CN109308475A - 一种字体识别方法及装置 - Google Patents
一种字体识别方法及装置 Download PDFInfo
- Publication number
- CN109308475A CN109308475A CN201810837725.4A CN201810837725A CN109308475A CN 109308475 A CN109308475 A CN 109308475A CN 201810837725 A CN201810837725 A CN 201810837725A CN 109308475 A CN109308475 A CN 109308475A
- Authority
- CN
- China
- Prior art keywords
- identified
- text
- font
- target
- cnn model
- 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.)
- Pending
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
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Character Discrimination (AREA)
Abstract
本发明实施例提供一种字体识别方法及装置,所述方法包括:获取包含有待识别文字的图片;切分所述图片,以获取切分区域中的待识别目标;所述待识别目标包括至少一个所述待识别文字;根据所述待识别目标和预先训练好的卷积神经网络CNN模型,识别所述待识别文字的字体。所述装置执行上述方法。本发明实施例提供的字体识别方法及装置,通过获取图片的切分区域中的待识别目标,该待识别目标包括至少一个待识别文字,再通过CNN模型识别待识别文字的字体,能够高效、准确地对字体进行识别。
Description
技术领域
本发明实施例涉及文字处理技术领域,具体涉及一种字体识别方法及装置。
背景技术
随着社会的发展及行业的进步,字体等知识产权成果也越来越被大家重视和尊重。
进一步地,随着互联网电商平台的快速发展,宣传信息中经常使用到商业字体,如何准确、快速地对字体进行识别,成为行业中的关键问题。目前,针对字体的识别还停留在印刷技术领域,识别方法也过于老旧,而且,需要大量的人力参与,识别效率尤其低下。
因此,如何避免上述缺陷,能够高效、准确地对字体进行识别,成为亟须解决的问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种字体识别方法及装置。
第一方面,本发明实施例提供一种字体识别方法,所述方法包括:
获取包含有待识别文字的图片;
切分所述图片,以获取切分区域中的待识别目标;所述待识别目标包括至少一个所述待识别文字;
根据所述待识别目标和预先训练好的卷积神经网络CNN模型,识别所述待识别文字的字体。
第二方面,本发明实施例提供一种字体识别装置,所述装置包括:
获取单元,用于获取包含有待识别文字的图片;
切分单元,用于切分所述图片,以获取切分区域中的待识别目标;所述待识别目标包括至少一个所述待识别文字;
识别单元,用于根据所述待识别目标和预先训练好的卷积神经网络CNN模型,识别所述待识别文字的字体。
第三方面,本发明实施例提供一种电子设备,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如下方法:
获取包含有待识别文字的图片;
切分所述图片,以获取切分区域中的待识别目标;所述待识别目标包括至少一个所述待识别文字;
根据所述待识别目标和预先训练好的卷积神经网络CNN模型,识别所述待识别文字的字体。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,包括:
所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如下方法:
获取包含有待识别文字的图片;
切分所述图片,以获取切分区域中的待识别目标;所述待识别目标包括至少一个所述待识别文字;
根据所述待识别目标和预先训练好的卷积神经网络CNN模型,识别所述待识别文字的字体。
本发明实施例提供的字体识别方法及装置,通过获取图片的切分区域中的待识别目标,该待识别目标包括至少一个待识别文字,再通过CNN模型识别待识别文字的字体,能够高效、准确地对字体进行识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例字体识别方法流程示意图;
图2为本发明实施例字体识别装置结构示意图;
图3为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例字体识别方法流程示意图,如图1所示,本发明实施例提供的一种字体识别方法,包括以下步骤:
S101:获取包含有待识别文字的图片。
具体的,装置获取包含有待识别文字的图片。图片的获取方式可以包括手机拍照、从服务器等第三方设备中获取等,不作具体限定。
S102:切分所述图片,以获取切分区域中的待识别目标;所述待识别目标包括至少一个所述待识别文字。
具体的,装置切分所述图片,以获取切分区域中的待识别目标;所述待识别目标包括至少一个所述待识别文字。切分可以采用最小外界矩形的切分方式,不作具体限定。需要说明的是,切分完成之后,可以进一步对切分区域进行预处理,例如图像增强、图像滤波等,再获取预处理后的切分区域中的待识别目标。例如:图片中包含有世界杯参赛的A球队中的a球员比赛所穿的同款足球鞋;电商平台的商家为了吸引消费者的关注、进而增加产品销量,经常使用各种字体的文字展示上述足球鞋的购买信息,如用隶书体展示该a球员的名字、用宋体展示该足球鞋的简要说明、用新罗马字体展示该足球鞋的售价。待识别目标可以是上述的全部文字,也可以是上述该a球员的名字对应的文字、进一步地,还可以是该a球员的名字中的某一个文字或几个文字。
S103:根据所述待识别目标和预先训练好的卷积神经网络CNN模型,识别所述待识别文字的字体。
具体的,装置根据所述待识别目标和预先训练好的卷积神经网络CNN模型,识别所述待识别文字的字体。若判断获知所述待识别文字的数量为N个;相应的,所述根据所述待识别目标和预先训练好的卷积神经网络CNN模型,识别所述待识别文字的字体,包括:将所述CNN模型输出的N个与所述待识别文字分别对应的字体作为字体识别的识别结果,N为自然数。进一步地,CNN模型可以一次性输出N个所述识别结果,从而,能够快速输出批量的识别结果。
具体CNN模型的预先训练,可以包括:
根据各种字体原型生成与每种字体原型对应的各种不同字体;生成M张样本图片;每张样本图片包含有每种字体原型对应的各种不同字体;其中,M的数值为所述各种字体原型的种类数;预处理所述样本图片,并根据预处理后的样本图片训练所述CNN模型;若判断获知训练过程满足预设训练终止条件,将此时的CNN模型作为训练好的CNN模型。以字体原型为宋体为例,则与该宋体对应的各种不同字体可以包括除宋体之外所有的字体。其他各种字体原型,以及对应的各种不同字体,不再赘述。M的数值可以理解为现存的各种字体原型的种类数。样本图片的预处理可以参照上述切分区域的预处理,不再赘述。预设训练终止条件可以包括运算的迭代次数达到预设次数,运算可以理解为训练该CNN模型时所进行的运算,预设次数可以根据实际情况自主设置。
本发明实施例具有如下优点:
(1)目前的字体检测方法多数都是靠人眼识别的方法,但是目前很多字体在很多字上往往只是在细节的地方有些微差别,人眼在识别的时候也很费时费力,而机器在进行识别时则是近乎零成本、零延时的,本方法的应用可以大幅提升工作效率、节省时间、降低人工成本。
(2)由于不同的字体很多,人眼在识别确认的时候非常容易发生错判或者遗漏的情况,而机器学习的预测方法则不然,只要是加入训练的字体,都可以在预测中给出一定概率的相似度,辅助人工进行判断;
(3)经过机器审核之后对于字体预测值较高的图片,再预警给人工确认,通过这种方式可以大幅提升识别准确率,同时也可以将识别错误的数据纳入到训练数据中,经过迭代训练,优化识别准确率。
本发明实施例提供的字体识别方法,通过获取图片的切分区域中的待识别目标,该待识别目标包括至少一个待识别文字,再通过CNN模型识别待识别文字的字体,能够高效、准确地对字体进行识别。
在上述实施例的基础上,若判断获知所述待识别文字的数量为N个;相应的,所述根据所述待识别目标和预先训练好的卷积神经网络CNN模型,识别所述待识别文字的字体,包括:
将所述CNN模型输出的N个与所述待识别文字分别对应的字体作为字体识别的识别结果。
具体的,装置将所述CNN模型输出的N个与所述待识别文字分别对应的字体作为字体识别的识别结果。可参照上述实施例,不再赘述。
本发明实施例提供的字体识别方法,通过将CNN模型输出的N个与待识别文字分别对应的字体作为字体识别的识别结果,进一步能够高效地对字体进行识别。
在上述实施例的基础上,所述方法还包括:
一次性输出N个所述识别结果。
具体的,装置一次性输出N个所述识别结果。可参照上述实施例,不再赘述。
本发明实施例提供的字体识别方法,通过一次性输出N个识别结果,进一步能够高效地对字体进行识别。
在上述实施例的基础上,所述CNN模型的预先训练,包括:
根据各种字体原型生成与每种字体原型对应的各种不同字体。
具体的,装置根据各种字体原型生成与每种字体原型对应的各种不同字体。可参照上述实施例,不再赘述。
生成M张样本图片;每张样本图片包含有每种字体原型对应的各种不同字体;其中,M的数值为所述各种字体原型的种类数。
具体的,装置生成M张样本图片;每张样本图片包含有每种字体原型对应的各种不同字体;其中,M的数值为所述各种字体原型的种类数。可参照上述实施例,不再赘述。
预处理所述样本图片,并根据预处理后的样本图片训练所述CNN模型。
具体的,装置预处理所述样本图片,并根据预处理后的样本图片训练所述CNN模型。可参照上述实施例,不再赘述。
若判断获知训练过程满足预设训练终止条件,将此时的CNN模型作为训练好的CNN模型。
具体的,装置若判断获知训练过程满足预设训练终止条件,将此时的CNN模型作为训练好的CNN模型。可参照上述实施例,不再赘述。
本发明实施例提供的字体识别方法,通过预先训练好该CNN模型,进一步能够高效、准确地对字体进行识别。
在上述实施例的基础上,所述预设训练终止条件包括运算的迭代次数达到预设次数。
具体的,装置中的所述预设训练终止条件包括运算的迭代次数达到预设次数。可参照上述实施例,不再赘述。
本发明实施例提供的字体识别方法,将运算的迭代次数达到预设次数作为预设训练终止条件,进一步保证了CNN模型能够正常完成。
图2为本发明实施例字体识别装置结构示意图,如图2所示,本发明实施例提供了一种字体识别装置,包括获取单元201、切分单元202和识别单元203,其中:
获取单元201用于获取包含有待识别文字的图片;切分单元202用于切分所述图片,以获取切分区域中的待识别目标;所述待识别目标包括至少一个所述待识别文字;识别单元203用于根据所述待识别目标和预先训练好的卷积神经网络CNN模型,识别所述待识别文字的字体。
具体的,获取单元201用于获取包含有待识别文字的图片;切分单元202用于切分所述图片,以获取切分区域中的待识别目标;所述待识别目标包括至少一个所述待识别文字;识别单元203用于根据所述待识别目标和预先训练好的卷积神经网络CNN模型,识别所述待识别文字的字体。
本发明实施例提供的字体识别装置,通过获取图片的切分区域中的待识别目标,该待识别目标包括至少一个待识别文字,再通过CNN模型识别待识别文字的字体,能够高效、准确地对字体进行识别。
在上述实施例的基础上,若判断获知所述待识别文字的数量为N个;相应的,所述识别单元203具体用于:将所述CNN模型输出的N个与所述待识别文字分别对应的字体作为字体识别的识别结果。
具体的,所述识别单元203具体用于:将所述CNN模型输出的N个与所述待识别文字分别对应的字体作为字体识别的识别结果。
本发明实施例提供的字体识别装置,通过将CNN模型输出的N个与待识别文字分别对应的字体作为字体识别的识别结果,进一步能够高效地对字体进行识别。
在上述实施例的基础上,所述装置还用于:一次性输出N个所述识别结果。
具体的,所述装置还用于:一次性输出N个所述识别结果。
本发明实施例提供的字体识别装置,通过一次性输出N个识别结果,进一步能够高效地对字体进行识别。
本发明实施例提供的字体识别装置具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
图3为本发明实施例提供的电子设备实体结构示意图,如图3所示,所述电子设备包括:处理器(processor)301、存储器(memory)302和总线303;
其中,所述处理器301、存储器302通过总线303完成相互间的通信;
所述处理器301用于调用所述存储器302中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取包含有待识别文字的图片;切分所述图片,以获取切分区域中的待识别目标;所述待识别目标包括至少一个所述待识别文字;根据所述待识别目标和预先训练好的卷积神经网络CNN模型,识别所述待识别文字的字体。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取包含有待识别文字的图片;切分所述图片,以获取切分区域中的待识别目标;所述待识别目标包括至少一个所述待识别文字;根据所述待识别目标和预先训练好的卷积神经网络CNN模型,识别所述待识别文字的字体。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取包含有待识别文字的图片;切分所述图片,以获取切分区域中的待识别目标;所述待识别目标包括至少一个所述待识别文字;根据所述待识别目标和预先训练好的卷积神经网络CNN模型,识别所述待识别文字的字体。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上各实施例仅用以说明本发明的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明的实施例进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明的各实施例技术方案的范围。
Claims (10)
1.一种字体识别方法,其特征在于,包括:
获取包含有待识别文字的图片;
切分所述图片,以获取切分区域中的待识别目标;所述待识别目标包括至少一个所述待识别文字;
根据所述待识别目标和预先训练好的卷积神经网络CNN模型,识别所述待识别文字的字体。
2.根据权利要求1所述的方法,其特征在于,若判断获知所述待识别文字的数量为N个;相应的,所述根据所述待识别目标和预先训练好的卷积神经网络CNN模型,识别所述待识别文字的字体,包括:
将所述CNN模型输出的N个与所述待识别文字分别对应的字体作为字体识别的识别结果。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
一次性输出N个所述识别结果。
4.根据权利要求1所述的方法,其特征在于,所述CNN模型的预先训练,包括:
根据各种字体原型生成与每种字体原型对应的各种不同字体;
生成M张样本图片;每张样本图片包含有每种字体原型对应的各种不同字体;其中,M的数值为所述各种字体原型的种类数;
预处理所述样本图片,并根据预处理后的样本图片训练所述CNN模型;
若判断获知训练过程满足预设训练终止条件,将此时的CNN模型作为训练好的CNN模型。
5.根据权利要求4所述的方法,其特征在于,所述预设训练终止条件包括运算的迭代次数达到预设次数。
6.一种字体识别装置,其特征在于,包括:
获取单元,用于获取包含有待识别文字的图片;
切分单元,用于切分所述图片,以获取切分区域中的待识别目标;所述待识别目标包括至少一个所述待识别文字;
识别单元,用于根据所述待识别目标和预先训练好的卷积神经网络CNN模型,识别所述待识别文字的字体。
7.根据权利要求6所述的装置,其特征在于,若判断获知所述待识别文字的数量为N个;相应的,所述识别单元具体用于:
将所述CNN模型输出的N个与所述待识别文字分别对应的字体作为字体识别的识别结果。
8.根据权利要求7所述的装置,其特征在于,所述装置还用于:
一次性输出N个所述识别结果。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810837725.4A CN109308475A (zh) | 2018-07-26 | 2018-07-26 | 一种字体识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810837725.4A CN109308475A (zh) | 2018-07-26 | 2018-07-26 | 一种字体识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109308475A true CN109308475A (zh) | 2019-02-05 |
Family
ID=65226056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810837725.4A Pending CN109308475A (zh) | 2018-07-26 | 2018-07-26 | 一种字体识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308475A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147791A (zh) * | 2019-05-20 | 2019-08-20 | 上海联影医疗科技有限公司 | 文字识别方法、装置、设备及存储介质 |
CN110363117A (zh) * | 2019-06-28 | 2019-10-22 | 深圳数位传媒科技有限公司 | 一种对加密后的随机编码字符文件进行解析的方法及装置 |
CN112784932A (zh) * | 2021-03-01 | 2021-05-11 | 北京百炼智能科技有限公司 | 一种字体识别方法、装置和存储介质 |
CN113139629A (zh) * | 2020-01-16 | 2021-07-20 | 武汉金山办公软件有限公司 | 一种字体识别方法、装置、电子设备及存储介质 |
CN113657364A (zh) * | 2021-08-13 | 2021-11-16 | 北京百度网讯科技有限公司 | 用于识别文字标志的方法、装置、设备以及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006140603A (ja) * | 2004-11-10 | 2006-06-01 | Pioneer Electronic Corp | 情報処理装置、その方法、そのプログラム、およびそのプログラムを記録した記録媒体、および表示制御装置 |
US20130159660A1 (en) * | 2011-12-16 | 2013-06-20 | General Electric Company | System and method for identifying a character-of-interest |
CN104899571A (zh) * | 2015-06-12 | 2015-09-09 | 成都数联铭品科技有限公司 | 一种用于复杂文字识别的随机样本产生方法 |
CN105069472A (zh) * | 2015-08-03 | 2015-11-18 | 电子科技大学 | 一种基于卷积神经网络自适应的车辆检测方法 |
CN106156794A (zh) * | 2016-07-01 | 2016-11-23 | 北京旷视科技有限公司 | 基于文字风格识别的文字识别方法及装置 |
CN107203606A (zh) * | 2017-05-17 | 2017-09-26 | 西北工业大学 | 基于卷积神经网络的自然场景下文本检测与识别方法 |
CN107292280A (zh) * | 2017-07-04 | 2017-10-24 | 盛世贞观(北京)科技有限公司 | 一种印鉴字体自动识别方法及识别装置 |
CN107644006A (zh) * | 2017-09-29 | 2018-01-30 | 北京大学 | 一种基于深度神经网络的手写体中文字库自动生成方法 |
CN107886065A (zh) * | 2017-11-06 | 2018-04-06 | 哈尔滨工程大学 | 一种混合字体的数字序列识别方法 |
-
2018
- 2018-07-26 CN CN201810837725.4A patent/CN109308475A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006140603A (ja) * | 2004-11-10 | 2006-06-01 | Pioneer Electronic Corp | 情報処理装置、その方法、そのプログラム、およびそのプログラムを記録した記録媒体、および表示制御装置 |
US20130159660A1 (en) * | 2011-12-16 | 2013-06-20 | General Electric Company | System and method for identifying a character-of-interest |
CN104899571A (zh) * | 2015-06-12 | 2015-09-09 | 成都数联铭品科技有限公司 | 一种用于复杂文字识别的随机样本产生方法 |
CN105069472A (zh) * | 2015-08-03 | 2015-11-18 | 电子科技大学 | 一种基于卷积神经网络自适应的车辆检测方法 |
CN106156794A (zh) * | 2016-07-01 | 2016-11-23 | 北京旷视科技有限公司 | 基于文字风格识别的文字识别方法及装置 |
CN107203606A (zh) * | 2017-05-17 | 2017-09-26 | 西北工业大学 | 基于卷积神经网络的自然场景下文本检测与识别方法 |
CN107292280A (zh) * | 2017-07-04 | 2017-10-24 | 盛世贞观(北京)科技有限公司 | 一种印鉴字体自动识别方法及识别装置 |
CN107644006A (zh) * | 2017-09-29 | 2018-01-30 | 北京大学 | 一种基于深度神经网络的手写体中文字库自动生成方法 |
CN107886065A (zh) * | 2017-11-06 | 2018-04-06 | 哈尔滨工程大学 | 一种混合字体的数字序列识别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147791A (zh) * | 2019-05-20 | 2019-08-20 | 上海联影医疗科技有限公司 | 文字识别方法、装置、设备及存储介质 |
CN110363117A (zh) * | 2019-06-28 | 2019-10-22 | 深圳数位传媒科技有限公司 | 一种对加密后的随机编码字符文件进行解析的方法及装置 |
CN113139629A (zh) * | 2020-01-16 | 2021-07-20 | 武汉金山办公软件有限公司 | 一种字体识别方法、装置、电子设备及存储介质 |
CN112784932A (zh) * | 2021-03-01 | 2021-05-11 | 北京百炼智能科技有限公司 | 一种字体识别方法、装置和存储介质 |
CN112784932B (zh) * | 2021-03-01 | 2024-06-07 | 北京百炼智能科技有限公司 | 一种字体识别方法、装置和存储介质 |
CN113657364A (zh) * | 2021-08-13 | 2021-11-16 | 北京百度网讯科技有限公司 | 用于识别文字标志的方法、装置、设备以及存储介质 |
CN113657364B (zh) * | 2021-08-13 | 2023-07-25 | 北京百度网讯科技有限公司 | 用于识别文字标志的方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308475A (zh) | 一种字体识别方法及装置 | |
CN108427953A (zh) | 一种文字识别方法及装置 | |
CN109522556A (zh) | 一种意图识别方法及装置 | |
CN109299344A (zh) | 排序模型的生成方法、搜索结果的排序方法、装置及设备 | |
CN109583297A (zh) | 视网膜oct体数据识别方法及装置 | |
CN107918656A (zh) | 基于视频标题的视频封面提取方法及装置 | |
CN107346433A (zh) | 一种文本数据分类方法及服务器 | |
US20190340516A1 (en) | System and method for quantitatively analyzing an idea | |
CN110288605A (zh) | 细胞图像分割方法和装置 | |
CN110222330A (zh) | 语义识别方法及装置、存储介质、计算机设备 | |
CN107463935A (zh) | 应用分类方法和应用分类装置 | |
CN107977624A (zh) | 一种语义分割方法、装置以及系统 | |
CN111914159A (zh) | 一种信息推荐方法及终端 | |
CN110135889A (zh) | 智能推荐书单的方法、服务器及存储介质 | |
Dias et al. | FreeLabel: a publicly available annotation tool based on freehand traces | |
CN109993187A (zh) | 一种用于识别物体类别的建模方法、机器人及存储装置 | |
CN107958270A (zh) | 类别识别方法、装置、电子设备及计算机可读存储介质 | |
CN115471283A (zh) | 广告批量投放方法、装置、设备及存储介质 | |
CN106874922A (zh) | 一种确定业务参数的方法及装置 | |
CN111353689A (zh) | 一种风险评估方法及装置 | |
CN110297914A (zh) | 语料标注方法和装置 | |
CN110390093A (zh) | 一种语言模型建立方法及装置 | |
CN108734718A (zh) | 用于图像分割的处理方法、装置、产品、存储介质及设备 | |
CN117611272A (zh) | 商品推荐方法、装置及电子设备 | |
CN110532448B (zh) | 基于神经网络的文档分类方法、装置、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190205 |
|
RJ01 | Rejection of invention patent application after publication |