CN109558844A - 基于图像归一化提升自定义模板识别率的方法及设备 - Google Patents
基于图像归一化提升自定义模板识别率的方法及设备 Download PDFInfo
- Publication number
- CN109558844A CN109558844A CN201811457329.5A CN201811457329A CN109558844A CN 109558844 A CN109558844 A CN 109558844A CN 201811457329 A CN201811457329 A CN 201811457329A CN 109558844 A CN109558844 A CN 109558844A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- image
- identified
- point
- coordinate
- 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
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/412—Layout analysis of documents structured with printed lines or input boxes, e.g. business forms or tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/414—Extracting the geometrical structure, e.g. layout tree; Block segmentation, e.g. bounding boxes for graphics or text
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于图像归一化提升自定义模板识别率的方法,包括如下步骤:获取待识别图和创建模板图;用模板图中所有的固定区域重新生成一张模板特征图;对待识别图和模板特征图,进行surf特征检测,识别并记录每个特征点;将待识别图的特征点与模板特征图中的特征点进行特征匹配,记录匹配成功的特征点的坐标;选出至少四个特征点组,利用透视变换公式,计算出透视变换矩阵;用透视变换矩阵计算待识别图中各像素点变换后的像素值,从而得到透视变换图像。本发明通过提取待识别图和模板图上对应特征点,计算透视变换矩阵,用透视变换矩阵计算待识别图中各像素点变换后的像素值,从而得到透视变换图像。
Description
技术领域
本发明涉及一种基于图像归一化提升自定义模板识别率方法的方法及设备,属于票据自动识别领域。
背景技术
使用固定格式排版的票据,打印出来的纸质票据也会有固定格式,请参阅图1,比如增值税专用发票,都具有“购买方”、“密码区”、“销售方”、“备注”等固定区域。因此,票据也有需要识别的套打区域,这些套打区域也有相对固定的位置。
使用模板自动识别,就是根据某种具有固定格式的票据,设计出一套可重复使用的模板,这种模板包含特定标记中每个需要识别区域的位置和区域的宽、高。按照模板中的位置对扫描或者拍摄后得到的电子版票据进行裁剪,得到精确区域的图像,再自动进行图像识别和OCR识别,可以提高记账处理效率。
在实际使用模板进行票据自动识别时,扫描或者拍摄后得到的票据影像与原始票据图像会存在差异。比如移动拍照时角度、高度、摄像头参数不同,会导致拍照出来的票据内容位置偏移问题。位置偏移,使用固定模板就会出现框不准、框不全等问题,进而裁剪不到正确的识别区域。
为了解决图像输入差异性问题,包括输入图像的尺寸,旋转角度,透视,偏移等问题,本文提出票据模板归一化方法,将待识别的票据图像,变换成标准样票相近的格式,使得需要识别的区域都能够比较准确的出现模板识别框内,以提高最终票据识别率。
发明内容
为了解决上述技术问题,本发明提供一种基于图像归一化提升自定义模板识别率方法,其解决了票据影像与标准样票之间的差异性问题,能够将待识别的票据影像变换成与标准样票相近的格式,使得需要识别的区域都能够比较准确的出现标准样票对应的模板识别框内,以提高最终票据识别率。
本发明的技术方案一如下:
基于图像归一化提升自定义模板识别率的方法,包括如下步骤:
获取待识别图和创建模板图;所述待识别图为需要自动识别的票据影像,所述模板图为票据模板所生成的票据影像;
提取模板图中所有固定区域重新生成一模板特征图;
对待识别图和模板特征图,进行surf特征检测,识别并记录每个特征点,包括特征点的surf特征信息和坐标信息;
将待识别图的特征点与模板特征图中的特征点进行特征匹配,记录匹配成功的特征点及该特征点在识别图和目标特征图上的坐标信息,并标记为一特征点组;
选出至少四个特征点组,利用透视变换公式,计算出透视变换矩阵;
用透视变换矩阵计算待识别图中各像素点变换后的像素值,从而得到透视变换图像,实现图像归一化。
更优地,用两个特征点的surf特征信息计算欧式距离,当欧式距离小于设定阈值时,判定为匹配成功;其中两所述特征点,一个位于待识别图中,另一个位于模板特征图中。
更优地,所述透视变换图像上任意一坐标的像素值的计算过程为:用透视变换图像上的点坐标乘上所述透视变换矩阵,求出该点在待识别图中的坐标,根据求出的坐标从待识别图中获取对应的像素值,将该像素值作为透视变换图像上的点坐标的像素值。
更优地,利用图像插值法,计算所述求出的坐标的像素值,将计算出的像素值作为透视变换图像上的点坐标的像素值。
更优地,所述图像插值法包括最近邻插值法、双线性插值法和双立方插值法。
本发明还提供一种基于图像归一化提升自定义模板识别率的设备。
本发明的技术方案二如下:
一种基于图像归一化提升自定义模板识别率的设备,包括存储器和处理器,所述存储器存储有指令,所述指令适于由处理器加载并执行以下步骤:
获取待识别图和创建模板图;所述待识别图为需要自动识别的票据影像,所述模板图为票据模板所生成的票据影像;
提取模板图中所有固定区域重新生成一模板特征图;
对待识别图和模板特征图,进行surf特征检测,识别并记录每个特征点,包括特征点的surf特征信息和坐标信息;
将待识别图的特征点与模板特征图中的特征点进行特征匹配,记录匹配成功的特征点及该特征点在识别图和目标特征图上的坐标信息,并标记为一特征点组;
选出至少四个特征点组,利用透视变换公式,计算出透视变换矩阵;
用透视变换矩阵计算待识别图中各像素点变换后的像素值,从而得到透视变换图像,实现图像归一化。
更优地,用两个特征点的surf特征信息计算欧式距离,当欧式距离小于设定阈值时,判定为匹配成功;其中两所述特征点,一个位于待识别图中,另一个位于模板特征图中。
更优地,所述透视变换图像上任意一坐标的像素值的计算过程为:用透视变换图像上的点坐标乘上所述透视变换矩阵,求出该点在待识别图中的坐标,根据求出的坐标从待识别图中获取对应的像素值,将该像素值作为透视变换图像上的点坐标的像素值。
更优地,利用图像插值法,计算所述求出的坐标的像素值,将计算出的像素值作为透视变换图像上的点坐标的像素值。
更优地,所述图像插值法包括最近邻插值法、双线性插值法和双立方插值法。
本发明具有如下有益效果:
1、本发明通过surf特征检测方法记录待识别图和模板特征图上的每个特征点,计算速度快,缩短特征提取时间;
2、本发明通过欧氏距离计算在m维空间中两个点之间的真实距离,从而确定分别位于待识别图和模板特征图上两特征点间的匹配度,从而确定匹配成功的特征点;
3、本发明通过随机抽样一致性算法,过滤掉错误匹配的特征点组,选出正确匹配成功的特征点组,确保透视变换矩阵的准确度;
4、本发明使用透视变换矩阵结合图像插值法计算待识别图中各像素点变换后的像素值,生成较少锯齿的透视变换图像,提高图像质量;
5、本发明能够解决待识别图中存在的格式差异问题,将存在的尺寸、旋转、透视、偏移等格式差异问题的待识别图转换成透视变换图像,从而使透视变换图像与模板图格式一致,因此,需要识别的区域都能够比较准确的出现标准样票对应的模板识别框内,从而最终提升待识别图的识别效果。
附图说明
图1为现有技术中通过套打打印出来的票据示意图;
图2为本发明方法流程图;
图3为本发明中模板图的示意图;
图4为本发明中待识别图的示意图;
图5为本发明中模板特征图的示意图(以部分固定区域为例);
图6为本发明中surf特征匹配示意图。
具体实施方式
下面结合附图和具体实施例来对本发明进行详细的说明。
实施例一
请参阅图2,一种基于图像归一化提升自定义模板识别率的方法,包括如下步骤:
获取待识别图和创建模板图;所述待识别图为需要自动识别的票据影像,如图4所示,所述模板图为票据模板所生成的票据影像,如图3所示;
提取模板图中所有的固定区域重新生成一张模板特征图,如图5所示;
在进行surf特征检测时,可以先对待识别图和模板特征图进行转灰度和高斯平滑处理,减少图像上的噪声或者失真;
对待识别图和模板特征图,进行surf特征检测,识别并记录每个特征点,包括特征点的surf特征信息和坐标信息;
surf特征点的提取基于尺度空间理论,对图像缩放、旋转、甚至仿射变换保持不变性的图像局部特征描述算子,计算速度快。例如,通过检测图像局部极值点来锁定特征点坐标,即局部的最亮点或最暗点;
将待识别图的特征点与模板特征图中的特征点进行特征匹配,记录匹配成功的特征点及该特征点在识别图和目标特征图上的坐标信息,并标记为一特征点组;具体地,用两个特征点的surf特征信息计算欧式距离,当欧式距离小于设定阈值时,判定为匹配成功;其中两所述特征点,一个位于待识别图中,另一个位于模板特征图中。欧氏距离越短,代表两个特征点的匹配度(即相似度)越好。请参阅图6,图中左半部显示模板特征图中找到的surf特征点,右半部显示图待识别图中找到的surf特征点,连线表格两幅图中特征点匹配成功。
选出至少四个特征点组,利用透视变换公式,计算出透视变换矩阵;较优地:透视变换是指利用透视中心、像点、目标点三点共线的条件,按透视旋转定律使承影面(透视面)绕迹线(透视轴)旋转某一角度,破坏原有的投影光线束,仍能保持承影面上投影几何图形不变的变换。简单的说,透视变换是三维空间中两个平面之间的转换。
所述透视变换公式为:其中,u,v,w是变换前三维空间坐标,即待识别图中特征点的三维坐标,x',y',w'是变换后三维空间的坐标,即模板图中相对应的特征点坐标;通过投影到二维平面,即得到透视变换图像上的坐标x,y,其中,w=1。所述为透视变换矩阵。
由于特征点匹配成功并不代表两幅图实际位置匹配正确,所以还可以使用随机抽样一致性算法(即RANSAC算法)对匹配成功的特征点进行筛选,至少选出四组匹配成功的特征点。例如,随机选择四组特征点,然后对其进行拟合,查看有多少其他点匹配到拟合的模型上,迭代这个过程直至有较大的概率找到我们想要拟合的模型。通过随机抽样一致性算法能够过滤掉错误匹配的特征点,得到正确对应的特征点;
用透视变换矩阵计算待识别图中各像素点变换后的像素值,从而得到透视变换图像,实现图像归一化。具体地,在生成归一化图像的过程中,为了获取透视变换图像上的某个坐标上的像素值,用该点坐标乘上透视变化矩阵,可以求出该点在待识别图中的坐标,根据求出的坐标从待识别图中获取对应的像素值,将该像素值作为透视变换图像上的点坐标的像素值。但是求出的坐标值可能是小数,不是刚好在整数坐标上,因此,在这种情况下,需要使用图像插值法,计算所述求出的坐标的像素值,将计算出的像素值作为透视变换图像上的点坐标的像素值。对于求出的坐标值刚好为整数点的坐标,同样也可以采用图像插值法处理像素值。采用图像插值法处理像素值,可以获取较少锯齿的图像,即减少透视变换图像中的出现锯齿的概率。所述图像插值法包括最近邻插值法、双线性插值法和双立方插值法。
以双线性插值算法为例,计算所述求出的坐标位置周围与之距离最近的四个整数点坐标,利用该四个整数点坐标上的像素值,计算出该坐标的像素值,将计算出的像素值作为透视变换图像上的点坐标的像素值。
需要说明的是:线性插值法,可以简单的认为是预估两个相邻点之间位置的值。线性插值法假设两点间的像素值关系是线性的。假设插值点P在图像相邻两点A,B之间,点A到点B像素增量为dg=g(b)-g(a),则点P的像素值为g(p)=g(a)+dg*|PA|。双线性插值,在数学上,双线性插值是对线性插值在二维直角网格上的扩展,用于对双变量函数(例如x和y)进行插值,其核心思想是在两个方向分别进行一次线性插值。
在本实施例中,采用surf特征检测方法提取特征点,并使用RANSAC算法选取匹配成功的特征点,计算出透视变换矩阵,使用透视变换矩阵计算待识别图中各像素点变换后的像素值,从而将存在的尺寸、旋转、透视、偏移等格式差异问题的待识别图转换成透视变换图像,实现图像归一化,需要识别的区域都能比较准确地出现在模板识别框内(模板识别框即模板中固定区域对应的填写区域,例如固定区域为“开户行”,则填写区域为“中国建设银行....支行”所在区域),从而最终提升待识别图的识别效果。
实施例二
请参阅图2,一种基于图像归一化提升自定义模板识别率方法的设备,包括存储器和处理器,所述存储器存储有指令,所述指令适于由处理器加载并执行以下步骤:获取待识别图和创建模板图,如图3和图4所示;
提取模板图中所有的固定区域重新生成一张模板特征图,如图5所示;
在进行surf特征检测时,可以先对待识别图和模板特征图进行转灰度和高斯平滑处理,减少图像上的噪声或者失真;
对待识别图和模板特征图,进行surf特征检测,识别并记录每个特征点,包括特征点的surf特征信息和坐标信息;surf特征点的提取基于尺度空间理论,对图像缩放、旋转、甚至仿射变换保持不变性的图像局部特征描述算子,计算速度快。例如,通过检测图像局部极值点来锁定特征点坐标,即局部的最亮点或最暗点;
将待识别图的特征点与模板特征图中的特征点进行特征匹配,记录匹配成功的特征点及该特征点在识别图和目标特征图上的坐标信息,并标记为一特征点组;具体地,用两个特征点的surf特征信息计算欧式距离,当欧式距离小于设定阈值时,判定为匹配成功;其中两所述特征点,一个位于待识别图中,另一个位于模板特征图中。欧氏距离越短,代表两个特征点的匹配度(即相似度)越好。请参阅图6,图中左半部显示模板特征图中找到的surf特征点,右半部显示图待识别图中找到的surf特征点,连线表格两幅图中特征点匹配成功。
选出至少四个特征点组,利用透视变换公式,计算出透视变换矩阵;较优地:透视变换是指利用透视中心、像点、目标点三点共线的条件,按透视旋转定律使承影面(透视面)绕迹线(透视轴)旋转某一角度,破坏原有的投影光线束,仍能保持承影面上投影几何图形不变的变换。简单的说,透视变换是三维空间中两个平面之间的转换。
所述透视变换公式为:其中,u,v,w是变换前三维空间坐标,即待识别图中特征点的三维坐标,x’,y’,w’是变换后三维空间的坐标,即模板图中相对应的特征点坐标;通过投影到二维平面,即得到透视变换图像上的坐标x,y,其中,w=1。所述为透视变换矩阵。
由于特征点匹配成功并不代表两幅图实际位置匹配正确,所以还可以使用随机抽样一致性算法(即RANSAC算法)对匹配成功的特征点进行筛选,至少选出四组匹配成功的特征点。例如,随机选择四组特征点,然后对其进行拟合,查看有多少其他点匹配到拟合的模型上,迭代这个过程直至有较大的概率找到我们想要拟合的模型。通过随机抽样一致性算法能够过滤掉错误匹配的特征点,得到正确对应的特征点;
用透视变换矩阵计算待识别图中各像素点变换后的像素值,从而得到透视变换图像,实现图像归一化。具体地,在生成归一化图像的过程中,为了获取透视变换图像上的某个坐标上的像素值,用该点坐标乘上透视变化矩阵,可以求出该点在待识别图中的坐标,根据求出的坐标从待识别图中获取对应的像素值,将该像素值作为透视变换图像上的点坐标的像素值。但是求出的坐标值可能是小数,不是刚好在整数坐标上,因此,在这种情况下,需要使用图像插值法,计算所述求出的坐标的像素值,将计算出的像素值作为透视变换图像上的点坐标的像素值。对于求出的坐标值刚好为整数点的坐标,同样也可以采用图像插值法处理像素值。采用图像插值法处理像素值,可以获取较少锯齿的图像,即减少透视变换图像中的出现锯齿的概率。所述图像插值法包括最近邻插值法、双线性插值法和双立方插值法。
以双线性插值算法为例,计算所述求出的坐标位置周围与之距离最近的四个整数点坐标,利用该四个整数点坐标上的像素值,计算出该坐标的像素值,将计算出的像素值作为透视变换图像上的点坐标的像素值。
需要说明的是:线性插值法,可以简单的认为是预估两个相邻点之间位置的值。线性插值法假设两点间的像素值关系是线性的。假设插值点P在图像相邻两点A,B之间,点A到点B像素增量为dg=g(b)-g(a),则点P的像素值为g(p)=g(a)+dg*|PA|。双线性插值,在数学上,双线性插值是对线性插值在二维直角网格上的扩展,用于对双变量函数(例如x和y)进行插值,其核心思想是在两个方向分别进行一次线性插值。
在本实施例中,采用surf特征检测方法提取特征点,并使用RANSAC算法选取匹配成功的特征点,计算出透视变换矩阵,使用透视变换矩阵计算待识别图中各像素点变换后的像素值,从而将存在的尺寸、旋转、透视、偏移等格式差异问题的待识别图转换成透视变换图像,实现图像归一化,需要识别的区域都能比较准确地出现在模板识别框内(模板识别框即模板中固定区域对应的填写区域,例如固定区域为“开户行”,则填写区域为“中国建设银行....支行”所在区域),从而最终提升待识别图的识别效果。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.基于图像归一化提升自定义模板识别率的方法,其特征在于,包括如下步骤:
获取待识别图和创建模板图;所述待识别图为需要自动识别的票据影像,所述模板图为票据模板所生成的票据影像;
提取模板图中所有固定区域重新生成一模板特征图;
对待识别图和模板特征图,进行surf特征检测,识别并记录每个特征点,包括特征点的surf特征信息和坐标信息;
将待识别图的特征点与模板特征图中的特征点进行特征匹配,记录匹配成功的特征点及该特征点在识别图和目标特征图上的坐标信息,并标记为一特征点组;
选出至少四个特征点组,利用透视变换公式,计算出透视变换矩阵;
用透视变换矩阵计算待识别图中各像素点变换后的像素值,从而得到透视变换图像,实现图像归一化。
2.根据权利要求1所述的基于图像归一化提升自定义模板识别率方法,其特征在于:所述特征匹配的过程为:用两个特征点的surf特征信息计算欧式距离,当欧式距离小于设定阈值时,判定为匹配成功;其中两所述特征点,一个位于待识别图中,另一个位于模板特征图中。
3.根据权利要求1所述的基于图像归一化提升自定义模板识别率方法,其特征在于:所述透视变换图像上任意一坐标的像素值的计算过程为:用透视变换图像上的点坐标乘上所述透视变换矩阵,求出该点在待识别图中的坐标,根据求出的坐标从待识别图中获取对应的像素值,将该像素值作为透视变换图像上的点坐标的像素值。
4.根据权利要求1所述的基于图像归一化提升自定义模板识别率方法,其特征在于:所述透视变换图像上任意一坐标的像素值的计算过程为:用透视变换图像上的点坐标乘上所述透视变换矩阵,求出该点在待识别图中的坐标,利用图像插值法,计算所述求出的坐标的像素值,将计算出的像素值作为透视变换图像上的点坐标的像素值。
5.根据权利要求4所述的基于图像归一化提升自定义模板识别率方法,其特征在于:所述图像插值法包括最近邻插值法、双线性插值法和双立方插值法。
6.基于图像归一化提升自定义模板识别率的设备,其特征在于:包括存储器和处理器,所述存储器存储有指令,所述指令适于由处理器加载并执行以下步骤:
获取待识别图和创建模板图;所述待识别图为需要自动识别的票据影像,所述模板图为票据模板所生成的票据影像;
提取模板图中所有固定区域重新生成一模板特征图;
对待识别图和模板特征图,进行surf特征检测,识别并记录每个特征点,包括特征点的surf特征信息和坐标信息;
将待识别图的特征点与模板特征图中的特征点进行特征匹配,记录匹配成功的特征点及该特征点在识别图和目标特征图上的坐标信息,并标记为一特征点组;
选出至少四个特征点组,利用透视变换公式,计算出透视变换矩阵;
用透视变换矩阵计算待识别图中各像素点变换后的像素值,从而得到透视变换图像,实现图像归一化。
7.根据权利要求6所述的基于图像归一化提升自定义模板识别率的设备,其特征在于:用两个特征点的surf特征信息计算欧式距离,当欧式距离小于设定阈值时,判定为匹配成功;其中两所述特征点,一个位于待识别图中,另一个位于模板特征图中。
8.根据权利要求6所述的基于图像归一化提升自定义模板识别率的设备,其特征在于:所述透视变换图像上任意一坐标的像素值的计算过程为:用透视变换图像上的点坐标乘上所述透视变换矩阵,求出该点在待识别图中的坐标,根据求出的坐标从待识别图中获取对应的像素值,将该像素值作为透视变换图像上的点坐标的像素值。
9.根据权利要求8所述的基于图像归一化提升自定义模板识别率的设备,其特征在于:利用图像插值法,计算所述求出的坐标的像素值,将计算出的像素值作为透视变换图像上的点坐标的像素值。
10.根据权利要求9所述的基于图像归一化提升自定义模板识别率的设备,其特征在于:所述图像插值法包括最近邻插值法、双线性插值法和双立方插值法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811457329.5A CN109558844A (zh) | 2018-11-30 | 2018-11-30 | 基于图像归一化提升自定义模板识别率的方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811457329.5A CN109558844A (zh) | 2018-11-30 | 2018-11-30 | 基于图像归一化提升自定义模板识别率的方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109558844A true CN109558844A (zh) | 2019-04-02 |
Family
ID=65868344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811457329.5A Pending CN109558844A (zh) | 2018-11-30 | 2018-11-30 | 基于图像归一化提升自定义模板识别率的方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109558844A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163974A (zh) * | 2019-05-22 | 2019-08-23 | 南京大学 | 一种基于无向图学习模型的单图像面片重建方法 |
CN110288040A (zh) * | 2019-06-30 | 2019-09-27 | 北京华融塑胶有限公司 | 一种基于拓扑验证的图像相似评判方法及设备 |
CN111507354A (zh) * | 2020-04-17 | 2020-08-07 | 北京百度网讯科技有限公司 | 信息抽取方法、装置、设备以及存储介质 |
CN111553334A (zh) * | 2020-04-21 | 2020-08-18 | 招商局金融科技有限公司 | 问卷图像识别方法、电子装置及存储介质 |
CN111881923A (zh) * | 2020-07-28 | 2020-11-03 | 民生科技有限责任公司 | 一种基于特征匹配的票据要素提取方法 |
CN113033578A (zh) * | 2021-03-30 | 2021-06-25 | 上海星定方信息科技有限公司 | 基于多尺度特征匹配的图像校准方法、系统、终端及介质 |
WO2022257433A1 (zh) * | 2021-06-10 | 2022-12-15 | 展讯通信(上海)有限公司 | 图像的特征图的处理方法及装置、存储介质、终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260733A (zh) * | 2015-09-11 | 2016-01-20 | 北京百度网讯科技有限公司 | 用于处理图像信息的方法和装置 |
CN105354550A (zh) * | 2015-11-03 | 2016-02-24 | 华东师范大学 | 一种基于图像局部特征点配准的表单内容提取方法 |
CN107123188A (zh) * | 2016-12-20 | 2017-09-01 | 北京联合众为科技发展有限公司 | 基于模板匹配算法和边缘特征的伤票识别与定位方法 |
CN108806059A (zh) * | 2018-05-08 | 2018-11-13 | 中山大学 | 基于特征点的票据对齐和八邻域连通体偏移修正的文本区域定位方法 |
-
2018
- 2018-11-30 CN CN201811457329.5A patent/CN109558844A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260733A (zh) * | 2015-09-11 | 2016-01-20 | 北京百度网讯科技有限公司 | 用于处理图像信息的方法和装置 |
CN105354550A (zh) * | 2015-11-03 | 2016-02-24 | 华东师范大学 | 一种基于图像局部特征点配准的表单内容提取方法 |
CN107123188A (zh) * | 2016-12-20 | 2017-09-01 | 北京联合众为科技发展有限公司 | 基于模板匹配算法和边缘特征的伤票识别与定位方法 |
CN108806059A (zh) * | 2018-05-08 | 2018-11-13 | 中山大学 | 基于特征点的票据对齐和八邻域连通体偏移修正的文本区域定位方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163974A (zh) * | 2019-05-22 | 2019-08-23 | 南京大学 | 一种基于无向图学习模型的单图像面片重建方法 |
CN110163974B (zh) * | 2019-05-22 | 2020-09-04 | 南京大学 | 一种基于无向图学习模型的单图像面片重建方法 |
CN110288040A (zh) * | 2019-06-30 | 2019-09-27 | 北京华融塑胶有限公司 | 一种基于拓扑验证的图像相似评判方法及设备 |
CN110288040B (zh) * | 2019-06-30 | 2022-02-11 | 北京华融塑胶有限公司 | 一种基于拓扑验证的图像相似评判方法及设备 |
CN111507354A (zh) * | 2020-04-17 | 2020-08-07 | 北京百度网讯科技有限公司 | 信息抽取方法、装置、设备以及存储介质 |
CN111507354B (zh) * | 2020-04-17 | 2023-12-12 | 北京百度网讯科技有限公司 | 信息抽取方法、装置、设备以及存储介质 |
CN111553334A (zh) * | 2020-04-21 | 2020-08-18 | 招商局金融科技有限公司 | 问卷图像识别方法、电子装置及存储介质 |
CN111881923A (zh) * | 2020-07-28 | 2020-11-03 | 民生科技有限责任公司 | 一种基于特征匹配的票据要素提取方法 |
CN113033578A (zh) * | 2021-03-30 | 2021-06-25 | 上海星定方信息科技有限公司 | 基于多尺度特征匹配的图像校准方法、系统、终端及介质 |
WO2022257433A1 (zh) * | 2021-06-10 | 2022-12-15 | 展讯通信(上海)有限公司 | 图像的特征图的处理方法及装置、存储介质、终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109558844A (zh) | 基于图像归一化提升自定义模板识别率的方法及设备 | |
CN108701234A (zh) | 车牌识别方法及云系统 | |
US9805281B2 (en) | Model-based dewarping method and apparatus | |
US20140247470A1 (en) | Camera-based document imaging | |
US20110298799A1 (en) | Method for replacing objects in images | |
CN111507908B (zh) | 图像矫正处理方法、装置、存储介质及计算机设备 | |
CN109948135A (zh) | 一种基于表格特征归一化图像的方法及设备 | |
JP2012510235A (ja) | 曲線修正のためのイメージ処理 | |
CN111860527A (zh) | 图像校正方法、图像校正装置、计算机设备及存储介质 | |
CN111079571A (zh) | 证卡信息识别及其边缘检测模型训练方法、装置 | |
CN108197624A (zh) | 证书图像校正识别方法及装置、计算机存储介质 | |
JP7076772B2 (ja) | 認証システムおよび認証方法 | |
CN110807454A (zh) | 基于图像分割的文字定位方法、装置、设备及存储介质 | |
CN113903024A (zh) | 一种手写票据数值信息识别方法、系统、介质及装置 | |
CN110288040B (zh) | 一种基于拓扑验证的图像相似评判方法及设备 | |
CN109558846A (zh) | 基于ocr模板归一化提升自定义模板识别率方法及设备 | |
JP4859061B2 (ja) | 画像の補正方法、補正プログラムおよび画像歪み補正装置 | |
CN111754461B (zh) | 半导体芯片图像字符区域的定位方法、装置 | |
CN210209071U (zh) | 基于ccd图像识别的快速打标系统 | |
CN115063279B (zh) | 一种文本水印图像的预处理方法和装置 | |
CN111611994A (zh) | 图像提取方法、装置、电子设备和存储介质 | |
KR101766787B1 (ko) | Gpu장치를 기반으로 하는 딥러닝 분석을 이용한 영상 보정 방법 | |
CN114359923A (zh) | 证件字符识别方法、装置、计算机及存储介质 | |
CN113177542A (zh) | 识别印章文字的方法、装置、设备和计算机可读介质 | |
CN111079700B (zh) | 一种基于多种数据类型融合的三维人脸识别方法 |
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 |