CN110298343A - 一种手写黑板板书识别方法 - Google Patents

一种手写黑板板书识别方法 Download PDF

Info

Publication number
CN110298343A
CN110298343A CN201910589448.4A CN201910589448A CN110298343A CN 110298343 A CN110298343 A CN 110298343A CN 201910589448 A CN201910589448 A CN 201910589448A CN 110298343 A CN110298343 A CN 110298343A
Authority
CN
China
Prior art keywords
blackboard
text
hand
written
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.)
Pending
Application number
CN201910589448.4A
Other languages
English (en)
Inventor
刘杰
朱旋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN201910589448.4A priority Critical patent/CN110298343A/zh
Publication of CN110298343A publication Critical patent/CN110298343A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • 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
    • G06V30/146—Aligning or centring of the image pick-up or image-field
    • G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
    • G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines

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)
  • Image Analysis (AREA)
  • Character Discrimination (AREA)

Abstract

本发明公开了一种手写黑板板书识别方法，属于光学字符识别技术领域，包括S1：输入待测的手写黑板板书图像；S2：使用训练好的CTPN检测模型检测并过滤出手写黑板板书图像中的文本信息，以确定文本区域；然后对文本区域进行切割操作，切割出每一行的文本区域；S3：对切割出的文本行区域图像进行预处理操作，包括灰度化、归一化、尺度缩放等操作；S4：将预处理之后的图像集合依次输入训练好的CRNN识别模型中去，进行端到端的文本识别，进而得到图像中的文本行信息；S5：将输出的各个文本行信息进行整合输出，从而输出手写黑板板书的识别结果。本发明采用CTPN检测算法和CRNN识别算法相结合的模型，能够对手写黑板板书进行无切分的识别，更好地减少了过切分和欠切分带来的误差，提高了识别的准确率和鲁棒性。

Description

一种手写黑板板书识别方法
技术领域
本发明涉及光学字符识别领域，具体涉及一种手写黑板板书识别方法。
背景技术
现有技术主要是针对背景干净的手写文本识别，对于黑板这种特殊背景的下的文本识别，不仅需要考虑到图像的复杂背景，还要兼顾黑板的反光特点、板书颜色的多样性等等，非常具有挑战性。
作为学生听课的学习工具——黑板，是每个课堂上必不可少的。随着人工智能技术的发展，传统的采用人工方式记录黑板板书中的内容，往往既耗时又影响听课效率。因此，如何利用计算机技术，高速、有效、完整地录入板书内容，是当前智能化教育急需解决的问题。
手写黑板板书识别属于计算机视觉研究领域，是一种脱机手写体文本识别。而脱机手写体文本识别是目前文字识别领域的难题之一，和联机手写识别相比，缺少必要的字符轨迹坐标信息。
手写黑板板书检测技术中，如何从复杂的背景中提取到有效的文本区域是整个手写板书识别过程中的关键。常用的特征提取方法有基于重心、粗网络、投影、笔画穿越密度、文字轮廓等，但是这些提取方法的存在抗干扰能力差的特点，对畸形移位变换不敏感。
手写黑板板书识别技术中，对提取出的文本区域进行识别的方法一般是把该区域进行单字分割，进而识别单个字符，但是单字分割过程中会出现过分割和欠分割的现象，导致分割出的字符增多或减少，进而使得后面的文本识别结果不准确；另外，针对单字符的手写汉字识别，由于汉字类别较多以及手写汉字书写的多样性，单字符手写汉字识别的难度也很大。
发明内容
本发明提供了一种手写黑板板书识别方法，实现了手写黑板板书的自动识别，详见下文描述。
一种手写黑板板书识别方法，所述方法采用CTPN检测算法和CRNN识别算法相结合的模型，能够对手写板书进行无切分的识别，较好地减少了过切分以和欠切分带来的误差，实现了手写板书的自动识别，所述方法包括以下步骤。
S1：输入待测的手写黑板板书图像。
S2：使用训练好的CTPN检测模型检测并过滤出手写黑板板书图像中的文本信息，以确定文本区域，然后对文本区域进行切割操作，切割出每一行的文本区域。
S3：对切割出的文本行区域图像进行预处理操作，包括灰度化、归一化、尺度缩放等操作。
S4：将预处理之后的图像集合依次输入训练好的CRNN识别模型中去，进行端到端的文本识别，进而得到图像中的文本行信息。
S5：将输出的各个文本行信息进行整合输出，从而输出手写黑板板书的识别结果。
所述步骤S1的操作过程如下。
S11：采用摄像头装置拍摄手写黑板板书图片。
S12：将拍摄的图片通过局域网上传到云端接口。
所述步骤S2的操作过程如下。
S21：通过网上收集的手写黑板板书图片作为训练样本集，利用CTPN检测模型进行训练。
S22：通过训练好的CTPN检测模型可以对图片中的文本行区域进行有效定位。
S23：判断两个文本区域在竖直方向上的重叠部分所占两个文本区域的总高度的比例是否大于一定阈值来确定两个文本区域是否处于一行。
S24：若是，则视为两行，否则视为一行。
所述步骤S3的操作过程如下。
S31：对输入的RGB图像通过加权平均法进行灰度化操作得到灰度图，计算公式如下：
Gray(i，j)＝0.3R(i，j)+0.59G(i，j)+0.11B(i，j) (1)
S32：对灰度化之后的图片通过最大最小值归一方法进行归一化操作，计算公式如下：
norm＝[xi-min(x)]/[max(x)-min(x)] (2)
其中，xi表示图像像素点值，mnin(x)，max(x)分别表示图像像素的最大与最小值。
S33：采用三次样条插值的方法实现图片大小的缩放但不影响图片的像素特征。
所述步骤S4的操作过程如下。
S41：使用HIT-MW手写文本行数据集作为训练样本集，利用CRNN识别模型进行训练。
S42：通过训练好的CRNN识别模型进行端到端的文本识别。
所述的步骤S2中，CTPN检测算法是基于tensorflow框架构造的，其检测过程为。
S201：在本发明中输入样本图像的大小为512*64*3。
S202：在网络结构的设计中，选用VGG16架构作为卷积提取器，输入样本图像，在VGG16架构中经过前5层卷积层的卷积运算得到特征图。特征图的个数，或通道数为512，用C表示。
S203：在上一步中得到的特征图上，用大小为3*3的窗口滑动，每滑动一次窗口就会相应的输出一个3*3*C，即3*3*512的卷积特征。
S204：将卷积运算得到的特征组合序列作为双向LSTM的输入，在LSTM层当中含有128个隐层，将结果输出，最后后接一个全连接层作为输出层。
S205：输出层输出三种结果：2k个text/non-text分数值，表示的是k个检测框的类别信息，判断其是否为字符；2k个垂直坐标值，表示检测框的高度和中心y轴的坐标；k个side-refinemennt，表示的是检测框的水平偏移量，在本发明中微分的最小检测框的单位是16像素。
S206：得到最终预测的候选文本区域，再通过非极大值抑制的方法将多余的检测框过滤掉。
S207：最终采用基于图的文本行构造算法，将每一个文本段合并成文本行。
所述的步骤S4中，CRNN识别算法是基于caffe框架构造的，其识别过程为。
S401：CRNN识别模型由卷积层、循环层和转录层构成。
S402：卷积层由传统卷积神经网络当中的卷积层外加最大池化层构成，其将输入样本图像进行特征序列的自动提取。提取的特征序列中的向量是从特征图上从左到右按照顺序生成的，每个特征向量表示了图像上一定宽度上的特征。
S403：循环层由一个双向LSTM循环神经网络构成，其对特征序列中的每个特征向量的标签分布进行预测。
S404：转录层是将RNN所做的每个特征向量的预测转换成最终标签序列。
S405：本发明是由双向LSTM网络的最后连接上一个CTC模型构成，做到端对端的识别。
S406：CTC连接在RNN网络的最后一层用于序列学习和训练。对于一段长度为T的序列来说，每个样本点t(t远大于T)在RNN网络的最后一层都会输出一个softmax向量，表示该样本点的预测概率，所有样本点的这些概率传输给CTC模型后，输出最可能的标签，再经过去除空格和去重操作，就可以得到最终的序列标签。
本发明提供的技术方案的有益效果是：
1、采用的CTPN检测模型能够对手写黑板板书进行准确的文本定位，实现了在复杂背景下的文本信息提取，有效解决了文本定位抗干扰能力差的问题；
2、采用的CRNN识别模型能够对手写黑板板书进行无切分的识别，较好地减少了过切分以和欠切分带来的误差，实现了端到端的文本识别，提高了识别的准确率和鲁棒性；
3、实现了手写黑板板书文本的自动识别，既节约了时间，又提高了学生的听课效率。
附图说明
图1为本发明的方法流程图。
图2为待测的手写黑板板书图像示意图。
图3为检测文本区域图像的示意图。
图4为切割后的文本行区域图像的示意图。
图5为预处理后的文本行区域图像的示意图。
图6为文本行区域文本识别结果示意图。
图7为手写黑板板书文本识别结果的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1。
本发明示例提供了一种手写黑板板书识别方法，参见图1，该方法包括以下步骤。
S1：输入待测的手写黑板板书图像。
S2：使用训练好的CTPN检测模型检测并过滤出手写黑板板书图像中的文本信息，以确定文本区域，然后对文本区域进行切割操作，切割出每一行的文本区域。
S3：对切割出的文本行区域图像进行预处理操作，包括灰度化、归一化、尺度缩放等操作。
S4：将预处理之后的图像集合依次输入训练好的CRNN识别模型中去，进行端到端的文本识别，进而得到图像中的文本行信息。
S5：将输出的各个文本行信息进行整合输出，从而输出手写黑板板书的识别结果。
所述步骤S1的操作过程如下。
S11：采用摄像头装置拍摄手写黑板板书图片。
S12：将拍摄的图片通过局域网上传到云端接口。
所述步骤S2的操作过程如下。
S21：通过网上收集的手写黑板板书图片作为训练样本集，利用CTPN检测模型进行训练。
S22：通过训练好的CTPN检测模型可以对图片中的文本行区域进行有效定位。
S23：判断两个文本区域在竖直方向上的重叠部分所占两个文本区域的总高度的比例是否大于一定阈值来确定两个文本区域是否处于一行。
S24：若是，则视为两行，否则视为一行。
所述步骤S3的操作过程如下。
S31：对输入的RGB图像通过加权平均法进行灰度化操作得到灰度图，计算公式如下：
Gray(i，j)＝0.3R(i，j)+0.59G(i，j)+0.11B(i，j) (1)
S32：对灰度化之后的图片通过最大最小值归一方法进行归一化操作，计算公式如下：
norm＝[xi-min(x)]/[max(x)-min(x)] (2)
其中，xi表示图像像素点值，min(x)，max(x)分别表示图像像素的最大与最小值。
S33：采用三次样条插值的方法实现图片大小的缩放但不影响图片的像素特征。
所述步骤S4的操作过程如下。
S41：使用HIT-MW手写文本行数据集作为训练样本集，利用CRNN识别模型进行训练。
S42：通过训练好的CRNN识别模型进行端到端的文本识别。
所述的步骤S2中，CTPN检测算法是基于tensorflow框架构造的，其检测过程为。
S201：在本发明中输入样本图像的大小为512*64*3。
S202：在网络结构的设计中，选用VGG16架构作为卷积提取器，输入样本图像，在VGG16架构中经过前5层卷积层的卷积运算得到特征图。特征图的个数，或通道数为512，用C表示。
S203：在上一步中得到的特征图上，用大小为3*3的窗口滑动，每滑动一次窗口就会相应的输出一个3*3*C，即3*3*512的卷积特征。
S204：将卷积运算得到的特征组合序列作为双向LSTM的输入，在LSTM层当中含有128个隐层，将结果输出，最后后接一个全连接层作为输出层。
S205：输出层输出三种结果：2k个text/non-text分数值，表示的是k个检测框的类别信息，判断其是否为字符；2k个垂直坐标值，表示检测框的高度和中心y轴的坐标；k个side-refinemennt，表示的是检测框的水平偏移量，在本发明中微分的最小检测框的单位是16像素。
S206：得到最终预测的候选文本区域，再通过非极大值抑制的方法将多余的检测框过滤掉。
S207：最终采用基于图的文本行构造算法，将每一个文本段合并成文本行。
所述的步骤S4中，CRNN识别算法是基于caffe框架构造的，其识别过程为。
S401：CRNN识别模型由卷积层、循环层和转录层构成。
S402：卷积层由传统卷积神经网络当中的卷积层外加最大池化层构成，其将输入样本图像进行特征序列的自动提取。提取的特征序列中的向量是从特征图上从左到右按照顺序生成的，每个特征向量表示了图像上一定宽度上的特征。
S403：循环层由一个双向LSTM循环神经网络构成，其对特征序列中的每个特征向量的标签分布进行预测。
S404：转录层是将RNN所做的每个特征向量的预测转换成最终标签序列。
S405：本发明是由双向LSTM网络的最后连接上一个CTC模型构成，做到端对端的识别。
S406：CTC连接在RNN网络的最后一层用于序列学习和训练。对于一段长度为T的序列来说，每个样本点t(t远大于T)在RNN网络的最后一层都会输出一个softmax向量，表示该样本点的预测概率，所有样本点的这些概率传输给CTC模型后，输出最可能的标签，再经过去除空格和去重操作，就可以得到最终的序列标签。
实验结果分析。
图2为待测的手写黑板板书图像示意图，将其输入到训练好的CTPN检测模型中，对图像进行文本检测；图3为检测文本区域图像的示意图，对文本区域进行切割，切出每一行文本区域；图4为切割后的文本行区域图像的示意图，对切割后的文本行区域进行图像预处理操作；图5为预处理后的文本行区域图像的示意图，将经过预处理之后的图像依次输入到CRNN识别模型中；图6为文本行区域文本识别结果示意图，依次输出文本行识别结果，最终得到手写黑板板书的识别结果；图7为手写黑板板书文本识别结果的示意图。
其中，81个中文正确识别了79个，识别错误2个，错误识别中，如：“事”和“享”、“湿”和“是”等字都是因为手写体字形过于相似所导致；以后可以针对这些易混淆的中文增加训练集，重新进行训练，以进一步提高模型的准确性和鲁棒性。
综上所述，本实施例的一种手写黑板板书识别方法，采用CTPN检测算法和CRNN识别算法相结合的模型，能够对手写黑板板书进行无切分的识别，较好地减少了过切分以和欠切分带来的误差，提高了识别的准确率和鲁棒性，该方案很好地解决了手写黑板板书自动识别的问题。
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 (5)

1.一种手写黑板板书识别方法，其特征在于，所述方法包括以下步骤：
S1：输入待测的手写黑板板书图像；
S2：使用训练好的CTPN检测模型检测并过滤出手写黑板板书图像中的文本信息，以确定文本区域，然后对文本区域进行切割操作，切割出每一行的文本区域；
S3：对切割出的文本行区域图像进行预处理操作，包括灰度化、归一化、尺度缩放等操作；
S4：将预处理之后的图像集合依次输入训练好的CRNN识别模型中去，进行端到端的文本识别，进而得到图像中的文本行信息；
S5：将输出的各个文本行信息进行整合输出，从而输出手写黑板板书的识别结果。
2.根据权利要求1所述的一种手写黑板板书识别方法，其特征在于，所述步骤S1的操作过程如下：
S11：采用摄像头装置拍摄手写黑板板书图片；
S12：将拍摄的图片通过局域网上传到云端接口。
3.根据权利要求1所述的一种手写黑板板书识别方法，其特征在于，所述步骤S2的操作过程如下：
S21：通过网上收集的手写黑板板书图片作为训练样本集，利用CTPN检测模型进行训练；
S22：通过训练好的CTPN检测模型可以对图片中的文本行区域进行有效定位；
S23：判断两个文本区域在竖直方向上的重叠部分所占两个文本区域的总高度的比例是否大于一定阈值来确定两个文本区域是否处于一行；
S24：若是，则视为两行，否则视为一行。
4.根据权利要求1所述的一种手写黑板板书识别方法，其特征在于，所述步骤S3的操作过程如下：
S31：对输入的RGB图像通过加权平均法进行灰度化操作得到灰度图，计算公式如下：
（1）
S32：对灰度化之后的图片通过最大最小值归一方法进行归一化操作，计算公式如下：
（2）
其中，表示图像像素点值，，分别表示图像像素的最大与最小值；
S33：采用三次样条插值的方法实现图片大小的缩放但不影响图片的像素特征。
5.根据权利要求1所述的一种手写黑板板书识别方法，其特征在于，所述步骤S4的操作过程如下：
S41：使用HIT-MW手写文本行数据集作为训练样本集，利用CRNN识别模型进行训练；
S42：通过训练好的CRNN识别模型进行端到端的文本识别。
CN201910589448.4A 2019-07-02 2019-07-02 一种手写黑板板书识别方法 Pending CN110298343A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910589448.4A CN110298343A (zh) 2019-07-02 2019-07-02 一种手写黑板板书识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910589448.4A CN110298343A (zh) 2019-07-02 2019-07-02 一种手写黑板板书识别方法

Publications (1)

Publication Number Publication Date
CN110298343A true CN110298343A (zh) 2019-10-01

Family

ID=68029885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910589448.4A Pending CN110298343A (zh) 2019-07-02 2019-07-02 一种手写黑板板书识别方法

Country Status (1)

Country Link
CN (1) CN110298343A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766707A (zh) * 2019-10-22 2020-02-07 河海大学常州校区 一种基于多算子融合边缘检测技术的空化泡图像处理方法
CN110942067A (zh) * 2019-11-29 2020-03-31 上海眼控科技股份有限公司 文本识别方法、装置、计算机设备和存储介质
CN111008969A (zh) * 2019-12-06 2020-04-14 浙江蓝鸽科技有限公司 黑板板书提取与智能识别方法及系统
CN111259899A (zh) * 2020-01-13 2020-06-09 华中科技大学 一种喷码字符检测方法
CN111738254A (zh) * 2019-10-12 2020-10-02 贵州电网有限责任公司 一种继电保护装置面板与屏幕内容自动化识别方法
CN112183233A (zh) * 2020-09-09 2021-01-05 上海鹰觉科技有限公司 基于深度学习的船牌识别方法及系统
CN112580495A (zh) * 2020-12-16 2021-03-30 上海眼控科技股份有限公司 文本识别方法、装置、计算机设备和存储介质
CN112633268A (zh) * 2020-12-21 2021-04-09 江苏国光信息产业股份有限公司 一种基于国产化平台的ocr识别方法及其识别系统
CN112651323A (zh) * 2020-12-22 2021-04-13 山东山大鸥玛软件股份有限公司 一种基于文本行检测的中文手写体识别方法及系统
CN113128490A (zh) * 2021-04-28 2021-07-16 湖南荣冠智能科技有限公司 一种处方信息扫描和自动识别方法
WO2021212652A1 (zh) * 2020-04-23 2021-10-28 平安国际智慧城市科技股份有限公司 英文手写文本识别方法、装置、电子设备及存储介质
CN114898409A (zh) * 2022-07-14 2022-08-12 深圳市海清视讯科技有限公司 数据处理方法和设备
CN116453132A (zh) * 2023-06-14 2023-07-18 成都锦城学院 基于机器翻译的日语假名和汉字识别方法、设备及存储器
CN116798047A (zh) * 2023-05-08 2023-09-22 华南师范大学 一种基于图像识别的教学板书分析方法及系统
US11823474B2 (en) 2020-10-27 2023-11-21 Boe Technology Group Co., Ltd. Handwritten text recognition method, apparatus and system, handwritten text search method and system, and computer-readable storage medium

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107153810A (zh) * 2016-03-04 2017-09-12 中国矿业大学 一种基于深度学习的手写体数字识别方法及系统
CN107392114A (zh) * 2017-06-29 2017-11-24 广州智慧城市发展研究院 一种基于神经网络模型的手指静脉识别方法及系统
CN108647681A (zh) * 2018-05-08 2018-10-12 重庆邮电大学 一种带有文本方向校正的英文文本检测方法
CN109102844A (zh) * 2018-08-24 2018-12-28 北京锐客科技有限公司 一种临床试验源数据自动校验方法
US10262235B1 (en) * 2018-02-26 2019-04-16 Capital One Services, Llc Dual stage neural network pipeline systems and methods
CN109697440A (zh) * 2018-12-10 2019-04-30 浙江工业大学 一种身份证信息提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107153810A (zh) * 2016-03-04 2017-09-12 中国矿业大学 一种基于深度学习的手写体数字识别方法及系统
CN107392114A (zh) * 2017-06-29 2017-11-24 广州智慧城市发展研究院 一种基于神经网络模型的手指静脉识别方法及系统
US10262235B1 (en) * 2018-02-26 2019-04-16 Capital One Services, Llc Dual stage neural network pipeline systems and methods
CN108647681A (zh) * 2018-05-08 2018-10-12 重庆邮电大学 一种带有文本方向校正的英文文本检测方法
CN109102844A (zh) * 2018-08-24 2018-12-28 北京锐客科技有限公司 一种临床试验源数据自动校验方法
CN109697440A (zh) * 2018-12-10 2019-04-30 浙江工业大学 一种身份证信息提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卢未来: "面向图像的场景文字识别技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑（月刊）》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738254A (zh) * 2019-10-12 2020-10-02 贵州电网有限责任公司 一种继电保护装置面板与屏幕内容自动化识别方法
CN110766707A (zh) * 2019-10-22 2020-02-07 河海大学常州校区 一种基于多算子融合边缘检测技术的空化泡图像处理方法
CN110766707B (zh) * 2019-10-22 2022-09-23 河海大学常州校区 一种基于多算子融合边缘检测技术的空化泡图像处理方法
CN110942067A (zh) * 2019-11-29 2020-03-31 上海眼控科技股份有限公司 文本识别方法、装置、计算机设备和存储介质
CN111008969A (zh) * 2019-12-06 2020-04-14 浙江蓝鸽科技有限公司 黑板板书提取与智能识别方法及系统
CN111259899A (zh) * 2020-01-13 2020-06-09 华中科技大学 一种喷码字符检测方法
CN111259899B (zh) * 2020-01-13 2022-11-08 华中科技大学 一种喷码字符检测方法
WO2021212652A1 (zh) * 2020-04-23 2021-10-28 平安国际智慧城市科技股份有限公司 英文手写文本识别方法、装置、电子设备及存储介质
CN112183233A (zh) * 2020-09-09 2021-01-05 上海鹰觉科技有限公司 基于深度学习的船牌识别方法及系统
US11823474B2 (en) 2020-10-27 2023-11-21 Boe Technology Group Co., Ltd. Handwritten text recognition method, apparatus and system, handwritten text search method and system, and computer-readable storage medium
CN112580495A (zh) * 2020-12-16 2021-03-30 上海眼控科技股份有限公司 文本识别方法、装置、计算机设备和存储介质
CN112633268A (zh) * 2020-12-21 2021-04-09 江苏国光信息产业股份有限公司 一种基于国产化平台的ocr识别方法及其识别系统
CN112651323A (zh) * 2020-12-22 2021-04-13 山东山大鸥玛软件股份有限公司 一种基于文本行检测的中文手写体识别方法及系统
CN113128490A (zh) * 2021-04-28 2021-07-16 湖南荣冠智能科技有限公司 一种处方信息扫描和自动识别方法
CN113128490B (zh) * 2021-04-28 2023-12-05 湖南荣冠智能科技有限公司 一种处方信息扫描和自动识别方法
CN114898409A (zh) * 2022-07-14 2022-08-12 深圳市海清视讯科技有限公司 数据处理方法和设备
CN114898409B (zh) * 2022-07-14 2022-09-30 深圳市海清视讯科技有限公司 数据处理方法和设备
CN116798047A (zh) * 2023-05-08 2023-09-22 华南师范大学 一种基于图像识别的教学板书分析方法及系统
CN116453132A (zh) * 2023-06-14 2023-07-18 成都锦城学院 基于机器翻译的日语假名和汉字识别方法、设备及存储器
CN116453132B (zh) * 2023-06-14 2023-09-05 成都锦城学院 基于机器翻译的日语假名和汉字识别方法、设备及存储器

Similar Documents

Publication Publication Date Title
CN110298343A (zh) 一种手写黑板板书识别方法
CN109241894B (zh) 一种基于表格定位和深度学习的票据内容识别系统和方法
CN108416279B (zh) 文档图像中的表格解析方法及装置
CN110059694A (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN102750541B (zh) 一种文档图像分类识别方法及装置
CN113128442B (zh) 基于卷积神经网络的汉字书法风格识别方法和评分方法
CN104408449B (zh) 智能移动终端场景文字处理方法
CN110969129A (zh) 一种端到端税务票据文本检测与识别方法
CN107305630A (zh) 文本序列识别方法和装置
CN106874929B (zh) 一种基于深度学习的珍珠分类方法
CN112580507B (zh) 一种基于图像矩矫正的深度学习文本字符检测方法
CN106934386A (zh) 一种基于自启发式策略的自然场景文字检测方法及系统
CN108664975A (zh) 一种维吾尔文手写字母识别方法、系统及电子设备
CN109086772A (zh) 一种扭曲粘连字符图片验证码的识别方法及系统
CN110796131A (zh) 一种汉字书写评价系统
CN105825216A (zh) 一种复杂背景图像中的文本定位方法
Alrehali et al. Historical Arabic manuscripts text recognition using convolutional neural network
CN115240210A (zh) 一种用于手写汉字辅助练习的系统及方法
Chen et al. Salient object detection: Integrate salient features in the deep learning framework
Zhao et al. Exploring complementarity of global and local spatiotemporal information for fake face video detection
CN111340032A (zh) 一种基于金融领域应用场景的字符识别方法
CN117437647B (zh) 基于深度学习和计算机视觉的甲骨文字检测方法
CN114581932A (zh) 一种图片表格线提取模型构建方法及图片表格提取方法
CN101216947B (zh) 基于笔段网格的手写汉字输入方法和汉字识别方法
Raj et al. Grantha script recognition from ancient palm leaves using histogram of orientation shape context

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191001