art keywords
- mrow
- ticket
- munderover
- hindering
- template
- 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
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
- G07D7/20—Testing patterns thereon
- G07D7/202—Testing patterns thereon using pattern matching
- G07D7/2033—Matching unique patterns, i.e. patterns that are unique to each individual paper
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于模板匹配算法和边缘特征的伤票识别与定位方法。使用本发明能够在一副图片中准确找到并定位伤票，为伤票自动检测与识别提供依据。本发明首先通过模板匹配的方法对伤票进行识别，获得感兴趣区域，实现伤票的粗定位；然后利用自适应阈值分割算法解决图片上的阴影和光照问题，运用边缘几何特征法确定伤票三个标志块的四个角点坐标，利用三个标志块的四个角点坐标获得伤票的顶点坐标，实现伤票的精确定位，为伤票自动检测与识别提供依据。该方法定位的伤票与模板伤票的匹配度达到80％以上，定位误差小于3个像素点。
Description
技术领域
本发明涉及图像处理以及模式识别技术领域，具体涉及一种基于模板匹配算法和边缘特征的伤票识别与定位方法。
背景技术
伤票是医疗单位记录和统计病情及救治过程的载体，是统计卫生机构医疗的主要依据，也是后勤保障工作经验总结与医学研究的重要资料和数据。随着军事化改革的浪潮不断兴起以及后勤保障系统的革新，采用电子化手段保存、流通伤票，充分利用伤票包含的伤病员信息和救治信息，进行高效的后勤保障服务，是信息化建设的发展趋势。伤票的电子化管理在信息化管理方面占有举足轻重的地位。
伤票识别是在复杂多变的环境中快速扫描伤票，并且在伤票选中区域进行检测提取信息。目前，没有标准的伤票自动识别系统，必须采用手工记录的方式进行工作，速度慢、效率低、容易出错。采用移动终端作为图像数据输入设备采集图像，再经过伤票识别定位，从伤票的图像信息中识别出选中项，将获得的伤票信息存入数据库，可以实现伤票电子化管理。该方法设备成本低，同时可以根据伤票结构适应不同需求，易于推广。其中，伤票识别定位是重要技术之一，也是该系统的重点和难点。
伤票自动识别系统主要应用图像处理与模式识别算法，其中分为伤票识别定位与伤票信息提取两大模块。本发明主要研究伤票识别定位算法，该算法的复杂性在于图像中伤票模式的广泛差异性。这种差异来自于光照条件、拍照角度以及破损情况等。对比二维码等图像识别，伤票自身特点：没有明显的标识符，并且图像面积大，识别难度大。伤票在识别过程中往往嵌入在混乱的背景中，镜头本身的抖动也会对处理结果产生影响，进一步加大识别的复杂度。
发明内容
有鉴于此，本发明提供了一种基于模板匹配算法和边缘特征的伤票识别与定位方法，能够在一副图片中准确找到并定位伤票，为伤票自动检测与识别提供依据。
本发明的基于模板匹配算法和边缘特征的伤票识别与定位方法，包括如下步骤：
步骤1，采用相关系数匹配法进行伤票粗定位，确定感兴趣区域：
具体的，建立伤票模板的模板图像；针对待识别的伤票采集图像，计算采集图像中以任意点(u,v)为左上角点的、与模板图像大小相同的子块与模板图像的归一化相关系数矩阵R(u,v)；R(u,v)中的最大值对应的子块即为感兴趣区域；
步骤2，利用自适应阈值对感兴趣区域进行二值化，得到二值图像S；
步骤3，对感兴趣区域进行数学形态学闭运算，运算的同时确保标志块的轮廓边缘曲线闭合，获得标志块闭合区域，然后对标志块闭合区域进行填充后提取边缘；其中，所述标志块为伤票左上角区域的“危重死亡”标志块、右上角的“染毒”标志块，以及最下方的长方形标志块；对提取的边缘轮廓进行矩形拟合，获得拟合矩形；
步骤4，针对每个拟合矩形，估算拟合矩形的重心位置，遍历轮廓边缘坐标，计算重心与每一个边缘坐标的绝对距离，选取距离最大的四个点，作为标识块的顶点；
步骤5，对步骤4得到的所有标志块的顶点的坐标进行排序，位于左上、左下、右上和右下的顶点即为采集图片中伤票的四个顶点；
步骤6，将步骤4定位好的图片，进行透视变换，得到伤票每一个选项的坐标；遍历每一个选项坐标的8×8区域像素值，该区域像素值大于设定的阈值，则表示为选中点。
进一步地，所述步骤1中，对归一化相关系数矩阵R(u,v)的计算公式进行简化，采用公式(3)计算归一化相关系数矩阵R(u,v)：
其中，g为模板图像，大小为M×N；f为伤票采集图像； g、f的下标表示像素点位置。
进一步地，所述步骤1中，归一化相关系数矩阵R(u,v)计算时，对于浮点型数据，将其取整后进行运算。
进一步地，所述步骤1中，当伤票位于采集图像中间区域时，计算归一化相关系数矩阵R(u,v)时，公式(3)中的k的取值范围为N/3～2N/3。
进一步地，所述步骤1中，采用公式(3)计算归一化相关系数矩阵R(u,v)时，隔一个像素点进行一次运算。
进一步地，所述步骤2中，自适应阈值的计算方法如下：针对感兴趣区域的灰度图像，利用一个5×5模板区域，运用中值滤波求出5×5模板区域的中间值、次最小值和最小值，这3个值进行加权平均后，作为阈值；其中，所述权值的选择随着离中心像素点的距离的变大而减小。
进一步地，所述步骤4中，采用惯性力矩的方法对拟合矩形的重心位置进行估算；所述估算方法具体如下：采用公式(4)～公式(7)计算闭合曲线所围区域内的每个像素点对应的m01和m10；其中，m01和m10为矩形区域内像素点位置1阶原点矩；m01和m10的中值即为拟合矩形的重心位置；
其中，P、Q为闭合曲线所围区域的最小外接矩形的长和宽，S为闭合区域面积。
有益效果：
(1)本发明首先通过模板匹配的方法对伤票进行识别，获得感兴趣区域，实现伤票的粗定位；然后利用自适应阈值分割算法解决图片上的阴影和光照问题，运用边缘几何特征法确定伤票三个标志块的四个角点坐标，利用三个标志块的四个角点坐标获得伤票的顶点坐标，实现伤票的精确定位，为伤票自动检测与识别提供依据。该方法定位的伤票与模板伤票的匹配度达到80％以上，定位误差小于3个像素点。
(2)对相关系数法进行了近似和化简，在不影响相似性度量的前提下，提升算法速度。
(3)对计算归一化相关系数矩阵时的浮点型数据、搜索位置等进行了优化，进一步提高算法速度。
(4)本发明还提供了一种自适应阈值分割时的自适应阈值的计算方法，能够有效解决图片上的阴影和光照问题。
(5)本发明可集成在嵌入式移动终端中，进行实时伤票扫描处理。
附图说明
图1为本发明流程图。
图2为伤票模板图(a)与模板匹配结果图(b)。
图3为固定阈值(a)与自适应阈值(b)对比图。
图4为数学形态学(a)与矩形拟合效果图(b)
图5为精确定位伤票位置效果图。
图6为透视变换效果图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明提供了一种基于模板匹配算法和边缘特征的伤票识别与定位方法，首先通过模板匹配的方法对伤票进行识别粗定位，然后采用数学形态学方法对伤票边缘几何特征进行精确定位，并与模板图片进行匹配度验证。
具体包括如下步骤：
步骤一、运用相关系数匹配法进行伤票粗定位——确定ROI(感兴趣)区域
首先，建立伤票模板的模板图像，通过相关性来判断模板图像与伤票采集图像之间的相似程度。假设两幅进行相关性匹配计算的图像中模板图像为g，大小为M×N，采集图像为f，计算采集图像中以(u,v)为左上角点、与g大小相同的子块与模板图像的相关性，那么两幅图像的相关可表示为如式(1)所示。
对变量(u,v)的所有偏移值计算式(1)，以便g的所有元素能够访问f的每个像素。
相关系数匹配法采用相关系数作为相似性度量，相比较直接计算相关性，归一化相关系数对两幅图片的尺寸变化不敏感。计算以(u,v)为左上角点、与g大小相同的子块的归一化相关系数矩阵R(u,v)，如式(2)所示。
其中：
相关系数满足|R(u,v)|≤1，在[-1,1]绝对尺度之间衡量两者的相似性。相关系数刻画了两者的近似程度的线性描述。一般来说，R(u,v)越接近1，两者越近似有线性关系。相关系数方法具有固有的抑制噪声的能力，并且当相对的缩放、旋转和畸变差异不大时，也能得到满意的匹配。
最大归一化相关系数矩阵所对应的子块即为感兴趣区域。
相关系数匹配法的精度很高，但其运算量也较大，在复杂多变的环境下，运算量更大，因此，本发明还提供了一种改进的相关系数匹配法，提高匹配速度，进而提高图像匹配系统的实时性。
相关系数匹配法改进，提高匹配速度：
对式(2)进行化简，得式(3)：
在不影响相似性度量的前提下，对式(3)进行相关系数近似计算。本发明从两方面对相关系数进行改进，一方面从公式的近似和化简，另一方面从计算量和搜索位置进行改进。
式(3)对均值计算进行了近似，如果直接计算与则完成一次均值计算需要(M×N)次加法运算和一次除法运算，计算量大，同时，在嵌入式编程过程中，除法运算是非常耗时的，所以，本发明将除法运算近似成移位运算。
考虑到如果R(u,v)＜0，则采集图像中以(u,v)为左上角点的区域不可能存在匹配点，即只要式(3)分子小于0，就可以排除该点，不需要计算分母。如果式(3)分子大于0，即可以对分子分母同时平方，避免开根号花费的大量时钟周期。
此外，对于浮点型数据，在实际加速过程中，将其取整运算，减少运算时间。
本发明中，模板的大小为420×420，采集图片大小为640×480，针对模板与采集图片大小，本发明对搜索位置进行优化。由于在采集伤票过程中，伤票位置均处于采集图像的中间区域，所以，搜索的位置从采集图像的行高1/3处开始搜索，直至图片的行高2/3处结束。
由于本步骤是在场景中只需要寻找伤票，所以，为了提高运算效率，本步骤采取的方法是隔一个像素点进行一次运算，这样只需要进行(M×N)/4次加法运算，提高了运算效率。
步骤二、对ROI区域进行精确定位
1)图像预处理：
经典的阈值分割算法对噪声比较敏感，且需要人为指定阈值，在阴影和光照条件下会造成阈值的误分割。为了解决这一问题，本发明采用的是自适应阈值分割方法。
具体的，本实施例运用中值滤波和加权平均法实现自适应阈值的计算。
在感兴趣区域的灰度图像的基础上选取5×5区域，运用中值滤波求出区域中间值、次最小值和最小值，将这3个值进行加权平均，并将此结果作为阈值，权值的选择随着离中心像素点的距离的变大而减小。通过改进自适应阈值算法解决图片上的阴影和光照问题。
2)边缘几何特征法确定四个角点坐标
1、运用数学形态学闭运算保证标记块区域为闭合区域：
本发明中，ROI区域中还需要识别左上角区域的“危重死亡”标志块，右上角的“染毒”标志块，以及最下方的长方形标志块，由于右上角和下方标志块的边缘线条特征较细，不易于轮廓提取，因此需要对ROI区域进行数学形态学闭运算，即先膨胀连接部分断点和空洞，再腐蚀保证精度，闭运算的同时要确保边缘曲线闭合，将闭合的区域进行填充，便于边缘提取。经过数学形态学处理后，对提取的边缘轮廓进行矩形拟合。
2、标记块矩形拟合
标志块为矩形，所以本发明对闭合边缘曲线进行矩形拟合。对于二维平面内的任意矩形，采用惯性力矩的方法对拟合矩形的重心位置进行估算，具体估算方法如下：采用公式(4)～公式(7)计算闭合曲线所围区域内的每个像素点对应的m01和m10；其中，mij为矩形区域内像素点位置(i+j)阶原点矩，即m01和m10为矩形区域内像素点位置1阶原点矩；将所有的m01和m10按大到小或从小到大排序，m01和m10的中值即为拟合矩形的重心位置。
其中，f(x,y)为权值，当统计点(x,y)在闭合曲线所围区域内时取1，否则取0；P、Q为闭合曲线所围区域的最小外接矩形的长和宽，可以通过各轮廓点坐标得到，S为闭合区域面积。
得到矩形重心位置后，遍历轮廓边缘坐标，计算重心与每一个边缘坐标的绝对距离，选取距离最大的四个点，分别为P1(x,y),P2(x,y),P3(x,y),P4(x,y)，这四个点即为标志块的四个顶点。
获得3个标志块的顶点后，对这12个顶点的坐标进行排序，令其按照左上、左下、右上、右下的顺序进行存储。这左上、左下、右上、右下点即为伤票的四个点，即，实现了采集图片中伤票的定位。
步骤六、透视变换：
将定位好的图片，进行透视变换，将其从当前坐标系中映射到固定大小的模板坐标系中。透视变换是一种二维坐标到二维坐标之间的线性变换，它保持了二维图形的“平直性”(即：直线经过变换之后依然是直线)和“平行性”(即：二维图形之间的相对位置关系保持不变，平行线依然是平行线，且直线上点的位置顺序不变)。
步骤七、信息提取：
透视变换后，整张伤票映射到二维直角坐标系上，从而确定了伤票每一个选项的坐标，遍历每一个坐标的8×8区域像素值，设定一个阈值，大于阈值的则为选中点。
下面结合采集的伤票图片对步骤进行更进一步的说明。
步骤一、相关系数匹配法粗定位。
采集伤票大小为640×480，模板伤票大小为420×420。伤票模板图与模板匹配结果图如图2所示。
步骤二、相关系数匹配法改进，提高匹配速度。
通过改进算法，可以提高1/4计算效率，省略50％的搜索位置，提高运算速度，经过实际运算，效率可以提高10倍左右，并且不影响匹配精度。
表1两种算法耗时比较
步骤三、对ROI区域进行自适应阈值预处理。
对采集的图片进行固定阈值分析以及自适应阈值分析，结果如图3所示。可以发现，固定阈值无法兼顾光照和阴影的补偿，左下角部分受阴影的影响，导致选取的阈值过高，右上角部分受光照的影响，导致选取的阈值过低，无法得到清晰完整的二值图片。而自适应阈值可以很好的补偿光照和阴影的缺陷，恢复完整图像。
步骤四、进行数学形态学闭运算保证标记块区域为闭合区域
对数学形态学闭运算处理后的图片进行矩形拟合，将闭合曲线所围区域用实心表示，然后对其进行矩形拟合，选取左上角、右上角和下方拟合矩形结果，处理结果如图4所示。
步骤五、标记块矩形拟合，精确提取伤票四个角点
拟合矩形过程中，令矩形的四个角点分别按照左上、左下、右上、右下的顺序进行存储。所以，精确提取四个角点时分别提取“危重死亡”标记块的左上角点、“染毒”标记块的右上角点、下方标记块的左下角点和右下角点，如图5所示。
步骤六、透视变换。
透视变换的目的是将精确定位的伤票区域映射到模板坐标系中，便于伤票信息提取。模板坐标系中，伤票中每个选项点的坐标位置均已确定，可以根据阈值确定选中点。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于模板匹配算法和边缘特征的伤票识别与定位方法，其特征在于，包括如下步骤：
步骤1，采用相关系数匹配法进行伤票粗定位，确定感兴趣区域：
具体的，建立伤票模板的模板图像；针对待识别的伤票采集图像，计算采集图像中以任意点(u,v)为左上角点的、与模板图像大小相同的子块与模板图像的归一化相关系数矩阵R(u,v)；R(u,v)中的最大值对应的子块即为感兴趣区域；
步骤2，利用自适应阈值对感兴趣区域进行二值化，得到二值图像S；
步骤3，对感兴趣区域进行数学形态学闭运算，运算的同时确保标志块的轮廓边缘曲线闭合，获得标志块闭合区域，然后对标志块闭合区域进行填充后提取边缘；其中，所述标志块为伤票左上角区域的“危重死亡”标志块、右上角的“染毒”标志块，以及最下方的长方形标志块；对提取的边缘轮廓进行矩形拟合，获得拟合矩形；
步骤4，针对每个拟合矩形，估算拟合矩形的重心位置，遍历轮廓边缘坐标，计算重心与每一个边缘坐标的绝对距离，选取距离最大的四个点，作为标识块的顶点；
步骤5，对步骤4得到的所有标志块的顶点的坐标进行排序，位于左上、左下、右上和右下的顶点即为采集图片中伤票的四个顶点；
步骤6，将步骤4定位好的图片，进行透视变换，得到伤票每一个选项的坐标；遍历每一个选项坐标的8×8区域像素值，该区域像素值大于设定的阈值，则表示为选中点。
2.如权利要求1所述的基于模板匹配算法和边缘特征的伤票识别与定位方法，其特征在于，所述步骤1中，对归一化相关系数矩阵R(u,v)的计算公式进行简化，采用公式(3)计算归一化相关系数矩阵R(u,v)：
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>f</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mi>u</mi>
<mo>,</mo>
<mi>k</mi>
<mo>+</mo>
<mi>v</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>g</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>M</mi>
<mi>N</mi>
<mover>
<mi>f</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&times;</mo>
<mover>
<mi>g</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mrow>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<msup>
<mi>f</mi>
<mn>2</mn>
</msup>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mi>u</mi>
<mo>,</mo>
<mi>k</mi>
<mo>+</mo>
<mi>v</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>M</mi>
<mi>N</mi>
<mover>
<msup>
<mi>f</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
</mover>
</mrow>
</msqrt>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mi>g</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mi>M</mi>
<mi>N</mi>
<mover>
<msup>
<mi>g</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
</mover>
</mrow>
</msqrt>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，g为模板图像，大小为M×N；f为伤票采集图像； g、f的下标表示像素点位置。
3.如权利要求1或2所述的基于模板匹配算法和边缘特征的伤票识别与定位方法，其特征在于，所述步骤1中，归一化相关系数矩阵R(u,v)计算时，对于浮点型数据，将其取整后进行运算。
4.如权利要求1或2所述的基于模板匹配算法和边缘特征的伤票识别与定位方法，其特征在于，所述步骤1中，当伤票位于采集图像中间区域时，计算归一化相关系数矩阵R(u,v)时，公式(3)中的k的取值范围为N/3～2N/3。
5.如权利要求1或2所述的基于模板匹配算法和边缘特征的伤票识别与定位方法，其特征在于，所述步骤1中，采用公式(3)计算归一化相关系数矩阵R(u,v)时，隔一个像素点进行一次运算。
6.如权利要求1所述的基于模板匹配算法和边缘特征的伤票识别与定位方法，其特征在于，所述步骤2中，自适应阈值的计算方法如下：针对感兴趣区域的灰度图像，利用一个5×5模板区域，运用中值滤波求出5×5模板区域的中间值、次最小值和最小值，这3个值进行加权平均后，作为阈值；其中，所述权值的选择随着离中心像素点的距离的变大而减小。
7.如权利要求1所述的基于模板匹配算法和边缘特征的伤票识别与定位方法，其特征在于，所述步骤4中，采用惯性力矩的方法对拟合矩形的重心位置进行估算；所述估算方法具体如下：采用公式(4)～公式(7)计算闭合曲线所围区域内的每个像素点对应的m01和m10；其中，m01和m10为矩形区域内像素点位置1阶原点矩；m01和m10的中值即为拟合矩形的重心位置；
<mrow>
<msub>
<mi>m</mi>
<mn>01</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>S</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>P</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>Q</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>x</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>m</mi>
<mn>10</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>S</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>P</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>Q</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>y</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>S</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，P、Q为闭合曲线所围区域的最小外接矩形的长和宽，S为闭合区域面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611184048.8A CN107123188B (zh) | 2016-12-20 | 2016-12-20 | 基于模板匹配算法和边缘特征的伤票识别与定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611184048.8A CN107123188B (zh) | 2016-12-20 | 2016-12-20 | 基于模板匹配算法和边缘特征的伤票识别与定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107123188A true CN107123188A (zh) | 2017-09-01 |
| CN107123188B CN107123188B (zh) | 2020-05-12 |
Family
ID=59717906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611184048.8A Active CN107123188B (zh) | 2016-12-20 | 2016-12-20 | 基于模板匹配算法和边缘特征的伤票识别与定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107123188B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107633253A (zh) * | 2017-10-23 | 2018-01-26 | 江苏鸿信系统集成有限公司 | 基于含噪图像中矩形包围框的精确提取和定位方法 |
| CN107742357A (zh) * | 2017-10-10 | 2018-02-27 | 深圳怡化电脑股份有限公司 | 一种纸币冠字号的识别方法及装置 |
| CN109190616A (zh) * | 2018-08-03 | 2019-01-11 | 东北大学 | 一种基于特征识别的热轧钢板在线视觉跟踪算法 |
| CN109389050A (zh) * | 2018-09-19 | 2019-02-26 | 陕西科技大学 | 一种流程图连接关系识别方法 |
| CN109558844A (zh) * | 2018-11-30 | 2019-04-02 | 厦门商集网络科技有限责任公司 | 基于图像归一化提升自定义模板识别率的方法及设备 |
| CN109886278A (zh) * | 2019-01-17 | 2019-06-14 | 柳州康云互联科技有限公司 | 一种基于ARMarker的图像特征采集方法 |
| CN110009615A (zh) * | 2019-03-31 | 2019-07-12 | 深圳大学 | 图像角点的检测方法及检测装置 |
| CN110211182A (zh) * | 2019-05-31 | 2019-09-06 | 东北大学 | 一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法 |
| CN111222510A (zh) * | 2020-03-13 | 2020-06-02 | 中冶长天国际工程有限责任公司 | 一种烧结机的台车箅条图像摄取方法及系统 |
| CN112365539A (zh) * | 2020-11-11 | 2021-02-12 | 中南大学 | 融合模板匹配与对称直线分割的铸锭模具金属溶液边界定位方法 |
| CN112923852A (zh) * | 2021-01-29 | 2021-06-08 | 江南大学 | 基于动态角点定位的sd卡位姿检测方法 |
| WO2022057607A1 (zh) * | 2020-09-21 | 2022-03-24 | 杭州睿琪软件有限公司 | 识别对象边缘的方法、系统及计算机可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101334837A (zh) * | 2008-07-31 | 2008-12-31 | 重庆大学 | 一种多方法融合的车牌图像定位方法 |
| DE102008008440A1 (de) * | 2008-02-11 | 2009-08-13 | Giesecke & Devrient Gmbh | Sicherheitselement |
| CN101509782A (zh) * | 2009-03-09 | 2009-08-19 | 华中科技大学 | 一种小型地标捕获定位方法 |
| CN103279736A (zh) * | 2013-04-27 | 2013-09-04 | 电子科技大学 | 一种基于多信息邻域投票的车牌检测方法 |
| JP2016022628A (ja) * | 2014-07-18 | 2016-02-08 | 独立行政法人 国立印刷局 | 改ざん防止機能を有する印刷物 |
| CN105678295A (zh) * | 2016-01-04 | 2016-06-15 | 武汉科技大学 | 基于roi平均图像分析的燃气加热炉火焰实时监测方法 |
| CN105956942A (zh) * | 2016-05-12 | 2016-09-21 | 陕西瑞海电力工程有限公司 | 基于机器视觉的电力管廊钢筋网质量检测方法及检测装置 |
-
2016
- 2016-12-20 CN CN201611184048.8A patent/CN107123188B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008008440A1 (de) * | 2008-02-11 | 2009-08-13 | Giesecke & Devrient Gmbh | Sicherheitselement |
| CN101334837A (zh) * | 2008-07-31 | 2008-12-31 | 重庆大学 | 一种多方法融合的车牌图像定位方法 |
| CN101509782A (zh) * | 2009-03-09 | 2009-08-19 | 华中科技大学 | 一种小型地标捕获定位方法 |
| CN103279736A (zh) * | 2013-04-27 | 2013-09-04 | 电子科技大学 | 一种基于多信息邻域投票的车牌检测方法 |
| JP2016022628A (ja) * | 2014-07-18 | 2016-02-08 | 独立行政法人 国立印刷局 | 改ざん防止機能を有する印刷物 |
| CN105678295A (zh) * | 2016-01-04 | 2016-06-15 | 武汉科技大学 | 基于roi平均图像分析的燃气加热炉火焰实时监测方法 |
| CN105956942A (zh) * | 2016-05-12 | 2016-09-21 | 陕西瑞海电力工程有限公司 | 基于机器视觉的电力管廊钢筋网质量检测方法及检测装置 |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107742357A (zh) * | 2017-10-10 | 2018-02-27 | 深圳怡化电脑股份有限公司 | 一种纸币冠字号的识别方法及装置 |
| CN107633253B (zh) * | 2017-10-23 | 2020-03-17 | 江苏鸿信系统集成有限公司 | 基于含噪图像中矩形包围框的精确提取和定位方法 |
| CN107633253A (zh) * | 2017-10-23 | 2018-01-26 | 江苏鸿信系统集成有限公司 | 基于含噪图像中矩形包围框的精确提取和定位方法 |
| CN109190616B (zh) * | 2018-08-03 | 2021-10-15 | 东北大学 | 一种基于特征识别的热轧钢板在线视觉跟踪方法 |
| CN109190616A (zh) * | 2018-08-03 | 2019-01-11 | 东北大学 | 一种基于特征识别的热轧钢板在线视觉跟踪算法 |
| CN109389050A (zh) * | 2018-09-19 | 2019-02-26 | 陕西科技大学 | 一种流程图连接关系识别方法 |
| CN109389050B (zh) * | 2018-09-19 | 2021-11-09 | 陕西科技大学 | 一种流程图连接关系识别方法 |
| CN109558844A (zh) * | 2018-11-30 | 2019-04-02 | 厦门商集网络科技有限责任公司 | 基于图像归一化提升自定义模板识别率的方法及设备 |
| CN109886278A (zh) * | 2019-01-17 | 2019-06-14 | 柳州康云互联科技有限公司 | 一种基于ARMarker的图像特征采集方法 |
| CN110009615A (zh) * | 2019-03-31 | 2019-07-12 | 深圳大学 | 图像角点的检测方法及检测装置 |
| CN110211182A (zh) * | 2019-05-31 | 2019-09-06 | 东北大学 | 一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法 |
| CN111222510A (zh) * | 2020-03-13 | 2020-06-02 | 中冶长天国际工程有限责任公司 | 一种烧结机的台车箅条图像摄取方法及系统 |
| CN111222510B (zh) * | 2020-03-13 | 2024-03-15 | 中冶长天国际工程有限责任公司 | 一种烧结机的台车箅条图像摄取方法及系统 |
| WO2022057607A1 (zh) * | 2020-09-21 | 2022-03-24 | 杭州睿琪软件有限公司 | 识别对象边缘的方法、系统及计算机可读存储介质 |
| CN112365539A (zh) * | 2020-11-11 | 2021-02-12 | 中南大学 | 融合模板匹配与对称直线分割的铸锭模具金属溶液边界定位方法 |
| CN112365539B (zh) * | 2020-11-11 | 2022-12-27 | 中南大学 | 铸锭模具金属溶液边界定位方法 |
| CN112923852A (zh) * | 2021-01-29 | 2021-06-08 | 江南大学 | 基于动态角点定位的sd卡位姿检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107123188B (zh) | 2020-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107123188A (zh) | 基于模板匹配算法和边缘特征的伤票识别与定位方法 | |
| WO2021238030A1 (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
| CN105787439B (zh) | 一种基于卷积神经网络的深度图像人体关节定位方法 | |
| CN109977780A (zh) | 一种基于深度学习算法的硅藻的检测与识别方法 | |
| CN106960210B (zh) | 目标检测的方法和装置 | |
| CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
| CN105447441B (zh) | 人脸认证方法和装置 | |
| CN105740780B (zh) | 人脸活体检测的方法和装置 | |
| CN108805070A (zh) | 一种基于嵌入式终端的深度学习行人检测方法 | |
| CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
| CN106980852B (zh) | 基于角点检测与匹配的药品识别系统及其识别方法 | |
| CN102682309B (zh) | 一种基于模板学习的人脸注册方法及装置 | |
| CN108197605A (zh) | 基于深度学习的牦牛身份识别方法 | |
| CN105160686B (zh) | 一种基于改进sift算子的低空多视角遥感影像匹配方法 | |
| CN110689000B (zh) | 一种基于生成复杂环境下车牌样本的车辆车牌识别方法 | |
| CN113762009B (zh) | 一种基于多尺度特征融合及双注意力机制的人群计数方法 | |
| CN107392929A (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
| CN110448335A (zh) | 一种基于超声图像的胎儿头围全自动测量方法和装置 | |
| CN110232387A (zh) | 一种基于kaze-hog算法的异源图像匹配方法 | |
| CN108961330A (zh) | 基于图像的猪体长测算方法及系统 | |
| CN104463240B (zh) | 一种仪表定位方法及装置 | |
| CN112016497A (zh) | 基于人工智能的单视角太极拳动作分析及考核系统 | |
| CN110334656A (zh) | 基于信源概率加权的多源遥感图像水体提取方法及装置 | |
| CN115115672B (zh) | 基于目标检测和特征点速度约束的动态视觉slam方法 | |
| CN107507175A (zh) | 一种用于计算玉米叶部小斑病病斑所占面积比例的装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 |