CN110728277B - 一种印章智能检测与识别的方法及系统 - Google Patents
一种印章智能检测与识别的方法及系统 Download PDFInfo
- Publication number
- CN110728277B CN110728277B CN201910921149.6A CN201910921149A CN110728277B CN 110728277 B CN110728277 B CN 110728277B CN 201910921149 A CN201910921149 A CN 201910921149A CN 110728277 B CN110728277 B CN 110728277B
- Authority
- CN
- China
- Prior art keywords
- seal
- candidate
- candidate frames
- text
- frames
- 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 25
- 238000001514 detection method Methods 0.000 title claims description 17
- 238000001914 filtration Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 102100032202 Cornulin Human genes 0.000 claims description 5
- 101000920981 Homo sapiens Cornulin Proteins 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000282412 Homo Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种印章智能检测与识别的方法及系统,所述方法包括:获取原始图片;自原始图片抽取出特征图;在特征图上确定多个长方形的候选框,将候选框分类,定位印章所在的候选框,调整候选框的大小;将印章中的文字区域变换拉平;识别文字区域,输出对应文字。本发明通用地进检测各种不同类型的章,同时能够识别出章的文字,并最返回章的位置、章的内容等,并根据位置和内容进行审核。
Description
技术领域
本发明属于图片识别领域,具体涉及一种印章智能检测与识别的方法及系统。
背景技术
当前,人工智能飞速发展,人工智能技术在工业界的应用如火如荼。过去需要专业人士来做的事情,当前基于人工智能技术实现的系统已经能够代替人类进行部分的工作,从而实现更多的自动化和智能化。在企事业单位日常的工作中,有大量的合同票据公文等正式文档需要处理,其中很重要的一个工作就是检查这些正式文档是否有盖章,以及所盖的章是否正确。
本案中,把企事业单位日常往来的诸如合同、票据、公文、报告等文档称之为正式文档。当这些文档被打印后盖章即具有了法律效力,而信息化又要求盖完章后扫描成电子版进行存档、保管和交流。正式文档的盖章往往会因类型、用途等的不同盖有一个或多个章。所盖的章可能是圆章、矩形章或椭圆章等。通常会有红色、蓝色等各种有色章,以及黑色、灰色等灰度章。
发明内容
针对现有技术中存在的问题,本发明提供一种印章智能检测与识别的方法及系统,本发明的部分实施例能够利用人工智能技术所实现的系统,能够模拟人类对合同票据公文等正式文档进行印章的检测(判断是否有印章)以及识别(识别出印章的类型和机构名称),从而实现文档处理的自动化和智能化,检测各种不同类型的章,同时能够识别出章的文字,并最返回章的位置(坐标)、章的内容(文字)等,并根据位置和内容进行审核。
为实现上述目的,本发明采用以下技术方案:
一种印章智能检测与识别的方法,所述方法包括:获取原始图片;自原始图片抽取出特征图;在特征图上确定多个长方形的候选框,将候选框分类,定位印章所在的候选框,调整候选框的大小;将印章中的文字区域变换拉平;识别文字区域,输出对应文字。
优选地,所述在特征图上确定多个长方形的候选框包括:在特征图上确定多个锚点,每个锚点作为候选框的顶点之一,按照预定的候选框面积和预定的候选框长宽比例,生成若干个候选框。
优选地,所述生成若干个候选框包括:将生成的候选框粗过滤,过滤掉跟印章完全无关的候选框。
优选地,所述将候选框分类包括:将候选框按照其内包含的印章种类分为圆章、椭圆章、矩形章、非印章四类。
优选地,所述定位印章所在的候选框,调整候选框的大小包括:通过卷积网络和bounding box回归,对候选框的中心点进行定位,并对候选框的大小进行调整。
优选地,所述将印章中的文字区域变换拉平包括:对于圆章,根据圆心将圆章展开,将弧形的文字区域拉平;对于椭圆章,根据椭圆焦点将椭圆章展开,将弧形的文字区域拉平;对于矩形章,通过NLP定位文字的方向,将文字区域变换为水平排布的一行。
优选地,所述识别文字区域包括:使用CRNN算法识别文字区域。
优选地,所述输出对应文字包括:获取印章的预期文字;通过Burkhard KellerTree算法计算输出对应文字的置信度。
一种印章智能检测与识别的系统,所述系统包括:特征抽取模块,所述特征抽取模块自原始图片抽取出特征图;印章检测模块,所述印章检测模块在特征图上确定多个长方形的候选框,将候选框分类,定位印章所在的候选框,调整候选框的大小;印章文字变换模块,所述印章文字变换模块将印章中的文字区域变换拉平;以及
印章文字识别模块,所述印章文字识别模块识别文字区域,输出对应文字。
与现有技术相比,本发明的有益效果为:
1.本案提出了一种通用的印章检测和识别的方法,可以识别常见的正式文档中用到的各类印章;
2.印章的检测是用以检查文档中是否存在印章,如存在,则会给出该印章盖在文档中的位置;
3.对于检测出来的印章,还会判断该印章是哪种类型,即分为圆章、方章和矩形章;
4.对于检测到的印章,还会识别出印章的文字,以利于后续系统对印章进行比对和判断;
5.本案对印章的颜色(如红色、蓝色或者黑色等)以及印章文字的语言类型(比如中文、英文、日文等)都不做限制,能够适用于不同的语言和颜色;
6.本案对一个文档的印章的个数不做限制,能够处理包括1个或任意多个的印章的文档,也能处理没有印章的文档。对于没有盖章的文档,能够给出无印章的结论。这个对于判断文档是否盖章是非常有价值的;
7.本案对输入文档不做限制,能够支持pdf、tif、jpg、png、gif等各类图片、照片、截图、截屏、扫描件等。也能过支持各类电子文档,比如电子发票等。
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为本发明实施例的系统流程示意图。
图2为印章检测模块的流程示意图。
图3为印章文字变换模块的流程示意图。
图4为处理过程示例。
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付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。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
如图1-4所示,本实施例提供一种印章智能检测与识别的方法,方法包括:获取原始图片;自原始图片抽取出特征图;在特征图上确定多个长方形的候选框,将候选框分类,定位印章所在的候选框,调整候选框的大小;将印章中的文字区域变换拉平;识别文字区域,输出对应文字。
在特征图上确定多个长方形的候选框包括:在特征图上确定多个锚点,每个锚点作为候选框的顶点之一,按照预定的候选框面积和预定的候选框长宽比例,生成若干个候选框。
生成若干个候选框包括:将生成的候选框粗过滤,过滤掉跟印章完全无关的候选框。
将候选框分类包括:将候选框按照其内包含的印章种类分为圆章、椭圆章、矩形章、非印章四类。
定位印章所在的候选框,调整候选框的大小包括:通过卷积网络和bounding box回归,对候选框的中心点进行定位,并对候选框的大小进行调整。
将印章中的文字区域变换拉平包括:对于圆章,根据圆心将圆章展开,将弧形的文字区域拉平;对于椭圆章,根据椭圆焦点将椭圆章展开,将弧形的文字区域拉平;对于矩形章,通过NLP定位文字的方向,将文字区域变换为水平排布的一行。
识别文字区域包括:使用CRNN算法识别文字区域。
输出对应文字包括:获取印章的预期文字;通过Burkhard Keller Tree算法计算输出对应文字的置信度。
一种印章智能检测与识别的系统,系统包括:特征抽取模块,特征抽取模块自原始图片抽取出特征图;印章检测模块,印章检测模块在特征图上确定多个长方形的候选框,将候选框分类,定位印章所在的候选框,调整候选框的大小;印章文字变换模块,印章文字变换模块将印章中的文字区域变换拉平;以及
印章文字识别模块,印章文字识别模块识别文字区域,输出对应文字。
整个系统从输入到输出,中间经过四个模块的处理,得到印章检测的结果,对印章内的文字进行识别,并输出检测和识别的结果。
系统的输入可以是各类型的扫描件或照片,支持pdf、jpg、tif、png、bmp、gif等各种文件类型。系统不对文件类型进行限制。
特征抽取模块
这里面使用了卷积神经网络(CNN)以及卷积神经网络的变体。在解决实际问题中,可以根据情况选择不同层数和类型的卷积神经网络,也包括各种预训练的卷积神经网络。
输入的图片或者扫描件一般都是多通道的图片,本方法使用了卷积神经网络或其变体来实现从原始的图片抽取出特征图。
卷积神经网络在神经网络中使用卷积计算来实现的。卷积的方法示例如下:
其中符号表示卷积运算。
除了标准的一层或多层的卷积网络之外,各类预训练卷积网络也可以根据情况使用,包括但不限于LeNet,AlexNet,ZFNet,Inception,VGGNet,ResNet等。上述网络不是对系统做限制,也可以是其他网络。
特征抽取模块输出特征图。特征图应用于下一个印章检测模块。
印章检测模块
印章检测模块分为三个子模块来实现,见图2。
印章检测模块所实现的内容包括,从图片中检测到印章的坐标,也包括将印章进行分类,分为矩形章、圆章和椭圆章。
印章候选区域生成模块根据特征图选取锚点。一般来说特征图上的每个特征点都可以作为锚点。特殊情况下,特征图比较大会导致锚点数量过多,从而运行性能下降。这时可以调整参数,改为随机或者间隔选取锚点。当锚点确定了之后,对每个锚点根据不同面积和不同比例生成若干个候选框。比如按面积为(64,128)以及比例(1:2,1:1和2:1)一共生成6个候选框。候选框的个数和类型作为参数传入,可根据情况调整。生成候选框后,通过一个全卷积网络(FCN),然后使用分类器对候选框进行初步的筛选,过滤掉跟印章完全无关的候选区域,这个步骤称为粗过滤。粗过滤输出跟印章有关的区域。
粗过滤得到的候选框都是跟印章有关的,包括完整印章的框,也可能是圈住部分印章的框。接下来有两个任务对这些框进行处理,一个任务是通过卷积网络和bbox(bounding box)回归,对候选框进行精炼,对候选框的中心点进行定位,并对大小进行调整。另一个任务是对候选框进行分类,分为四类:圆章、椭圆章、矩形章、以及非印章。
根据分类结果和定位结果,输出到下一个模块进行文字识别处理。
印章文字变换模块
由于印章文字可能是圆形、弧形、横向多行排列、纵向多行排列,本模块使用图像处理算法或者神经网络模型来实现将文字序列进行变换,转化为一行的文字。
根据前一模块的分类和定位结果获取到印章图片,并根据分类结果,选择圆章、椭圆章和方章的处理程序。
对于圆章,首先进行圆心定位,由于回归出较好的章的位置信息,这里面通过简单的图像处理算法即可定位到圆心,通过圆心将圆展开,即可将印章的环形文字变成一行或多行,这是因为有些章有中英文两个环形文字,有些还有横向的一行文字,比如财务专用章字样等。这样展开的文字可能是一行、两行或者三行。
对于椭圆章,根据椭圆的特点,需要定位两个焦点。其他方法跟圆章处理方法一样。
对于矩形章,需要通过NLP(自然语言处理技术)定位文字的方向,因为矩形章可能是横向或者竖向。竖向有可能是从左到右或者从右到左。矩形章展开后形成一行文字。
印章文字识别模块
使用通用的OCR识别模型,这里面使用了CRNN模型。同时,由于印章识别的复杂,如果能够给定预期的印章内容文字(标准文字),则文字识别模块还同时输出与标准文字置信度。
对展开成一行的图片进行文字识别的模块使用CRNN算法。如果知道印章的预期文字,则可以利用bk树(Burkhard Keller Tree)算法计算输出文字的置信度。
尽管上述实施例已对本发明作出具体描述,但是对于本领域的普通技术人员来说,应该理解为可以在不脱离本发明的精神以及范围之内基于本发明公开的内容进行修改或改进,这些修改和改进都在本发明的精神以及范围之内。
Claims (7)
1.一种印章智能检测与识别的方法,其特征在于,所述方法包括:
获取原始图片;
自原始图片抽取出特征图;
在特征图上确定多个长方形的候选框,将候选框分类,所述将候选框分类包括:将候选框按照其内包含的印章种类分为圆章、椭圆章、矩形章、非印章四类,定位印章所在的候选框,调整候选框的大小,所述定位印章所在的候选框,调整候选框的大小包括:
通过卷积网络和bounding box回归,对候选框的中心点进行定位,并对候选框的大小进行调整;
将印章中的文字区域变换拉平;
识别文字区域,输出对应文字。
2.根据权利要求1所述的印章智能检测与识别的方法,其特征在于,所述在特征图上确定多个长方形的候选框包括:
在特征图上确定多个锚点,每个锚点作为候选框的顶点之一,按照预定的候选框面积和预定的候选框长宽比例,生成若干个候选框。
3.根据权利要求2所述的印章智能检测与识别的方法,其特征在于,所述生成若干个候选框包括:
将生成的候选框粗过滤,过滤掉跟印章完全无关的候选框。
4.根据权利要求1所述的印章智能检测与识别的方法,其特征在于,所述将印章中的文字区域变换拉平包括:
对于圆章,根据圆心将圆章展开,将弧形的文字区域拉平;
对于椭圆章,根据椭圆焦点将椭圆章展开,将弧形的文字区域拉平;
对于矩形章,通过NLP定位文字的方向,将文字区域变换为水平排布的一行。
5.根据权利要求1所述的印章智能检测与识别的方法,其特征在于,所述识别文字区域包括:
使用CRNN算法识别文字区域。
6.根据权利要求1所述的印章智能检测与识别的方法,其特征在于,所述输出对应文字包括:
获取印章的预期文字;
通过Burkhard Keller Tree算法计算输出对应文字的置信度。
7.一种印章智能检测与识别的系统,其特征在于,所述系统包括:
特征抽取模块,所述特征抽取模块自原始图片抽取出特征图;
印章检测模块,所述印章检测模块在特征图上确定多个长方形的候选框,将候选框分类,所述将候选框分类包括:将候选框按照其内包含的印章种类分为圆章、椭圆章、矩形章、非印章四类,定位印章所在的候选框,调整候选框的大小,所述定位印章所在的候选框,调整候选框的大小包括:通过卷积网络和bounding box回归,对候选框的中心点进行定位,并对候选框的大小进行调整;
印章文字变换模块,所述印章文字变换模块将印章中的文字区域变换拉平;以及
印章文字识别模块,所述印章文字识别模块识别文字区域,输出对应文字。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910921149.6A CN110728277B (zh) | 2019-09-27 | 2019-09-27 | 一种印章智能检测与识别的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910921149.6A CN110728277B (zh) | 2019-09-27 | 2019-09-27 | 一种印章智能检测与识别的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728277A CN110728277A (zh) | 2020-01-24 |
CN110728277B true CN110728277B (zh) | 2024-04-05 |
Family
ID=69219546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910921149.6A Active CN110728277B (zh) | 2019-09-27 | 2019-09-27 | 一种印章智能检测与识别的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728277B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709464B (zh) * | 2020-06-02 | 2023-06-20 | 中科九度(北京)空间信息技术有限责任公司 | 基于数据字典配置和印章图像识别技术的系统及筛选方法 |
CN111767911B (zh) * | 2020-06-22 | 2024-06-28 | 平安科技(深圳)有限公司 | 面向复杂环境的印章文字检测识别方法、装置及介质 |
CN111950355A (zh) * | 2020-06-30 | 2020-11-17 | 深圳市雄帝科技股份有限公司 | 印章识别方法、装置及电子设备 |
CN112418207B (zh) * | 2020-11-23 | 2024-03-19 | 南京审计大学 | 一种基于自注意力蒸馏的弱监督文字检测方法 |
CN112669367B (zh) * | 2020-12-25 | 2024-05-14 | 平安科技(深圳)有限公司 | 盖章位置检测方法、装置、计算机设备及存储介质 |
CN113076795A (zh) * | 2021-02-09 | 2021-07-06 | 江苏省联合征信有限公司 | 一种带印章的表格协议书图像自动审核方法 |
CN113269102B (zh) * | 2021-05-28 | 2024-08-23 | 中邮信息科技(北京)有限公司 | 一种印章信息识别方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005064524A1 (fr) * | 2003-12-30 | 2005-07-14 | Ruizhen Liu | Systeme de sceau numerique |
CN108491870A (zh) * | 2018-03-14 | 2018-09-04 | 平安科技(深圳)有限公司 | 电子装置、物理印章识别方法和计算机可读存储介质 |
CN109376658A (zh) * | 2018-10-26 | 2019-02-22 | 信雅达系统工程股份有限公司 | 一种基于深度学习的ocr方法 |
WO2019174130A1 (zh) * | 2018-03-14 | 2019-09-19 | 平安科技(深圳)有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
-
2019
- 2019-09-27 CN CN201910921149.6A patent/CN110728277B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005064524A1 (fr) * | 2003-12-30 | 2005-07-14 | Ruizhen Liu | Systeme de sceau numerique |
CN108491870A (zh) * | 2018-03-14 | 2018-09-04 | 平安科技(深圳)有限公司 | 电子装置、物理印章识别方法和计算机可读存储介质 |
WO2019174130A1 (zh) * | 2018-03-14 | 2019-09-19 | 平安科技(深圳)有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
CN109376658A (zh) * | 2018-10-26 | 2019-02-22 | 信雅达系统工程股份有限公司 | 一种基于深度学习的ocr方法 |
Non-Patent Citations (1)
Title |
---|
蔡亮 ; 梅丽 ; .基于楔环结构的彩色印章检测和对齐方法.浙江大学学报(工学版).2006,(10),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110728277A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728277B (zh) | 一种印章智能检测与识别的方法及系统 | |
CN110363102B (zh) | 一种pdf文件的对象识别处理方法及装置 | |
CN111401372B (zh) | 一种扫描文档图文信息提取与鉴别的方法 | |
CN110348294B (zh) | Pdf文档中图表的定位方法、装置及计算机设备 | |
CN111985464B (zh) | 面向法院判决文书的多尺度学习的文字识别方法及系统 | |
CN107093172B (zh) | 文字检测方法及系统 | |
US10817741B2 (en) | Word segmentation system, method and device | |
KR101617681B1 (ko) | 히스토그램들을 갖는 다중 층 연결 요소들을 사용하는 텍스트 검출 | |
Sheikh et al. | Traffic sign detection and classification using colour feature and neural network | |
CN105447522A (zh) | 一种复杂图像文字识别系统 | |
CN112949507A (zh) | 人脸检测方法、装置、计算机设备及存储介质 | |
CN104778470A (zh) | 基于组件树和霍夫森林的文字检测和识别方法 | |
CN112101386B (zh) | 文本检测方法、装置、计算机设备和存储介质 | |
CN111553363B (zh) | 一种端到端的图章识别方法及系统 | |
CN112307853A (zh) | 航拍图像的检测方法、存储介质和电子装置 | |
Do et al. | Automatic license plate recognition using mobile device | |
CN112052855A (zh) | 一种基于深度学习的车牌识别方法及装置 | |
Fleyeh | Traffic and road sign recognition | |
CN111583180A (zh) | 一种图像的篡改识别方法、装置、计算机设备及存储介质 | |
CN115063802A (zh) | 一种基于PSENet的圆形印章识别方法、设备及介质 | |
CN113743318A (zh) | 基于行列分割的表格结构识别方法、存储介质和电子装置 | |
CN101802844B (zh) | 用于将分割引擎应用于数字图像的不同映射的方法和设备 | |
CN114387600B (zh) | 文本特征识别方法、装置、计算机设备和存储介质 | |
Oublal et al. | An advanced combination of semi-supervised Normalizing Flow & Yolo (YoloNF) to detect and recognize vehicle license plates | |
CN112101385B (zh) | 一种弱监督文本检测方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Country or region after: Zhong Guo Address after: 201203 rooms 301, 303 and 304, block B, 112 liangxiu Road, Pudong New Area, Shanghai Applicant after: Daguan Data Co.,Ltd. Address before: 201203 rooms 301, 303 and 304, block B, 112 liangxiu Road, Pudong New Area, Shanghai Applicant before: DATAGRAND INFORMATION TECHNOLOGY (SHANGHAI) Co.,Ltd. Country or region before: Zhong Guo |
|
GR01 | Patent grant | ||
GR01 | Patent grant |