CN110287752A - 一种点阵码检测方法及装置 - Google Patents
一种点阵码检测方法及装置 Download PDFInfo
- Publication number
- CN110287752A CN110287752A CN201910554306.4A CN201910554306A CN110287752A CN 110287752 A CN110287752 A CN 110287752A CN 201910554306 A CN201910554306 A CN 201910554306A CN 110287752 A CN110287752 A CN 110287752A
- Authority
- CN
- China
- Prior art keywords
- image
- parity check
- point
- region
- code
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
- G06K7/1443—Methods for optical code recognition including a method step for retrieval of the optical code locating of the code in an image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Toxicology (AREA)
- Electromagnetism (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种点阵码检测方法及装置,方法包括:获得目标图像;对目标图像进行灰度处理,得到灰度图像;对灰度图像进行二值化处理,得到二值化图像;基于二值化图像中的图像能量参数,识别二值化图像中预测包含点阵码码点的区域,以得到至少一个识别区域;利用预设的点阵码训练模型,对至少一个识别区域进行过滤,以得到至少一个识别区域中确定包含点阵码码点的目标区域。可见,本发明中在找到二值化图像中可能包含点阵码码点的区域之后,利用点阵码训练模型进行再次筛选,实现点阵码所在区域的快速定位,由此在后续点阵码识别中只对确定包含点阵码码点的区域进行点阵码识别,从而减少识别耗时,达到提高识别效率的目的。
Description
技术领域
本发明涉及点阵码检测技术领域,尤其涉及一种点阵码检测方法及装置。
背景技术
目前现有的点阵码检测方案中,所拍摄到的待检测图像中存在与码点具有相似能量(灰度像素)分布的背景图像,在后续的识别检测中,可能会将这些背景图像误判断成码区,由此会增加待识别码区或码点的数量或面积,导致识别耗时较长,识别效率较低。
因此,亟需一种能够快速检测出点阵码所在区域的技术方案。
发明内容
有鉴于此,本发明提供一种点阵码检测方法及装置,用于解决现有技术中点阵码识别效率较低的技术问题。
本发明提供了一种点阵码检测方法,包括:
获得目标图像;
对所述目标图像进行灰度处理,得到灰度图像;
对所述灰度图像进行二值化处理,得到二值化图像;
基于所述二值化图像中的图像能量参数,识别所述二值化图像中预测包含点阵码码点的区域,以得到至少一个识别区域;
利用预设的点阵码训练模型,对所述至少一个识别区域进行过滤,以得到所述至少一个识别区域中确定包含点阵码码点的目标区域。
上述方法,优选的,所述点阵码训练模型为基于卷积神经网络CNN训练生成的模型。
上述方法,优选的,基于所述二值化图像中的图像能量参数,识别所述二值化图像中预测包含点阵码码点的区域,包括:
利用滑动窗口对所述二值化图像进行图像遍历,以获得每个所述滑动窗口下的窗口区域的图像能量参数;
基于所述图像能量参数,确定至少一个目标窗口区域,所述目标窗口区域中包含点阵码码点;
对存在区域交集的所述目标窗口区域进行合并,得到至少一个识别区域。
上述方法,优选的,对所述灰度图像进行二值化处理,得到二值化图像,包括:
获得所述灰度图像的整图灰度均值;
获得与所述整图灰度均值相对应的阈值区间及所述阈值区间对应的阈值间隔值;
基于所述阈值区间和所述阈值间隔值,确定所述灰度图像的二值化阈值;
以所述二值化阈值,对所述灰度图像进行二值化处理,得到二值化图像。
上述方法,优选的,对所述灰度图像进行二值化处理,得到二值化图像,包括:
对所述灰度图像进行分区,得到多个分区图像;
获得每个所述分区图像的分区灰度均值及其对应的阈值系数;
将所述分区灰度均值与其对应阈值系数相乘,得到所述分区图像的二值化阈值;
以所述二值化阈值,分别对所述二值化阈值对应的分区图像进行二值化处理,得到二值化图像。
上述方法,优选的,获得每个所述滑动窗口下的窗口区域的图像能量参数,包括:
利用积分图计算方法对每个所述滑动窗口下的窗口区域的图像能量参数进行计算,以得到每个所述窗口区域的图像能量参数;
其中,所述图像能量参数包括:所述窗口区域的图像能量值或所述窗口区域的图像能量密度。
上述方法,优选的,基于所述图像能量参数,确定至少一个目标窗口区域,包括:
在所述图像能量参数满足预设的标准码区能量范围的情况下,计算所述窗口区域在经过腐蚀处理后的腐蚀能量参数;
对所述图像能量参数与所述腐蚀能量参数满足预设的腐蚀规则的窗口区域进行分块,得到多个区域子块;
计算所述区域子块的子块能量参数;
将所述区域子块的子块能量参数满足预设的子块能量规则的所述窗口区域确定为包含点阵码码点的目标窗口区域。
上述方法,优选的,所述图像能量参数与所述腐蚀能量参数满足预设的腐蚀规则,包括:
所述图像能量参数处于第一参数范围,所述腐蚀能量参数处于第二参数范围,所述图像能量参数与所述腐蚀能量参数之间差值处于第三参数范围;
其中,所述区域子块的子块能量参数满足预设的子块能量规则,包括:
所述区域子块的子块能量参数处于所述第一参数范围,且关于所述窗口区域中预设的基准线对称的区域子块之间的子块能量参数的差值处于第四参数范围。
上述方法,优选的,还包括:
对所述二值化图像利用形态学算法进行滤波;
其中,所述形态学算法至少包括:开运算和膨胀运算进行组合形成的运算算法。
本发明还提供了一种点阵码检测装置,包括:
图像获得单元,用于获得目标图像;
灰度处理单元,用于对所述目标图像进行灰度处理,得到灰度图像;
二值化处理单元,用于对所述灰度图像进行二值化处理,得到二值化图像;
能量检测单元,用于基于所述二值化图像中的图像能量参数,识别所述二值化图像中预测包含点阵码码点的区域,以得到至少一个识别区域;
模型过滤单元,用于利用预设的点阵码训练模型,对所述至少一个识别区域进行过滤,以得到所述至少一个识别区域中确定包含点阵码码点的目标区域。
从上述技术方案可以看出,本发明提供的一种点阵码检测方法及装置,在对图像进行灰度及二值化处理之后,通过利用二值化图像的图像能量参数来对二值化图像中包含点阵码码点的识别区域进行检测,进而在预测出可能包含点阵码码点的识别区域之后,对这些识别区域利用预设的点阵码训练模型进行过滤分类,以过滤出确定包含点阵码码点的目标区域,再对目标区域的图像进行点阵码识别,以此来获得识别结果。可见,本发明中对图像二值化之后通过对图像能量参数进行获取,进而找到二值化图像中可能包含点阵码码点的区域之后,利用点阵码训练模型进行再次筛选,实现点阵码所在区域的快速定位,由此在后续点阵码识别中只对确定包含点阵码码点的区域进行点阵码识别,从而减少识别耗时,达到提高识别效率的目的。
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简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明实施例一提供的一种点阵码检测方法的流程图;
图2为本发明实施例一提供的一种点阵码检测方法的部分流程图;
图3为本发明实施例二提供的一种点阵码检测装置的结构图;
图4为本发明实施例二提供的一种点阵码检测装置的另一结构图;
图5为本发明实施例的示例流程图。
具体实施方式
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,所描述的实施例仅仅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做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。
参考图1,为本发明实施例一提供的一种点阵码检测方法的实现流程图,该方法适用于能够进行图像处理的设备中,如计算机或服务器等。本实施例中的方法主要用于对点阵码进行快速有效的识别。
具体的,本实施例中的方法可以包括以下步骤:
步骤101:获得目标图像。
其中,目标图像可以为通过摄像头或相机等设备采集到的图像,如手机摄像头或POS机扫描口等对需要进行点阵码识别的区域或场景下进行图像采集所获得的图像,该目标图像中包含待识别的点阵码码点图像,也可能包含有背景区域图像。
步骤102:对目标图像进行灰度处理,得到灰度图像。
其中,本实施例中可以利用分量法、最大值法、平均值法或加权平均法等算法对目标图像进行灰度处理,使得目标图像中的RGB三项数据相一致,得到灰度图像。
需要说明的是,灰度图像中像素的像素值可以为0到255中的任一值。
其中,本实施例中进一步的可以对尺寸过大如大于一定值的灰度图像进行压缩,从而减少数据处理量级。
步骤103:对灰度图像进行二值化处理,得到二值化图像。
其中,本实施例中可以根据灰度图像中的清晰度值或者灰度图像中的图像元素多样程度或者像素复杂程度来使用不同的二值化处理算法,对灰度图像进行二值化。例如,如果灰度图像中清晰度较高或者灰度图像中图像元素较少或者像素复杂度较低时,可以采用基于全局阈值的二值化处理算法,反之,可以采用基于局部阈值的二值化处理算法。
需要说明的是,二值化图像中像素的像素值为0或255。
步骤104:基于二值化图像的图像能量参数,识别二值化图像中预测包含点阵码码点的区域,以得到少一个识别区域。
其中,本实施例中获得的识别区域为包含点阵码码点的区域。也就是说,本实施例中基于二值化图像的图像能量参数对二值化图像中的点阵码码点进行初始的筛选及确定,从而得到二值化图像中可能包含点阵码码点的识别区域。
需要说明的是,本实施例中二值化图像的图像能量参数能够表征二值化图像中各像素的分布及像素值,本实施例中利用点阵码码点图像特有的图像能量特点,通过对二值化图像的图像能量参数进行解析,进而获得二值化图像中包含点阵码码点的识别区域。
其中,包含点阵码码点的识别区域可以为一个或多个,即目标图像中可能包含一个或多个点阵码。
步骤105:利用预设的点阵码训练模型,对至少一个识别区域进行过滤,以得到确定包含点阵码码点的目标区域。
其中,目标区域是在前文中预测出可能包含点阵码码点的识别区域中过滤,具体的,利用预设的点阵码训练模型对每个识别区域中的图像进行分类,以区分出识别区域中的图像是包含点阵码码点的图像,还是不包含点阵码码点的图像,由此确定目标区域,实现点阵码所在区域的快速定位。
步骤106:对目标区域的图像进行点阵码识别,得到识别结果。
其中,本实施例中可以利用点阵码识别算法对确定包含点阵码码点的目标区域的图像进行识别,以得到识别结果,如网页链接、名片等结果。可见,本实施例中只对二值化图像中确定包含点阵码码点的目标区域进行点阵码识别,而对其他区域的图像不进行识别,从而减少识别耗时。
需要说明的是,本实施例中在得到目标区域之后,该目标区域可以用于如前述的点阵码识别,也可以用于其他场景,如点阵码打印输出或者码点修改等,不仅限于点阵码识别场景。基于本实施例中得到的目标区域,所能够实现的各种场景下的技术方案均在本申请的保护范围内。
由上述方案可知,本发明实施例一提供的一种点阵码检测方法,在对图像进行灰度及二值化处理之后,通过利用二值化图像的图像能量参数来对二值化图像中包含点阵码码点的识别区域进行检测,进而在预测出可能包含点阵码码点的识别区域之后,对这些识别区域利用预设的点阵码训练模型进行过滤分类,以过滤出确定包含点阵码码点的目标区域,再对目标区域的图像进行点阵码识别,以此来获得识别结果。可见,本实施例中对图像二值化之后通过对图像能量参数进行获取,进而找到二值化图像中可能包含点阵码码点的区域之后,利用点阵码训练模型进行再次筛选,,实现点阵码所在区域的快速定位,由此在后续点阵码识别中只对确定包含点阵码码点的区域进行点阵码识别,从而减少识别耗时,达到提高识别效率的目的。
在一种实现方式中,点阵码训练模型可以为基于卷积神经网络(CNN,ConvolutionalNeuralNetworks)对大量训练样本如包含点阵码码点的图像样本或者点阵码样本等进行深度学习后所构建的数学模型,该数学模型可以采用N(N大于3)层特征提取,从而对识别区域进行分类,以区分出包含点阵码码点的识别区域即目标区域,也区分出不包含点阵码码点的识别区域,即过滤出非码区,进一步的,这些不包含的点阵码码点的识别区域不再进行点阵码识别,由此减少识别耗时,进一步提高识别效率。
在一种实现方式中,图1中的步骤104在基于二值化图像的图像能量参数得到识别区域时,可以通过以下方式实现,如图2中所示:
步骤201:利用滑动窗口对二值化图像进行图像遍历,以获得每个滑动窗口下的窗口区域的图像能量参数。
其中,滑动窗口可以为递变尺寸(N*N,N的上下限可以根据历史实验数据设置)的窗口,本实施例中利用递变尺寸的滑动窗口对二值化图像进行遍历,以得到遍历后的多个窗口区域,并对各窗口区域的图像能量参数进行计算。
具体的,本实施例中可以利用快速的积分图计算方法对每个滑动窗口下的窗口区域的图像能量参数进行计算,以得到每个窗口区域的图像能量参数。
其中,图像能量参数可以包括有:窗口区域的图像能量值或窗口区域的图像能量密度。其中,窗口区域的图像能量值是指窗口区域中基于像素的能量值,如灰度值,而图像能量密度为图像能量值与像素个数的比值。
步骤202:基于图像能量参数,确定至少一个目标窗口区域。
其中,目标窗口区域中包含点阵码码点,这里的包含是指预测包含,也就是说,目标窗口区域中预测的可能包含有点阵码码点,其他窗口区域不包含点阵码码点。
具体的,本实施例中在获得窗口区域的图像能量参数之后,可以首先判断图像能量参数是否满足预设的标准码区能量范围,其中,标准码区能量范围是指:一个标准码区的码图能量或能量密度对应的范围,具体可以根据点阵码印刷标准中的印刷像素来计算获得,并通过大量样本(不同种类不同场景下的样本)加以校正,设置能量范围中的上限和下限,由此,本实施例中可以判断图像能量参数中的能量值或能量密度是否处于对应的标准码区能量值范围或密度范围,来判断图像能量参数是否满足标准码区能量范围;
如果图像能量参数是否满足预设的标准码区能量范围,那么计算窗口区域在经过腐蚀处理后的腐蚀能量参数,其中,计算腐蚀能量参数具体可以为:对窗口区域进行腐蚀运算,再对腐蚀后的窗口区域的图像计算得到腐蚀能量值或腐蚀能量密度,由此得到腐蚀能量参数;需要说明的是,腐蚀处理会将像素区域较小的像素腐蚀消除,而保留像素区域较大的像素,也就是说,本实施例中的腐蚀处理可以理解为对窗口区域中的点状的像素区域进行腐蚀消除,而保留块状的像素区域,相应的,在如果窗口区域经过腐蚀处理后,窗口区域的能量参数发生变化,与腐蚀之前的能量参数之间具有较大的区别,如腐蚀处理后的窗口区域的能量值或能量密度会下降等。
之后,对图像能量参数与腐蚀能量参数满足预设的腐蚀规则的窗口区域(没有经过腐蚀处理的窗口区域)进行分块,得到多个区域子块,其中,图像能量参数与腐蚀能量参数满足腐蚀规则,是指:所述图像能量参数处于第一参数范围,腐蚀能量参数处于第二参数范围,所述图像能量参数与所述腐蚀能量参数之间差值处于第三参数范围,例如,第一参数范围为30-120的能量值范围,第二参数范围为10-40的能量值范围,第三参数范围可以为60-110的能量值范围,对于腐蚀前的能量值处于30-120,腐蚀后的能量值处于10-40,且腐蚀前后的能量差在60-110的窗口区域可以认为是包含点阵码码点的区域,而对于其他区域则认为是噪声或者其他情况的区域,例如:如果某个窗口区域腐蚀前的图像灰度平均值为100,而腐蚀后的图像灰度平均值为20,那么差值80大于60且小于110,那么认为窗口区域是包含点阵码码点的区域,而如果某个窗口区域腐蚀前的图像灰度平均值为100,而腐蚀后的图像灰度平均值为80,那么差值20已经不在60-110的范围,那么认为窗口区域中属于包含成片的像素区块的区域,而并不是点阵码码点的区域,等等,由此,本实施例中对图像能量值在第一参数范围、腐蚀能量值在第二参数范围且能量值差值在第三参数范围的窗口区域进行分块,每个窗口区域可以被分为多个区域子块;
具体的,对窗口区域的分块可以按照一定的规则进行,例如,将窗口区域平均分成四个子块外加取中间部分共五个子块,进一步的取中间十字区域及四周边框的区域子块,等等;
然后,对分块来的区域子块分别计算子块能量参数,如子块能量值或子块能量密度等,具体的可以利用快速的积分图计算方法计算子块能量值和子块能量密度;
最后,将区域子块的子块能量参数满足预设的子块能量规则的窗口区域确定为包含点阵码区域的目标窗口区域,其中,区域子块的子块能量参数满足预设的子块能量规则,可以为:所述区域子块的子块能量参数处于所述第一参数范围,且关于所述窗口区域中预设的基准线对称的区域子块之间的子块能量参数的差值处于第四参数范围,也就是说,在窗口区域中区域子块之间关于子块能量值或子块能量密度相同或相近到差值在值较小的第四参数范围内,如0-10的能量值范围,且区域子块的子块能量值仍然处于窗口区域的图像能量值所在的第一参数范围内,此时,确定该窗口区域中包含点阵码码点,并标记该窗口区域为目标窗口区域。
需要说明的是,目标窗口区域可以为一个或者多个,即在滑动窗口下的各个窗口区域中可能存在一个或多个包含点阵码码点的窗口区域。
步骤203:对存在区域交集的目标窗口区域进行合并,得到至少一个识别区域。
其中,本实施例中可以通过对目标窗口区域之间在水平、数值、倾斜等各个方向上进行判断,以确定出在各方向上存在交集的目标窗口区域,将这些存在交集的目标窗口区域进行合并,即:对目标窗口区域之间取合集,获得能够属于同一片图像区域即连成片的目标窗口区域,最终得到合并的区域,即为识别区域,而不能进行合并的目标窗口区域则作为一个单独的识别区域保留,由此,这里的识别区域可能是一个或者多个。
在一种实现方式中,图1中的步骤103在对灰度图像进行二值化处理时可以根据灰度图像的清晰度或者灰度图像中的元素复杂度采用不同的二值化处理方式,如下:
在一种处理方式中,步骤103可以通过全局阈值的二值化算法实现,如下:
首先,获得灰度图像的整图灰度均值,如计算整图的各个像素的灰度值的平均值;
之后,获得与整图灰度均值相对应的阈值区间及阈值区间对应的阈值间隔值,其中,本实施例中可以利用历史经验数据预先设置多个阈值区间及其阈值间隔值,例如,通过收集基于全局阈值的二值化处理中所收敛到的多个历史阈值来确定不同的全局灰度均值对应的阈值区间及相应进行迭代的阈值间隔,本实施例中在获得整图灰度均值之后在这些阈值区间中确定与整图灰度均值相对应的阈值区间及该阈值区间对应的阈值间隔值;
然后,基于阈值区间和阈值间隔值,确定灰度图像的二值化阈值,例如,在阈值区间内,每隔一个阈值间隔值取一个阈值对灰度图像进行迭代计算,最终确定灰度图像的二值化阈值;
最后,以灰度图像的二值化阈值,对灰度图像进行二值化处理,得到二值化图像,例如,对于灰度值大于二值化阈值的像素设置像素值为255,即白色像素,对于灰度值小于二值化阈值的像素设置像素值为0,即黑色像素。
在另一种处理方式中,步骤103可以通过局部阈值的二值化算法实现,如下:
首先,对灰度图像进行分区,得到多个分区图像;
之后,获得每个分区图像的分区灰度均值及其对应的阈值系数,其中,分区灰度均值可以通过对每个分区图像的像素的灰度值进行加和再平均计算得到,而阈值系数为预设值,不同的分区灰度均值对应于不同的阈值系数,如0.1、0.3或0.6等,而预设的阈值系数的总和为1,也就是说,对于不同的分区灰度均值在其阈值计算中所占的权重不同;
然后,将分区灰度均值与其对应的阈值系数相乘,得到分区图像的二值化阈值,也就是说,将分区图像的分区灰度均值与其对应的阈值系数相乘,得到的乘积即为该分区图像的二值化阈值;
最后,以二值化阈值,分别对二值化阈值对应的分区图像进行二值化处理,得到二值化图像,例如,在各个分区图像中,对于灰度值大于该分区图像的二值化阈值的像素设置像素值为255,即白色像素,对于灰度值小于该分区图像的二值化阈值的像素设置像素值为0,即黑色像素。
在具体实现中,为了提高包含点阵码码点的识别区域的准确性,可以在得到二值化图像之后,对二值化图像进行滤波,例如,利用形态学算法对二值化图像进行滤波,再对滤波之后的二值化图像进行图像能量参数计算及后续的区域识别,进而得到包含点阵码码点的识别区域,再经过点阵码训练模型的分类过滤之后得到确定包含点阵码码点的目标区域,进而进行点阵码识别后,得到识别结果。
具体的,本实施例中的形态学算法中可以为:开运算和膨胀运算组合形成的运算算法,例如:对于二值化图像可以进行一次开运算,可以消除这部分噪声同时保持码点不变,同时进行一次膨胀运算,可以使码点区的码点变得充实显著,将两次的结果进行复合,得到滤波后的二值化图像,从而消除二值化图像中的噪声,也能够得到二值化图像中更清晰的码点。
参考图3,为本发明实施例二提供的一种点阵码检测装置的结构示意图,该装置适用于能够进行图像处理的设备中,如计算机或服务器等。本实施例中的装置主要用于对点阵码进行快速有效的识别。
具体的,本实施例中的装置可以包括以下功能单元:
图像获得单元301,用于获得目标图像。
其中,图像获得单元301可以为摄像头或相机等设备上的功能单元,用于对目标图像进行采集,目标图像可以为如手机摄像头或POS机扫描口等对需要进行点阵码识别的区域或场景下进行图像采集所获得的图像,该目标图像中包含待识别的点阵码码点图像,也可能包含有背景区域图像。
灰度处理单元302,用于对所述目标图像进行灰度处理,得到灰度图像。
其中,本实施例中灰度处理单元302可以利用分量法、最大值法、平均值法或加权平均法等算法对目标图像进行灰度处理,使得目标图像中的RGB三项数据相一致,得到灰度图像。
需要说明的是,灰度图像中像素的像素值可以为0到255中的任一值。
二值化处理单元303,用于对所述灰度图像进行二值化处理,得到二值化图像。
其中,本实施例中二值化处理单元303可以根据灰度图像中的清晰度值或者灰度图像中的图像元素多样程度或者像素复杂程度来使用不同的二值化处理算法,对灰度图像进行二值化。例如,如果灰度图像中清晰度较高或者灰度图像中图像元素较少或者像素复杂度较低时,可以采用基于全局阈值的二值化处理算法,反之,可以采用基于局部阈值的二值化处理算法。
需要说明的是,二值化图像中像素的像素值为0或255。
能量检测单元304,用于基于所述二值化图像的图像能量参数,识别二值化图像中预测包含点阵码码点的区域,以得到少一个识别区域。
其中,本实施例中获得的识别区域为包含点阵码码点的区域。也就是说,本实施例中能量检测单元304基于二值化图像的图像能量参数对二值化图像中的点阵码码点进行初始的筛选及确定,从而得到二值化图像中可能包含点阵码码点的识别区域。
需要说明的是,本实施例中二值化图像的图像能量参数能够表征二值化图像中各像素的分布及像素值,本实施例中能量检测单元304利用点阵码码点图像特有的图像能量特点,通过对二值化图像的图像能量参数进行解析,进而获得二值化图像中包含点阵码码点的识别区域,实现点阵码所在区域的快速定位。
其中,包含点阵码码点的识别区域可以为一个或多个,即目标图像中可能包含一个或多个点阵码。
模型过滤单元305,用于利用预设的点阵码训练模型,对至少一个识别区域进行过滤,以得到确定包含点阵码码点的目标区域。
其中,目标区域是在前文中预测出可能包含点阵码码点的识别区域中过滤,具体的,利用预设的点阵码训练模型对每个识别区域中的图像进行分类,以区分出识别区域中的图像是包含点阵码码点的图像,还是不包含点阵码码点的图像,由此确定目标区域。
区域识别单元306,用于对所述目标区域的图像进行点阵码识别,得到识别结果。
其中,本实施例中区域识别单元306可以利用点阵码识别算法对确定包含点阵码码点的目标区域的图像进行识别,以得到识别结果,如网页链接、名片等结果。可见,本实施例中只对二值化图像中确定包含点阵码码点的目标区域进行点阵码识别,而对其他区域的图像不进行识别,从而减少识别耗时。
由上述方案可知,本发明实施例二提供的一种点阵码检测装置,在对图像进行灰度及二值化处理之后,通过利用二值化图像的图像能量参数来对二值化图像中包含点阵码码点的识别区域进行检测,进而在预测出可能包含点阵码码点的识别区域之后,对这些识别区域利用预设的点阵码训练模型进行过滤分类,以过滤出确定包含点阵码码点的目标区域,再对目标区域的图像进行点阵码识别,以此来获得识别结果。可见,本实施例中对图像二值化之后通过对图像能量参数进行获取,进而找到二值化图像中可能包含点阵码码点的区域之后,利用点阵码训练模型进行再次筛选,实现点阵码所在区域的快速定位,由此在后续点阵码识别中只对确定包含点阵码码点的区域进行点阵码识别,从而减少识别耗时,达到提高识别效率的目的。
在一种实现方式中,点阵码训练模型可以为基于卷积神经网络CNN对大量训练样本如包含点阵码码点的图像样本或者点阵码样本等进行深度学习后所构建的数学模型。
在一种实现方式中,二值化处理单元303对所述灰度图像进行二值化处理可以通过以下方式实现:
获得所述灰度图像的整图灰度均值;获得与所述整图灰度均值相对应的阈值区间及所述阈值区间对应的阈值间隔值;基于所述阈值区间和所述阈值间隔值,确定所述灰度图像的二值化阈值;以所述二值化阈值,对所述灰度图像进行二值化处理,得到二值化图像。
或者,二值化处理单元303对所述灰度图像进行二值化处理也可以通过以下方式实现:
对所述灰度图像进行分区,得到多个分区图像;获得每个所述分区图像的分区灰度均值及其对应的阈值系数;将所述分区灰度均值与其对应阈值系数相乘,得到所述分区图像的二值化阈值;以所述二值化阈值,分别对所述二值化阈值对应的分区图像进行二值化处理,得到二值化图像。
在一种实现方式中,能量检测单元304在基于所述二值化图像的图像能量参数得到识别区域时,可以通过以下方式实现:
首先,利用滑动窗口对所述二值化图像进行图像遍历,以获得每个所述滑动窗口下的窗口区域的图像能量参数,例如,利用积分图计算方法对每个所述滑动窗口下的窗口区域的图像能量参数进行计算,以得到每个所述窗口区域的图像能量参数;其中,所述图像能量参数包括:所述窗口区域的图像能量值或所述窗口区域的图像能量密度;
其次,基于所述图像能量参数,确定至少一个目标窗口区域,所述目标窗口区域中包含点阵码码点,例如,在所述图像能量参数满足预设的标准码区能量范围的情况下,计算所述窗口区域在经过腐蚀处理后的腐蚀能量参数;对所述图像能量参数与所述腐蚀能量参数满足预设的腐蚀规则(如所述图像能量参数处于第一参数范围,所述腐蚀能量参数处于第二参数范围,所述图像能量参数与所述腐蚀能量参数之间的差值处于第三参数范围)的窗口区域进行分块,得到多个区域子块;计算所述区域子块的子块能量参数;将所述区域子块的子块能量参数满足预设的子块能量规则(如所述区域子块的子块能量参数处于所述第一参数范围,且关于所述窗口区域中预设的基准线对称的区域子块之间的子块能量参数的差值处于第四参数范围)的所述窗口区域确定为包含点阵码码点的目标窗口区域;
最后,对存在区域交集的所述目标窗口区域进行合并,得到至少一个识别区域;
进一步的,本实施例中的装置还可以包括有滤波单元307,如图4中所示,其中滤波单元307主要用于:
在二值化处理单元303得到二值化图像之后,对所述二值化图像利用形态学算法进行滤波,经过滤波的二值化图像传输给能量检测单元304;
其中,所述形态学算法包括:开运算和膨胀运算组合形成的运算算法,由此,利用形态学算法对二值化图像进行滤波后,消除二值化图像中的噪声,也能够得到二值化图像中更清晰的码点。
以下结合图5中的流程图,以用户手机识别建筑物墙体上的点阵码为例,对本实施例中的方案进行举例说明:
步骤1、获得手机图像,将图像转为灰度图像,对尺寸过大的图像进行压缩处理,对灰度图像进行二值化处理:
其中,其中,在实际应用中分两种情况,一种手机所拍图片比较清晰,干扰因素较少,此时采用码图清晰,与背景相差比较大,此种情况采用基于全局阈值的二值化算法效果好并且耗时低,全局阈值的大小通过大量的不同类型不同场景的样本实验得出,通过一定的增量进行迭代;另一种所拍图片有一定的干扰因素(码图上印有背景,周围图案影响,噪声,阴影,曝光等),此时采用一种自适应局部二值化效果较好,先对图片领域进行划分,通过快速积分图的方法求当前像素领域内的灰度均值,根据均值确定阈值系数(根据不同的灰度级设定不同的阈值区间),因此每一块领域内阈值系数均与当前块内的灰度有关,为自适应阈值,灰度均值与阈值系数的乘积来确定当前的二值阈值,此种方法可以很好的处理码图有复杂背景、阴影、曝光等情况,同时,因为采用快速能量密度的方式避免了重复计算,耗时低,通过上面两种二值化方式的结合,效果显著。
步骤2、对二值化图像采用一种改进的复合形态学滤波:在二值化产生的图像中会有少量的图像含有噪声点,此种噪声点相比码点小很多而且分布不规则,先利用一次开运算可以消除这部分噪声同时保持码点不变,同时再进行一次膨胀运算,可以使码点区的码点变得充实显著,将两次的结果进行复合可以消除噪音同时得到清晰的码点。
步骤3,在步骤2的过程后用递变尺寸N*N滤波模版对二值化图像进行遍历(N为递变尺寸上下限通过实验统计获得),通过一种快速积分图方法计算递变尺寸滑动窗口区域的平均能量值或能量密度,一个标准码区的码点能量或能量密度可以根据二维码印刷标准计算获得,并通过大量样本(不同种类不同场景等)加以校正,设定能量值或密度的阈值上下限。对满足要求的区域进行腐蚀操作,此时再对腐蚀后的区域计算平均能量值或能量密度,其中腐蚀的形态学元素尺寸为N,腐蚀操作过后码区中的码点会全被腐蚀,能量会降到某个阈值以下(此阈值也是大量实验样本所得),由此,符合上述两次能量对比要求的窗口区域即为认为可能包含点阵码码点的区域,进入步骤4。
步骤4、对步骤3所挑选的框即窗口区域进行二次判断,将框平均分成、四个子框、中间部分、四周条形部分、中间十字部分作为子框判别区,判断每一个子框的能量密度与整体框区域能量密度是否相近,且判断子框之间能量密度是否相近,其中,子框间的差异可用阈值进行判断,如差异小于阈值则认为相近,而阈值大小通过大量实验样本获得,其中,如果框中的子框间能量密度相近则该框即为可能包含点阵码码点的区域。
步骤5、通过步骤4的框作为一个候选框,会被临时记下,每一个新产生的框会与已经产生的候选框进行对比,只要在水平、竖直、倾斜的方向有交集即可进行合并,并更新历史框的记录位置,若不能进行合并会被作为一个单独的候选框记录下来,也就是说,将包含点阵码码点的框按照相似相融原理进行区域合并,得到最大的可能包含点阵码码点的候选框。
步骤6、步骤5输出的候选框作为一个候选框,通过基于卷积神经网络CNN训练生成的点阵码训练模型对候选框进行过滤,例如,在点阵码训练模型中,首先通过卷积神经网络对候选框进行特征提取,之后基于这些特征采用基于ZF网络、googlenet_v2或resnet_52等训练得到的分类模型对这些候选框进行前向过滤,由此完成对这些可能包含点阵码码点的候选框的过滤分类,从而筛选出确定包含点阵码码点的候选框,去掉不包含点阵码码点的候选框。
最后,对确定包含点阵码码点的候选框进行点阵码识别,得到识别结果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种点阵码检测方法,其特征在于,包括:
获得目标图像;
对所述目标图像进行灰度处理,得到灰度图像;
对所述灰度图像进行二值化处理,得到二值化图像;
基于所述二值化图像中的图像能量参数,识别所述二值化图像中预测包含点阵码码点的区域,以得到至少一个识别区域;
利用预设的点阵码训练模型,对所述至少一个识别区域进行过滤,以得到所述至少一个识别区域中确定包含点阵码码点的目标区域。
2.根据权利要求1所述的方法,其特征在于,所述点阵码训练模型为基于卷积神经网络CNN训练生成的模型。
3.根据权利要求1或2所述的方法,其特征在于,基于所述二值化图像中的图像能量参数,识别所述二值化图像中预测包含点阵码码点的区域,包括:
利用滑动窗口对所述二值化图像进行图像遍历,以获得每个所述滑动窗口下的窗口区域的图像能量参数;
基于所述图像能量参数,确定至少一个目标窗口区域,所述目标窗口区域中包含点阵码码点;
对存在区域交集的所述目标窗口区域进行合并,得到至少一个识别区域。
4.根据权利要求1所述的方法,其特征在于,对所述灰度图像进行二值化处理,得到二值化图像,包括:
获得所述灰度图像的整图灰度均值;
获得与所述整图灰度均值相对应的阈值区间及所述阈值区间对应的阈值间隔值;
基于所述阈值区间和所述阈值间隔值,确定所述灰度图像的二值化阈值;
以所述二值化阈值,对所述灰度图像进行二值化处理,得到二值化图像。
5.根据权利要求1所述的方法,其特征在于,对所述灰度图像进行二值化处理,得到二值化图像,包括:
对所述灰度图像进行分区,得到多个分区图像;
获得每个所述分区图像的分区灰度均值及其对应的阈值系数;
将所述分区灰度均值与其对应阈值系数相乘,得到所述分区图像的二值化阈值;
以所述二值化阈值,分别对所述二值化阈值对应的分区图像进行二值化处理,得到二值化图像。
6.根据权利要求3所述的方法,其特征在于,获得每个所述滑动窗口下的窗口区域的图像能量参数,包括:
利用积分图计算方法对每个所述滑动窗口下的窗口区域的图像能量参数进行计算,以得到每个所述窗口区域的图像能量参数;
其中,所述图像能量参数包括:所述窗口区域的图像能量值或所述窗口区域的图像能量密度。
7.根据权利要求3所述的方法,其特征在于,基于所述图像能量参数,确定至少一个目标窗口区域,包括:
在所述图像能量参数满足预设的标准码区能量范围的情况下,计算所述窗口区域在经过腐蚀处理后的腐蚀能量参数;
对所述图像能量参数与所述腐蚀能量参数满足预设的腐蚀规则的窗口区域进行分块,得到多个区域子块;
计算所述区域子块的子块能量参数;
将所述区域子块的子块能量参数满足预设的子块能量规则的所述窗口区域确定为包含点阵码码点的目标窗口区域。
8.根据权利要求7所述的方法,其特征在于,所述图像能量参数与所述腐蚀能量参数满足预设的腐蚀规则,包括:
所述图像能量参数处于第一参数范围,所述腐蚀能量参数处于第二参数范围,所述图像能量参数与所述腐蚀能量参数之间差值处于第三参数范围;
其中,所述区域子块的子块能量参数满足预设的子块能量规则,包括:
所述区域子块的子块能量参数处于所述第一参数范围,且关于所述窗口区域中预设的基准线对称的区域子块之间的子块能量参数的差值处于第四参数范围。
9.根据权利要求1所述的方法,其特征在于,还包括:
对所述二值化图像利用形态学算法进行滤波;
其中,所述形态学算法至少包括:开运算和膨胀运算进行组合形成的运算算法。
10.一种点阵码检测装置,其特征在于,包括:
图像获得单元,用于获得目标图像;
灰度处理单元,用于对所述目标图像进行灰度处理,得到灰度图像;
二值化处理单元,用于对所述灰度图像进行二值化处理,得到二值化图像;
能量检测单元,用于基于所述二值化图像中的图像能量参数,识别所述二值化图像中预测包含点阵码码点的区域,以得到至少一个识别区域;
模型过滤单元,用于利用预设的点阵码训练模型,对所述至少一个识别区域进行过滤,以得到所述至少一个识别区域中确定包含点阵码码点的目标区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910554306.4A CN110287752B (zh) | 2019-06-25 | 2019-06-25 | 一种点阵码检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910554306.4A CN110287752B (zh) | 2019-06-25 | 2019-06-25 | 一种点阵码检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110287752A true CN110287752A (zh) | 2019-09-27 |
CN110287752B CN110287752B (zh) | 2023-04-14 |
Family
ID=68005568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910554306.4A Active CN110287752B (zh) | 2019-06-25 | 2019-06-25 | 一种点阵码检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110287752B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541894A (zh) * | 2020-12-11 | 2021-03-23 | 无锡雷德环保设备有限公司 | 一种产品形变检测方法 |
CN113392669A (zh) * | 2021-05-31 | 2021-09-14 | 苏州中科华影健康科技有限公司 | 一种图像信息检测方法、检测装置及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003323585A (ja) * | 2002-04-30 | 2003-11-14 | Toppan Forms Co Ltd | 2次元コード読取方法および2次元コード読取システム並びにこれらに使用される2次元コードが付された物品 |
WO2004093433A1 (ja) * | 2003-04-15 | 2004-10-28 | Fujitsu Limited | コード認識方法及び装置 |
JP3957734B1 (ja) * | 2006-08-25 | 2007-08-15 | 株式会社バンダイナムコゲームス | プログラム、情報記憶媒体、2次元コード生成システム、2次元コード |
JP2008152334A (ja) * | 2006-12-14 | 2008-07-03 | Namco Bandai Games Inc | プログラム、情報記憶媒体、2次元コード、印刷物、2次元コード画像、2次元コード画像の表示制御方法、2次元コード生成システム |
CN104463795A (zh) * | 2014-11-21 | 2015-03-25 | 高韬 | 一种点阵式dm二维码图像处理方法及装置 |
CN105160339A (zh) * | 2015-08-06 | 2015-12-16 | 四川大学 | 一种二维码打印质量在线评估方法 |
CN105260694A (zh) * | 2015-10-22 | 2016-01-20 | 佛山科学技术学院 | 一种基于多级骨干提取与分析的二维码区域定位方法 |
CN106709393A (zh) * | 2015-11-13 | 2017-05-24 | 航天信息股份有限公司 | 一种qr二维码二值化方法和系统 |
EP3309704A1 (en) * | 2015-07-27 | 2018-04-18 | Fujian Landi Commercial Equipment Co., Ltd | Two-dimensional code partitioning and decoding method and system |
CN108596133A (zh) * | 2018-04-28 | 2018-09-28 | 北京奇禄管理咨询有限公司 | 一种基于点阵的识别方法 |
CN109815770A (zh) * | 2019-01-31 | 2019-05-28 | 北京旷视科技有限公司 | 二维码检测方法、装置及系统 |
CN109858305A (zh) * | 2019-01-17 | 2019-06-07 | 柳州康云互联科技有限公司 | 一种基于深度学习的二维码定位识别系统及方法 |
CN109886060A (zh) * | 2019-02-21 | 2019-06-14 | 苏州天准科技股份有限公司 | 一种基于深度学习的条码区域定位方法 |
CN109902530A (zh) * | 2019-03-04 | 2019-06-18 | 厦门商集网络科技有限责任公司 | 一种二维码解码方法及终端 |
-
2019
- 2019-06-25 CN CN201910554306.4A patent/CN110287752B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003323585A (ja) * | 2002-04-30 | 2003-11-14 | Toppan Forms Co Ltd | 2次元コード読取方法および2次元コード読取システム並びにこれらに使用される2次元コードが付された物品 |
WO2004093433A1 (ja) * | 2003-04-15 | 2004-10-28 | Fujitsu Limited | コード認識方法及び装置 |
JP3957734B1 (ja) * | 2006-08-25 | 2007-08-15 | 株式会社バンダイナムコゲームス | プログラム、情報記憶媒体、2次元コード生成システム、2次元コード |
JP2008152334A (ja) * | 2006-12-14 | 2008-07-03 | Namco Bandai Games Inc | プログラム、情報記憶媒体、2次元コード、印刷物、2次元コード画像、2次元コード画像の表示制御方法、2次元コード生成システム |
CN104463795A (zh) * | 2014-11-21 | 2015-03-25 | 高韬 | 一种点阵式dm二维码图像处理方法及装置 |
EP3309704A1 (en) * | 2015-07-27 | 2018-04-18 | Fujian Landi Commercial Equipment Co., Ltd | Two-dimensional code partitioning and decoding method and system |
CN105160339A (zh) * | 2015-08-06 | 2015-12-16 | 四川大学 | 一种二维码打印质量在线评估方法 |
CN105260694A (zh) * | 2015-10-22 | 2016-01-20 | 佛山科学技术学院 | 一种基于多级骨干提取与分析的二维码区域定位方法 |
CN106709393A (zh) * | 2015-11-13 | 2017-05-24 | 航天信息股份有限公司 | 一种qr二维码二值化方法和系统 |
CN108596133A (zh) * | 2018-04-28 | 2018-09-28 | 北京奇禄管理咨询有限公司 | 一种基于点阵的识别方法 |
CN109858305A (zh) * | 2019-01-17 | 2019-06-07 | 柳州康云互联科技有限公司 | 一种基于深度学习的二维码定位识别系统及方法 |
CN109815770A (zh) * | 2019-01-31 | 2019-05-28 | 北京旷视科技有限公司 | 二维码检测方法、装置及系统 |
CN109886060A (zh) * | 2019-02-21 | 2019-06-14 | 苏州天准科技股份有限公司 | 一种基于深度学习的条码区域定位方法 |
CN109902530A (zh) * | 2019-03-04 | 2019-06-18 | 厦门商集网络科技有限责任公司 | 一种二维码解码方法及终端 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541894A (zh) * | 2020-12-11 | 2021-03-23 | 无锡雷德环保设备有限公司 | 一种产品形变检测方法 |
CN112541894B (zh) * | 2020-12-11 | 2023-12-08 | 无锡雷德环保设备有限公司 | 一种产品形变检测方法 |
CN113392669A (zh) * | 2021-05-31 | 2021-09-14 | 苏州中科华影健康科技有限公司 | 一种图像信息检测方法、检测装置及存储介质 |
CN113392669B (zh) * | 2021-05-31 | 2022-09-23 | 苏州中科华影健康科技有限公司 | 一种图像信息检测方法、检测装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110287752B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263595A (zh) | 一种二维码检测方法及装置 | |
CN111179229B (zh) | 一种基于深度学习的工业ct缺陷检测方法 | |
CN107481238A (zh) | 图像质量评估方法及装置 | |
CN100512374C (zh) | 一种基于阈值分割的图像边缘检测方法 | |
CN107844683B (zh) | 一种数字pcr液滴浓度的计算方法 | |
CN103093212B (zh) | 基于人脸检测和跟踪截取人脸图像的方法和装置 | |
CN108171104A (zh) | 一种文字检测方法及装置 | |
Toh et al. | Automated fish counting using image processing | |
CN108288027A (zh) | 一种图像质量的检测方法、装置及设备 | |
CN109844809B (zh) | 一种图像处理方法及装置、计算机可读存储介质 | |
CN110276284A (zh) | 基于视频质量评估的火焰识别方法、装置、设备及存储介质 | |
CN104809452A (zh) | 一种指纹识别方法 | |
CN108323203A (zh) | 一种定量检测人脸肤质参量的方法、装置和智能终端 | |
CN107633226A (zh) | 一种人体动作跟踪识别方法及系统 | |
CN110287752A (zh) | 一种点阵码检测方法及装置 | |
CN110390673A (zh) | 一种监控场景下基于深度学习的香烟自动检测方法 | |
CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
Ng et al. | An improved method for image thresholding based on the valley-emphasis method | |
CN110009621A (zh) | 一种篡改视频检测方法、装置、设备及可读存储介质 | |
CN114240925A (zh) | 一种文档图像清晰度的检测方法及其系统 | |
CN110555863A (zh) | 一种运动目标检测方法、装置和计算机可读存储介质 | |
CN105469384A (zh) | 车牌图像质量的综合评价方法 | |
CN115830351B (zh) | 图像处理方法、设备以及存储介质 | |
JP2006309714A (ja) | 顔判別方法および装置並びにプログラム | |
CN115880683A (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 |
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 |