CN108537217B - 基于字符编码标志的识别及定位方法 - Google Patents
基于字符编码标志的识别及定位方法 Download PDFInfo
- Publication number
- CN108537217B CN108537217B CN201810301657.XA CN201810301657A CN108537217B CN 108537217 B CN108537217 B CN 108537217B CN 201810301657 A CN201810301657 A CN 201810301657A CN 108537217 B CN108537217 B CN 108537217B
- Authority
- CN
- China
- Prior art keywords
- character
- coding
- gray
- value
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000007787 solid Substances 0.000 claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 239000003550 marker Substances 0.000 claims description 2
- 230000008447 perception Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 6
- 238000005286 illumination Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 108091026890 Coding region Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Character Input (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种基于字符编码标志的识别及定位方法,识别方法包括如下步骤:S1、读入含有编码标志的图像;S2、对图像进行中值滤波,通过阈值分割二值化获取前景色的字符特征区域Achar;S3、对分割后的字符区域进行分类识别,通过查表法获取该编码标志对应的编码值。所述定位方法包括如下步骤:S1、读入含有编码标志的图像;S2、对图像进行中值滤波,通过阈值分割二值化获取编码标志的背景色的实心圆特征区域Acircle;S3、对实心圆特征区域内部缺失部分进行填充修复,得到完整的圆形区域Atotal;S4、对整体编码标志的圆形区域Atotal进行灰度平滑;S5、对平滑后的区域采用灰度质心法求取该编码标志的亚像素定位坐标。本发明识别准确可靠,定位可以达到亚像素精度。
Description
技术领域
本发明属于数字近景摄影测量技术领域,具体涉及一种适用于大尺寸结构和动态测量对象的基于字符编码标志的识别及定位方法。
背景技术
对大视场范围内的大尺寸结构进行动态测量时,结构表面往往缺乏清晰可辨识度高的纹理特征,不便于直接快速、准确地提取结构表面的特征信息,不能满足实验要求。目前,通常采用在被测结构上人工布设合作标志的方式产生特征点用于识别、追踪,因此,具有唯一编码值的人工合作标志的设计与应用受到广泛研究与关注,如何设计出结构简单,具有唯一编码值且数量丰富的方案且识别定位快速精准的方法成为行业研究的热点。
现有的编码合作标志主要有环形编码合作标志和点状分布编码合作标志两种,如范生宏于2006年在工业数字摄影测量中人工标志的研究与应用中提出的环型编码标志采用了同心圆环形编码方法,编码圆环被等角度分为n等分,每一等分的编码位采用0或1二进制,其设计原理简单,编码数量随着n值增大而增加,但当n增加到一定数量时,每一个编码位的区域变小。当目标物振动比较大或者摄像机成像畸变较大时,被测物表面上的编码标志图案成像也会发生失真,容易导致编码区识别错误而出现误判的现象。此外,现有的环形编码合作标志和点状分布编码合作标志的解码原理相对复杂,对印刷精度要求较高,且光照变化和镜头畸变会引起图像特征提取误差,进一步容易导致编码区识别错误而误匹配的现象。
因此,提供一种简易可靠的合作编码标志及相应的高精度定位和准确的解码识别方法是大尺寸动态测量领域的迫切需求。
发明内容
本发明的目的在于避免现有技术中的不足而提供一种基于字符编码标志的识别及定位方法,其识别准确可靠,定位精度高。
本发明的目的通过以下技术方案实现:
一方面,本发明提供一种基于字符编码标志的识别方法,所述编码标志由实心圆和设置在实心圆内的单一编码字符组成,所述实心圆部分取背景色,所述编码字符部分取前景色,背景色与前景色具有对比灰度值,不同的编码字符对应设定有唯一的编码值,所述识别方法包括如下步骤:
S1、读入含有编码标志的图像;
S2、对含有编码标志的图像进行中值滤波,将每一像素点的灰度值设置为该像素点邻域窗口内的所有像素点灰度值的中值,中值滤波具体采用二维滑动模板,将模板内像素按照像素值的大小进行排序,生成单调上升或下降二维数据序列:
g(x,y)=med{f(x-k,y-l),(k,l∈W)} (1)
其中,f(x,y),g(x,y)分别为原始图像和滤波后图像,x为像素点在图像坐标系中X轴方向的坐标,y为像素点在图像坐标系中Y轴方向的坐标,W为二维滑动模板;k,l是由二维滑动模板的尺寸所决定的变量,取整数,例如模板为3*3,那么k、l取-3~3之间的整数。
S3、采用阈值分割法对滤波后的图像进行分割二值化,获取前景色的字符特征区域Achar,阈值分割法采用两个阈值(T1,T2):
其中,B(x,y)为二值化分割后的图像;
S4、对分割后的字符特征区域进行分类识别,通过查表法获取该编码标志对应的编码值。
作为进一步的改进,在步骤S3中,阈值分割采用Otsu双阈值法分割,具体为:
设一幅图像的灰度值分为0~255级,灰度值为i的像素数为ni,则总像素数N为:
各灰度值出现的概率pi为:
pi=ni/N (4)
整幅图像的灰度平均值m为:
将全部灰度值分为三类:
C0={0~T1},C1={T1+1~T2},C2={T2+1~255}
设C0出现的概率为ω0,其灰度平均值为m0;C1出现的概率为ω1,其灰度平均值为m1;C2出现的概率为ω2,其灰度平均值为m2,则:
Otsu双阈值法求取公式为:
根据式(12)求出每次对应的f(T1,T2),其中的最大值对应的(T1,T2)即为Otsu双阈值法求取的最佳阈值。
作为进一步的改进,在步骤S4中,对字符特征区域Achar采用多层感知神经网络分类器训练的模型进行分类识别。
作为进一步的改进,在步骤S4中,采用多层感知神经网络分类器训练的模型训练字符模板,建立字符分类器。
作为进一步的改进,编码字符的训练样本包括数字、字母以及汉字,对任一形状的字符生成相应的旋转、倾斜、噪声、局部变形、径向变形、笔画宽度变化、放大、缩小后的变体样本库。
本发明提供的基于字符编码标志的识别方法,所述编码标志由实心圆和设置在实心圆内的单一编码字符组成,所述实心圆部分取背景色,所述编码字符部分取前景色,背景色与前景色具有对比灰度值,不同的编码字符对应设定有唯一的编码值,所述识别方法包括如下步骤:S1、读入含有编码标志的图像;S2、对含有编码标志的图像进行中值滤波,将每一像素点的灰度值设置为该像素点邻域窗口内的所有像素点灰度值的中值,中值滤波具体采用二维滑动模板,将模板内像素按照像素值的大小进行排序,生成单调上升或下降二维数据序列;S3、采用阈值分割法对滤波后的图像进行分割二值化,获取前景色的字符特征区域Achar;S4、对分割后的字符特征区域进行分类识别,通过查表法获取该编码标志对应的编码值。本发明基于字符编码标志,通过分类识别对字符编码标志中的不同的编码字符进行识别,得到对应设定的唯一编码值,其能够快速、准确、稳定地识别出合作编码标志。
另一方面,本发明还提供一种基于字符编码标志的定位方法,所述编码标志由实心圆和设置在实心圆内的编码字符组成,所述实心圆部分取背景色,所述编码字符部分取前景色,背景色与前景色具有对比灰度值,不同的编码字符对应设定有唯一的编码值,其特征在于,所述定位方法包括如下步骤:
S1、读入含有编码标志的图像;
S2、对含有编码标志的图像进行中值滤波,通过灰度阈值分割二值化获取编码标志的背景色的实心圆特征区域Acircle和前景色的字符特征区域Achar;
S3、对实心圆特征区域Acircle内部缺失部分进行填充修复,得到完整的圆形区域Atotal;
S4、对整体编码标志的圆形区域Atotal进行灰度平滑;
S5、对平滑后的区域采用灰度质心法求取该编码标志的亚像素定位坐标。
作为进一步的改进,在步骤S4中,进行灰度平滑时,先获取原图像中编码标志圆区域的灰度均值T,再将字符特征区域Achar对应的像素点灰度值Ichar减去均值T,实心圆特征区域Acircle对应的像素点灰度值Icircle加上灰度均值T,灰度均值T计算公式如下:
其中,Ichar(x,y),Icircle(x,y)分别为字符特征区域和实心圆特征区域的图像灰度值,m,n分别为字符区域和实心圆特征区域的像素个数。
作为进一步的改进,在步骤S2中,阈值分割采用Otsu双阈值法。
本发明提供的基于字符编码标志的定位方法,所述编码标志由实心圆和设置在实心圆内的编码字符组成,所述实心圆部分取背景色,所述编码字符部分取前景色,背景色与前景色具有对比灰度值,不同的编码字符对应设定有唯一的编码值,所述定位方法包括如下步骤:S1、读入含有编码标志的图像;S2、对含有编码标志的图像进行中值滤波,通过灰度阈值分割二值化获取编码标志的背景色的实心圆特征区域Acircle和前景色的字符特征区域Achar;S3、对实心圆特征区域Acircle内部缺失部分进行填充修复,得到完整的圆形区域Atotal;S4、对整体编码标志的圆形区域Atotal进行灰度平滑;S5、对平滑后的区域采用灰度质心法求取该编码标志的亚像素定位坐标。本发明基于圆形的字符编码标志,通过阈值分割获取编码标志区域,对图像含有噪声和光照发生变化等情况都具有很好的鲁棒性,针对灰度平滑的圆形区域采用灰度质心方法,可以达到亚像素定位精度。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为字符编码标志的示意图。
图2为字符编码标志区域分割示意图。
图3为字符编码标志对应的编码值索引表。
图4为基于字符编码标志的识别及定位方法的流程图。
图5为三层BP神经网络模型。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步详细的描述,需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
本发明实施例所提供的识别方法及定位方法均基于如图1所示的字符编码标志,所述字符编码标志由实心圆和设置在实心圆内的单一编码字符组成,编码字符可以为数字、字母、汉字等任意具有一定形状的符号,字符的宽和高小于实心圆的直径。实心圆部分取背景色,字符形状部分取前景色;背景色与前景色具有鲜明的对比灰度值,如,实心圆取黑色,字符取白色。不同的编码字符对应设定有唯一的编码值,不同字符编码标志对应的编码值索引表如图3所示。上述字符编码标志通过对编码标志上的字符进行识别,可实现快速精确解码,圆形标志易于精确定位,适用于动态匹配以及大视场拼接等场合。
结合图2和图4所示,本发明实施例提供了一种基于上述字符编码标志的识别方法,所述识别方法包括如下步骤:
S1、读入含有编码标志的图像;
S2、对含有编码标志的图像进行中值滤波,中值滤波法是一种非线性平滑技术,它将每一像素点的灰度值设置为该像素点邻域窗口内的所有像素点灰度值的中值。原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。方法是采用二维滑动模板,将模板内像素按照像素值的大小进行排序,生成单调上升或下降二维数据序列:
g(x,y)=med{f(x-k,y-l),(k,l∈W)} (1)
其中,f(x,y),g(x,y)分别为原始图像和滤波后图像,x为像素点在图像坐标系中X轴方向的坐标,y为像素点在图像坐标系中Y轴方向的坐标,W为二维滑动模板;k,l是由二维滑动模板的尺寸所决定的变量,取整数,例如模板为3*3,那么k,l取-3~3之间的整数,例如模板为5*5,那么k,l取-5~5之间的整数。
S3、采用阈值分割法对滤波后的图像进行分割二值化,获取前景色的字符特征区域Achar,阈值分割法采用两个阈值(T1,T2):
其中,B(x,y)为二值化分割后的图像;
上述步骤实现了自动最优选取双阈值,对灰度直方图呈现三峰特性的字符编码标志图像进行分割,可以获得良好的二值化效果。
S4、对分割后的字符区域进行分类识别,通过查表法获取该编码标志对应的编码值。具体的,对字符特征区域Achar采用多层感知神经网络分类器(MLP,Multi-layerPerceptron)训练的模型进行分类识别,采用多层感知神经网络分类器训练的模型训练字符模板,建立字符分类器。编码字符的训练样本包括数字、字母以及汉字,对任一形状的字符生成相应的旋转、倾斜、噪声、局部变形、径向变形、笔画宽度变化、放大、缩小后的变体样本库,大量的变形样本可大大提高分类器的正确识别率。
作为进一步优选的实施方式,在步骤S3中,阈值分割采用Otsu双阈值法(日本学者Otsu提出的一种算法,也叫最大类间方差法)分割,对图像含有噪声和光照发生变化等情况都具有很好的鲁棒性。Otsu双阈值法具体为:
设一幅图像的灰度值分为0~255级,灰度值为i的像素数为ni,则总像素数N为:
各灰度值出现的概率Pi为:
Pi=ni/N (4)
整幅图像的灰度平均值m为:
将全部灰度值分为三类:
C0={0~T1},C1={T1+1~T2},C2={T2+1~255}
设C0出现的概率为ω0,其灰度平均值为m0;C1出现的概率为ω1,其灰度平均值为m1;C2出现的概率为ω2,其灰度平均值为m2,则:
Otsu双阈值法求取公式为:
根据式(12)求出每次对应的f(T1,T2),其中的最大值对应的(T1,T2)即为Otsu双阈值法求取的最佳阈值。
下面对多层感知神经网络分类器(MLP)训练模型进行说明:
图5给出了一个三层神经网络模型结构。输入向量为X=(x1,x2,...xi,...xn)T,将字符图像归一化到a×a(本实施例中a=8)个网格大小,将其分割成8×8块,则n=8×8=64,x1代表字符相应像素点的灰度值,隐层(中间层)的输入向量为S=(s1,s2,...sj,...sp)T,隐层(中间层)的输出向量为B=(b1,b2,...bj,...bp)T,输出层的输入向量为C=(c1,c2,...ck,...ct)T,输出层的输出向量为Y=(y1,y2,...,yk,...yt)T(其中yk=0或1代表输入图像对应某字符的可能性)。
其中,输入层至隐层的连接权为隐层至输出层的连接权为隐层的阀值为H=(h1,h2,...hj,...hp)T,输出层的阀值为R=(r1,r2,...rk,...rt)T,激活神经元的传递函数为f(·),多采用非线性变换函数—Sigmoid函数(又称S函数),本实施例中采用
则有以下关系式:
中间层的输入向量:S=WX-H;
中间层的输出向量:B=f(S);
输出层的输入向量:C=VB-R;
输出层的输出向量:Y=f(C);
输出误差为:ek=dk-yk;
对模型的训练过程即为找到最佳的权值和阀值,使得输出误差能量总和最小。本实施例中,我们采用梯度下降法获得模型参数的更新规律,即:
Δvjk=-β(dk-yk)yk(1-yk)bj
Δrk=λ(dk-yk)yk(1-yk)
以上公式中,λ、β∈(0~1),dk为模型的理想输出值。
训练好之后就可以利用该MLP模型识别编码字符。
结合图2和图4所示,本发明实施例还提供一种基于字符编码标志的定位方法,所述编码标志由实心圆和设置在实心圆内的单一编码字符组成,所述实心圆部分取背景色,所述编码字符部分取前景色,背景色与前景色具有对比灰度值,不同的编码字符对应设定有唯一的编码值,所述定位方法包括如下步骤:
S1、读入含有编码标志的图像;
S2、对含有编码标志的图像进行中值滤波,通过灰度阈值分割二值化获取编码标志的背景色的实心圆特征区域Acircle和前景色的字符特征区域Achar,对图像含有噪声和光照发生变化等情况都具有很好的鲁棒性。
S3、对实心圆特征区域Acircle内部缺失部分进行填充修复,得到完整的圆形区域Atotal;
S4、对整体编码标志的圆形区域Atotal进行灰度平滑:
进行灰度平滑时,先获取原图像中编码标志圆区域的灰度均值T,再将字符特征区域Achar对应的像素点灰度值Ichar减去均值T,实心圆特征区域Acircle对应的像素点灰度值Icircle加上均值T。
S5、对平滑后的圆形区域采用灰度质心法求取该编码标志的亚像素定位坐标:
其中,(xi,yi)表示区域中第i点的像素坐标,Pi表示区域中第i点的灰度值。
采用灰度质心方法求取编码标志的坐标,可以达到亚像素定位精度。
作为进一步优选的实施方式,在步骤S4中,进行灰度平滑时,先获取原图像中编码标志圆区域的灰度均值T,再将字符特征区域Achar对应的像素点灰度值Ichar减去均值T,实心圆特征区域Acircle对应的像素点灰度值Icircle加上灰度均值T,灰度均值T计算公式如下:
其中,Ichar(x,y),Icircle(x,y)分别为字符特征区域和实心圆特征区域的图像灰度值,m,n分别为字符区域和实心圆特征区域的像素个数。
作为进一步优选的实施方式,在步骤S2中,阈值分割采用Otsu双阈值法。
上面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,不能理解为对本发明保护范围的限制。
总之,本发明虽然列举了上述优选实施方式,但是应该说明,虽然本领域的技术人员可以进行各种变化和改型,除非这样的变化和改型偏离了本发明的范围,否则都应该包括在本发明的保护范围内。
Claims (8)
1.一种基于字符编码标志的识别方法,所述编码标志由实心圆和设置在实心圆内的单一编码字符组成,所述实心圆部分取背景色,所述编码字符部分取前景色,背景色与前景色具有对比灰度值,不同的编码字符对应设定有唯一的编码值,其特征在于,所述识别方法包括如下步骤:
S1、读入含有编码标志的图像;
S2、对含有编码标志的图像进行中值滤波,将每一像素点的灰度值设置为该像素点邻域窗口内的所有像素点灰度值的中值,中值滤波具体采用二维滑动模板,将模板内像素按照像素值的大小进行排序,生成单调上升或下降二维数据序列:
g(x,y)=med{f(x-k,y-l),(k,l∈W)} (1)
其中,f(x,y),g(x,y)分别为原始图像和滤波后图像,x为像素点在图像坐标系中X轴方向的坐标,y为像素点在图像坐标系中Y轴方向的坐标,W为二维滑动模板;k,l是由二维滑动模板的尺寸所决定的变量,取整数;
S3、采用阈值分割法对滤波后的图像进行分割二值化,获取前景色的字符特征区域Achar,阈值分割法采用两个阈值(T1,T2):
其中,B(x,y)为二值化分割后的图像;
S4、对分割后的字符特征区域进行分类识别,通过查表法获取该编码标志对应的编码值。
2.根据权利要求1所述的基于字符编码标志的识别方法,其特征在于:在步骤S3中,阈值分割采用Otsu双阈值法分割,具体为:
设一幅图像的灰度值分为0~255级,灰度值为i的像素数为ni,则总像素数N为:
各灰度值出现的概率pi为:
pi=ni/N (4)
整幅图像的灰度平均值m为:
将全部灰度值分为三类:
C0={0~T1},C1={T1+1~T2},C2={T2+1~255}
设C0出现的概率为ω0,其灰度平均值为m0;C1出现的概率为ω1,其灰度平均值为m1;C2出现的概率为ω2,其灰度平均值为m2,则:
Otsu双阈值法求取公式为:
根据式(12)求出每次对应的f(T1,T2),其中的最大值对应的(T1,T2)即为Otsu双阈值法求取的最佳阈值。
3.根据权利要求1或2所述的基于字符编码标志的识别方法,其特征在于:在步骤S4中,对字符特征区域Achar采用多层感知神经网络分类器训练的模型进行分类识别。
4.根据权利要求3所述的基于字符编码标志的识别方法,其特征在于:在步骤S4中,采用多层感知神经网络分类器训练的模型训练字符模板,建立字符分类器。
5.根据权利要求4所述的基于字符编码标志的识别方法,其特征在于:编码字符的训练样本包括数字、字母以及汉字,对任一形状的字符生成相应的旋转、倾斜、噪声、局部变形、径向变形、笔画宽度变化、放大、缩小后的变体样本库。
6.一种基于字符编码标志的定位方法,所述编码标志由实心圆和设置在实心圆内的单一编码字符组成,所述实心圆部分取背景色,所述编码字符部分取前景色,背景色与前景色具有对比灰度值,不同的编码字符对应设定有唯一的编码值,其特征在于,所述定位方法包括如下步骤:
S1、读入含有编码标志的图像;
S2、对含有编码标志的图像进行中值滤波,通过灰度阈值分割二值化获取编码标志的背景色的实心圆特征区域Acircle和前景色的字符特征区域Achar;
S3、对实心圆特征区域Acircle内部缺失部分进行填充修复,得到完整的圆形区域Atotal;
S4、对整体编码标志的圆形区域Atotal进行灰度平滑;
S5、对平滑后的区域采用灰度质心法求取该编码标志的亚像素定位坐标。
8.根据权利要求7所述的基于字符编码标志的定位方法,其特征在于:在步骤S2中,阈值分割采用Otsu双阈值法分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810301657.XA CN108537217B (zh) | 2018-04-04 | 2018-04-04 | 基于字符编码标志的识别及定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810301657.XA CN108537217B (zh) | 2018-04-04 | 2018-04-04 | 基于字符编码标志的识别及定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108537217A CN108537217A (zh) | 2018-09-14 |
CN108537217B true CN108537217B (zh) | 2021-06-25 |
Family
ID=63483209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810301657.XA Active CN108537217B (zh) | 2018-04-04 | 2018-04-04 | 基于字符编码标志的识别及定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537217B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110963034B (zh) * | 2019-12-12 | 2021-05-11 | 四川中烟工业有限责任公司 | 一种基于无人机的高架库智能仓储管理系统及其管理方法 |
CN112507866B (zh) * | 2020-12-03 | 2021-07-13 | 润联软件系统(深圳)有限公司 | 一种汉字字向量生成方法、装置、计算机设备及存储介质 |
CN113129396B (zh) * | 2020-12-23 | 2022-10-14 | 合肥工业大学 | 一种基于区域分割的平行四边形编码标志的解码方法 |
CN113506276B (zh) * | 2021-07-15 | 2023-06-02 | 广东工业大学 | 一种测量结构位移的标志物及方法 |
CN113592962B (zh) * | 2021-08-23 | 2024-04-09 | 洛阳德晶智能科技有限公司 | 基于机器视觉的批量硅片标识识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615244A (zh) * | 2008-06-26 | 2009-12-30 | 上海梅山钢铁股份有限公司 | 手写板坯号自动识别方法及识别装置 |
CN101853396A (zh) * | 2010-06-17 | 2010-10-06 | 中国人民解放军信息工程大学 | 点分布型编码标志识别方法 |
CN106989812A (zh) * | 2017-05-03 | 2017-07-28 | 湖南科技大学 | 基于摄影测量技术的大型风机叶片模态测试方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706873B (zh) * | 2009-11-27 | 2012-05-30 | 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 |
CN103593653A (zh) * | 2013-11-01 | 2014-02-19 | 浙江工业大学 | 基于扫描枪的字符二维条码识别方法 |
CN104331689B (zh) * | 2014-11-13 | 2016-03-30 | 清华大学 | 一种合作标识及多智能个体身份与位姿的识别方法 |
US9418305B1 (en) * | 2015-04-29 | 2016-08-16 | Xerox Corporation | Segmentation free approach to automatic license plate recognition |
CN106406560B (zh) * | 2016-08-29 | 2019-03-08 | 武汉开目信息技术股份有限公司 | 桌面操作系统中机械工程字符矢量字体输出方法和系统 |
US20180091730A1 (en) * | 2016-09-21 | 2018-03-29 | Ring Inc. | Security devices configured for capturing recognizable facial images |
CN106557764B (zh) * | 2016-11-02 | 2019-03-26 | 江西理工大学 | 一种基于二进制编码字符水尺和图像处理的水位识别方法 |
CN107256404A (zh) * | 2017-06-09 | 2017-10-17 | 王翔宇 | 一种涉案枪支枪号识别方法 |
-
2018
- 2018-04-04 CN CN201810301657.XA patent/CN108537217B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615244A (zh) * | 2008-06-26 | 2009-12-30 | 上海梅山钢铁股份有限公司 | 手写板坯号自动识别方法及识别装置 |
CN101853396A (zh) * | 2010-06-17 | 2010-10-06 | 中国人民解放军信息工程大学 | 点分布型编码标志识别方法 |
CN106989812A (zh) * | 2017-05-03 | 2017-07-28 | 湖南科技大学 | 基于摄影测量技术的大型风机叶片模态测试方法 |
Non-Patent Citations (1)
Title |
---|
一种Otsu阈值法的推广——Otsu双阈值法;苟中魁 等;《机械》;20040731;第31卷(第7期);12-14 * |
Also Published As
Publication number | Publication date |
---|---|
CN108537217A (zh) | 2018-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537217B (zh) | 基于字符编码标志的识别及定位方法 | |
CN108596066B (zh) | 一种基于卷积神经网络的字符识别方法 | |
CN107424142B (zh) | 一种基于图像显著性检测的焊缝识别方法 | |
CN107066933B (zh) | 一种道路标牌识别方法及系统 | |
CN108764004B (zh) | 一种基于编码环采样的环状编码标记点解码识别方法 | |
CN106682629B (zh) | 一种复杂背景下身份证号识别算法 | |
CN109035274B (zh) | 基于背景估计与u型卷积神经网络的文档图像二值化方法 | |
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 | |
CN103310211B (zh) | 一种基于图像处理的填注标记识别方法 | |
CN110781901B (zh) | 基于bp神经网络预测阈值的仪表重影字符识别方法 | |
CN109903331A (zh) | 一种基于rgb-d相机的卷积神经网络目标检测方法 | |
CN109190742B (zh) | 一种基于灰度特征的编码特征点的解码方法 | |
CN106529547B (zh) | 一种基于完备局部特征的纹理识别方法 | |
CN107122713B (zh) | 一种基于深度学习的似物性检测方法 | |
CN109727279B (zh) | 一种矢量数据与遥感影像的自动配准方法 | |
CN106156684A (zh) | 一种二维码识别方法及装置 | |
CN102147867A (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
CN108256518B (zh) | 文字区域检测方法及装置 | |
CN111783773A (zh) | 一种面向角度倾斜电线杆标识牌的矫正方法 | |
CN111339932B (zh) | 一种掌纹图像预处理方法和系统 | |
CN106709952A (zh) | 一种显示屏幕的自动标定方法 | |
CN107358244B (zh) | 一种快速局部不变特征提取与描述方法 | |
CN112270720A (zh) | 一种基于二基点的标定板特征点自动排序方法 | |
CN117788501A (zh) | 一种用于视觉测量的编码标记点识别方法 |
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 |