CN110991434A - 自助终端证件识别方法及装置 - Google Patents

自助终端证件识别方法及装置 Download PDF

Info

Publication number
CN110991434A
CN110991434A CN201911136238.6A CN201911136238A CN110991434A CN 110991434 A CN110991434 A CN 110991434A CN 201911136238 A CN201911136238 A CN 201911136238A CN 110991434 A CN110991434 A CN 110991434A
Authority
CN
China
Prior art keywords
self
service terminal
certificate
image
character
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
Application number
CN201911136238.6A
Other languages
English (en)
Other versions
CN110991434B (zh
Inventor
潘喆琼
龙正雄
胡瑞瑞
毛倩倩
李晓岚
华秋明
柳婷婷
方琛宠
杨建立
赵婉芳
严晓昇
李莉
吴凯
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.)
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
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 Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN201911136238.6A priority Critical patent/CN110991434B/zh
Publication of CN110991434A publication Critical patent/CN110991434A/zh
Application granted granted Critical
Publication of CN110991434B publication Critical patent/CN110991434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Character Input (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种自助终端证件识别方法及装置，应用于自助终端，包括如下步骤：获取证件的原始图像；通过Otsu算法和Beresen算法对原始图像进行图像二值化处理，得到二值化图像；对二值化图像进行识别区域定位；提取字符的特征向量；通过神经网络框架训练得到的分类器对所提取到字符的特征向量进行特征向量分类，实现字符的识别；同时公开了对应的装置。本发明可实现自助终端业务办理流程在提交证件时就完成证件图片信息的自动识别与核对，从而减轻后台审核人员压力，提升业务办理的效率，更进一步推进营业厅智能化，业务办理便民化。

Description

自助终端证件识别方法及装置
技术领域
本发明涉及自助终端技术领域，尤其涉及一种自助终端证件识别方法及装置。
背景技术
随着营业厅的智能化改造，全新的自助设备已经投入实际使用，新型自助设备相比于传统自助设备在功能完善和硬件完备方面有了明显提升。
因此，现有营业厅每日收到大量线上受理业务，多以自主设备上传为主。电力公司在为用户办理业务时，需要采集用户身份证信息等用户基础信息，为了确保用户信息的真实、完整、可靠，同时增加用户信息采集的便利化，需要多种渠道采集用户信息，然后通过比对，确保信息的真实、完整可靠。通常人工步骤是先对顾客进行拍照，获取身份证上面的头像，然后通过键盘输入身份证上的信息，但是这种步骤不仅耗时，而且容易出错。
另外，这些由自主设备上传的证件都要由后台工作人员人工审核，一旦审核超时、出错，会影响用户的业务办理，从而受到投诉。而人工审核存在多种弊端：(1)人工劳动强度非常大、人力资源成本非常高；(2)大量的人工、识别比对难免出错、造成数据的不一致性，违背了人工识别比对数据的初衷；(3)公司对数据的时效性、客服满意度的要求，时间非常紧，而人工识别的时效性难以保证；(4)来源各异的图片质量千差万别，人工识别难度非常大；(5)图片的分辨率、图片的旋转角度差异、目标区域占整幅图片的比例差异非常大等问题非常突出。(6)审核模块位于结构复杂的网站系统中，操作繁琐，网站加载无用信息使运行缓慢，影响审核效率。
发明内容
本发明提出一种自助终端证件识别方法及装置以解决上述技术问题。
为了达到上述目的，本发明所采用的技术方案为：
根据本发明实施例第一方面，提供了一种自助终端证件识别方法，应用于自助终端，包括如下步骤：
步骤101，获取证件的原始图像；
步骤102，通过Otsu算法和Beresen算法对原始图像进行图像二值化处理，得到二值化图像；
步骤103，对二值化图像进行识别区域定位；
步骤104，提取字符的特征向量；
步骤105，通过神经网络框架训练得到的分类器对所提取到字符的特征向量进行特征向量分类，实现字符的识别。
作为优选，设定所述证件的原始图像上点(x,y)的灰度值函数为f(x,y)，所述步骤102包括如下步骤：
步骤1021，通过Otsu算法计算获得证件原始图像的全局阈值T；
步骤1022，通过Beresen方法计算得到证件原始图像的灰度均值Tbn：
Figure BDA0002279679030000021
其中i、j为整数-k至整数k之间的任意整数；
步骤1023，对原始图像进行图像二值化处理，得到二值化图像：
Figure BDA0002279679030000022
其中，T为全局阈值，Tbn为灰度均值，矫正因子b由下面公式确定：
Figure BDA0002279679030000023
其中，g2为原始图像中灰度值的最大值，g1为原始图像中灰度值的最小值，C为经验系数且C＝0.12。
作为优选，所述步骤103包括如下步骤：
步骤1031，将二值化图像进行黑白反色处理，即背景为黑色，待识别字符为白色；
步骤1032，对黑白反色处理后的图像进行闭操作，检测二值化图像中的白色像素块的外轮廓，将符合预定长宽比及面积要求的轮廓提取出来。
作为优选，所述步骤104中“提取字符的特征向量”是指提取每一个字符的梯度分布特征、灰度分布特征、水平投影直方图和垂直投影直方图，以得到每个字符的特征向量。
作为优选，所述神经网络框架训练得到的分类器的获得方法是：由多张身份证图片上分割图像后经过特征提取，获得训练矩阵和标签矩阵，通过BP多层神经网络和深度学习模型进行字符识别训练得到。
作为优选，当证件为身份证时，步骤105之后还包括：
步骤106，校验位计算：当身份证号码的前17位数字字符完成识别而最后1位号码即校验位未能识别时，校验位通过前17位数字计算得到。
根据本发明实施例第二方面，提供了一种自助终端证件识别装置，应用于自助终端，包括：
原始图像获取模块，用于获取证件的原始图像；
图像二值化处理模块，用于通过Otsu算法和Beresen算法对原始图像进行图像二值化处理，得到二值化图像；
识别区域定位模块，用于对二值化图像进行识别区域定位；
字符特征向量提取模块，用于提取字符的特征向量；
字符识别模块，用于通过神经网络框架训练得到的分类器对所提取到字符的特征向量进行特征向量分类，实现字符的识别。
作为优选，所述“提取字符的特征向量”是指提取每一个字符的梯度分布特征、灰度分布特征、水平投影直方图和垂直投影直方图，以得到每个字符的特征向量。
作为优选，所述神经网络框架训练得到的分类器的获得方法是：由多张身份证图片上分割图像后经过特征提取，获得训练矩阵和标签矩阵，通过BP多层神经网络和深度学习模型进行字符识别训练得到。
作为优选，还包括：
校验位计算模块，用于当证件为身份证且身份证号码的前17位数字字符完成识别而最后1位号码即校验位未能识别时，校验位通过前17位数字计算得到。
与现有技术相比较，本发明可实现自助终端业务办理流程在提交证件时就完成证件图片信息的自动识别和核对，从而减轻后台审核人员压力，提升业务办理的效率，更进一步推进营业厅智能化，业务办理便民化。
附图说明
图1为本发明自助终端证件识别方法的一种流程图；
图2为本发明自助终端证件识别方法的另一种流程图；
图3为本发明自助终端证件识别装置的一种结构框图；
图4为本发明自助终端证件识别装置的另一种结构框图。
图中，301-原始图像获取模块，302-图像二值化处理模块，303-识别区域定位模块，304-客户服务策略匹配模块，305-字符识别模块，306-校验位计算模块。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
如图1所示，一种自助终端证件识别方法，应用于自助终端，包括如下步骤：
步骤101，获取证件的原始图像。这里，关于身份证原始图像的获取，可以通过自助终端的摄像头拍摄得到，也可以由客户通过网络上传得到。
步骤102，通过Otsu算法和Beresen算法对原始图像进行图像二值化处理，得到二值化图像。
设定所述证件的原始图像上点(x,y)的灰度值函数为f(x,y)，具体可以包括如下步骤：
步骤1021，通过Otsu算法计算获得证件原始图像的全局阈值T。Otsu算法计算获得图像的全局阈值T是计算机视觉库OpenCV上的常用算法，这里不再进行展开描述。
步骤1022，通过Beresen方法计算得到证件原始图像的灰度均值Tbn：
Figure BDA0002279679030000051
其中avg为平均值计算，i、j为整数-k至整数k之间的任意整数，整数k由图像坐标确定。
步骤1023，对原始图像进行图像二值化处理，得到二值化图像：
Figure BDA0002279679030000052
其中，T为全局阈值，Tbn为灰度均值，矫正因子b由下面公式确定：
Figure BDA0002279679030000053
其中，g2为原始图像中灰度值的最大值，g1为原始图像中灰度值的最小值，C为经验系数且C＝0.12。
步骤103，对二值化图像进行识别区域定位。此时，确定要识别的对象，比如是要识别身份证的数字字符，还是文字字符。确定好对象后进行识别区域的定位，对图像进行切割。
具体的，识别区域定位可以按照如下步骤进行：
步骤1031，将二值化图像进行黑白反色处理，即背景为黑色，待识别字符为白色。
比如身份证的数字号码、文字与背景图像颜色区分度高，故进行反色，将数字号码或文字分割出来。
步骤1032，对黑白反色处理后的图像进行闭操作，检测二值化图像中的白色像素块的外轮廓，将符合预定长宽比及面积要求的轮廓提取出来。
此处，图像闭操作是指先膨胀后腐蚀，具有填充物体内细小空洞，连接邻近物体和平滑边界的作用。
步骤104，提取字符的特征向量。
这里，“提取字符的特征向量”是指提取每一个字符的梯度分布特征、灰度分布特征、水平投影直方图和垂直投影直方图，以得到每个字符的特征向量。每个字符的特征向量可以表示为1*72的结构。
步骤105，通过神经网络框架训练得到的分类器对所提取到字符的特征向量进行特征向量分类，实现字符的识别。
神经网络框架训练得到的分类器的获得方法是：由多张身份证图片上分割图像后经过特征提取，获得训练矩阵和标签矩阵，通过BP多层神经网络和深度学习模型进行字符识别训练得到。
如图2所示，当证件为身份证时，步骤105之后还包括如下步骤：
步骤106，校验位计算：当身份证号码的前17位数字字符完成识别而最后1位号码即校验位未能识别时，校验位通过前17位数字计算得到。
校验位计算可按照如下方法进行：将身份证号码前面的17位数分别乘以不同的系数，从第一位到第十七位的系数分别为7、9、10、5、8、4、2、1、6、3、7、9、10、5、8、4、2；将这17位数字和系数相乘的结果相加；除以11，获得余数；余数有0、1、2、3、4、5、6、7、8、9、10共11种可能，每一种余数可能分别对应的最后一位身份证的号码为1、0、X、9、8、7、6、5、4、3、2。
通过上面可知，如果余数是2，即可得到改身份证的第18位数字为罗马数字X。
基于上述方法，如图3所示，本发明提供了一种自助终端证件识别装置，应用于自助终端，包括：
原始图像获取模块301，用于获取证件的原始图像；
图像二值化处理模块302，用于通过Otsu算法和Beresen算法对原始图像进行图像二值化处理，得到二值化图像；
识别区域定位模块303，用于对二值化图像进行识别区域定位；
字符特征向量提取模块304，用于提取字符的特征向量；
字符识别模块305，用于通过神经网络框架训练得到的分类器对所提取到字符的特征向量进行特征向量分类，实现字符的识别。
其中，所述“提取字符的特征向量”是指提取每一个字符的梯度分布特征、灰度分布特征、水平投影直方图和垂直投影直方图，以得到每个字符的特征向量。所述神经网络框架训练得到的分类器的获得方法是：由多张身份证图片上分割图像后经过特征提取，获得训练矩阵和标签矩阵，通过BP多层神经网络和深度学习模型进行字符识别训练得到。
特别的，如图4所示，自助终端证件识别装置还包括：
校验位计算模块306，用于当证件为身份证且身份证号码的前17位数字字符完成识别而最后1位号码即校验位未能识别时，校验位通过前17位数字计算得到。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本发明可实现自助终端业务办理流程在提交证件时就完成证件图片信息的自动识别和核对，从而减轻后台审核人员压力，提升业务办理的效率，更进一步推进营业厅智能化，业务办理便民化。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由本申请的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种自助终端证件识别方法，应用于自助终端，其特征在于，包括如下步骤：
步骤101，获取证件的原始图像；
步骤102，通过Otsu算法和Beresen算法对原始图像进行图像二值化处理，得到二值化图像；
步骤103，对二值化图像进行识别区域定位；
步骤104，提取字符的特征向量；
步骤105，通过神经网络框架训练得到的分类器对所提取到字符的特征向量进行特征向量分类，实现字符的识别。
2.根据权利要求1所述的自助终端证件识别方法，其特征在于，设定所述证件的原始图像上点(x,y)的灰度值函数为f(x,y)，所述步骤102包括如下步骤：
步骤1021，通过Otsu算法计算获得证件原始图像的全局阈值T；
步骤1022，通过Beresen方法计算得到证件原始图像的灰度均值Tbn：
Figure FDA0002279679020000011
其中i、j为整数-k至整数k之间的任意整数；
步骤1023，对原始图像进行图像二值化处理，得到二值化图像：
Figure FDA0002279679020000012
其中，T为全局阈值，Tbn为灰度均值，矫正因子b由下面公式确定：
Figure FDA0002279679020000013
其中，g2为原始图像中灰度值的最大值，g1为原始图像中灰度值的最小值，C为经验系数且C＝0.12。
3.根据权利要求1所述的自助终端证件识别方法，其特征在于，所述步骤103包括如下步骤：
步骤1031，将二值化图像进行黑白反色处理，即背景为黑色，待识别字符为白色；
步骤1032，对黑白反色处理后的图像进行闭操作，检测二值化图像中的白色像素块的外轮廓，将符合预定长宽比及面积要求的轮廓提取出来。
4.根据权利要求1所述的自助终端证件识别方法，其特征在于，所述步骤104中“提取字符的特征向量”是指提取每一个字符的梯度分布特征、灰度分布特征、水平投影直方图和垂直投影直方图，以得到每个字符的特征向量。
5.根据权利要求1所述的自助终端证件识别方法，其特征在于，所述神经网络框架训练得到的分类器的获得方法是：由多张身份证图片上分割图像后经过特征提取，获得训练矩阵和标签矩阵，通过BP多层神经网络和深度学习模型进行字符识别训练得到。
6.根据权利要求1至5任一项所述的自助终端证件识别方法，其特征在于，当证件为身份证时，步骤105之后还包括：
步骤106，校验位计算：当身份证号码的前17位数字字符完成识别而最后1位号码即校验位未能识别时，校验位通过前17位数字计算得到。
7.一种自助终端证件识别装置，应用于自助终端，其特征在于，包括：
原始图像获取模块，用于获取证件的原始图像；
图像二值化处理模块，用于通过Otsu算法和Beresen算法对原始图像进行图像二值化处理，得到二值化图像；
识别区域定位模块，用于对二值化图像进行识别区域定位；
字符特征向量提取模块，用于提取字符的特征向量；
字符识别模块，用于通过神经网络框架训练得到的分类器对所提取到字符的特征向量进行特征向量分类，实现字符的识别。
8.根据权利要求7所述的自助终端证件识别装置，其特征在于，所述“提取字符的特征向量”是指提取每一个字符的梯度分布特征、灰度分布特征、水平投影直方图和垂直投影直方图，以得到每个字符的特征向量。
9.根据权利要求7所述的自助终端证件识别方法，其特征在于，所述神经网络框架训练得到的分类器的获得方法是：由多张身份证图片上分割图像后经过特征提取，获得训练矩阵和标签矩阵，通过BP多层神经网络和深度学习模型进行字符识别训练得到。
10.根据权利要求7至9任一项所述的自助终端证件识别装置，其特征在于，还包括：
校验位计算模块，用于当证件为身份证且身份证号码的前17位数字字符完成识别而最后1位号码即校验位未能识别时，校验位通过前17位数字计算得到。
CN201911136238.6A 2019-11-19 2019-11-19 自助终端证件识别方法及装置 Active CN110991434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911136238.6A CN110991434B (zh) 2019-11-19 2019-11-19 自助终端证件识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911136238.6A CN110991434B (zh) 2019-11-19 2019-11-19 自助终端证件识别方法及装置

Publications (2)

Publication Number Publication Date
CN110991434A true CN110991434A (zh) 2020-04-10
CN110991434B CN110991434B (zh) 2023-07-14

Family

ID=70085298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911136238.6A Active CN110991434B (zh) 2019-11-19 2019-11-19 自助终端证件识别方法及装置

Country Status (1)

Country Link
CN (1) CN110991434B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580618A (zh) * 2020-10-30 2021-03-30 中电万维信息技术有限责任公司 一种基于ocr的电子证照核验方法
CN112883970A (zh) * 2021-03-02 2021-06-01 湖南金烽信息科技有限公司 一种基于神经网络模型的数字识别方法
CN113537216A (zh) * 2021-07-22 2021-10-22 凌云光技术股份有限公司 一种点阵字体文本行倾斜校正方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5915039A (en) * 1996-11-12 1999-06-22 International Business Machines Corporation Method and means for extracting fixed-pitch characters on noisy images with complex background prior to character recognition
JP2004180000A (ja) * 2002-11-27 2004-06-24 Kansai Tlo Kk 画像の２値化装置および方法
CN101751568A (zh) * 2008-12-12 2010-06-23 汉王科技股份有限公司 证件号码定位和识别方法
CN101937508A (zh) * 2010-09-30 2011-01-05 湖南大学 一种基于高清图像的车牌定位与识别方法
WO2017116226A1 (en) * 2015-12-30 2017-07-06 Mimos Berhad System and method to identify identification plate characters using background estimation binarization
US20180157927A1 (en) * 2015-08-04 2018-06-07 Alibaba Group Holding Limited Character Segmentation Method, Apparatus and Electronic Device
CN108875612A (zh) * 2018-06-06 2018-11-23 南宁职业技术学院 一种足迹图像的处理方法
CN109190630A (zh) * 2018-08-29 2019-01-11 摩佰尔（天津）大数据科技有限公司 字符识别方法
WO2019041424A1 (zh) * 2017-08-28 2019-03-07 上海壹账通金融科技有限公司 验证码识别方法、装置、计算机设备及计算机存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5915039A (en) * 1996-11-12 1999-06-22 International Business Machines Corporation Method and means for extracting fixed-pitch characters on noisy images with complex background prior to character recognition
JP2004180000A (ja) * 2002-11-27 2004-06-24 Kansai Tlo Kk 画像の２値化装置および方法
CN101751568A (zh) * 2008-12-12 2010-06-23 汉王科技股份有限公司 证件号码定位和识别方法
CN101937508A (zh) * 2010-09-30 2011-01-05 湖南大学 一种基于高清图像的车牌定位与识别方法
US20180157927A1 (en) * 2015-08-04 2018-06-07 Alibaba Group Holding Limited Character Segmentation Method, Apparatus and Electronic Device
WO2017116226A1 (en) * 2015-12-30 2017-07-06 Mimos Berhad System and method to identify identification plate characters using background estimation binarization
WO2019041424A1 (zh) * 2017-08-28 2019-03-07 上海壹账通金融科技有限公司 验证码识别方法、装置、计算机设备及计算机存储介质
CN108875612A (zh) * 2018-06-06 2018-11-23 南宁职业技术学院 一种足迹图像的处理方法
CN109190630A (zh) * 2018-08-29 2019-01-11 摩佰尔（天津）大数据科技有限公司 字符识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LINGXIAO YANG 等: ""The Improvement of Bernsen Binarization Algorithm for QR Code Image"" *
杨芳彬: ""车牌图像预处理与字符分割算法研究"" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580618A (zh) * 2020-10-30 2021-03-30 中电万维信息技术有限责任公司 一种基于ocr的电子证照核验方法
CN112883970A (zh) * 2021-03-02 2021-06-01 湖南金烽信息科技有限公司 一种基于神经网络模型的数字识别方法
CN113537216A (zh) * 2021-07-22 2021-10-22 凌云光技术股份有限公司 一种点阵字体文本行倾斜校正方法及装置
CN113537216B (zh) * 2021-07-22 2024-05-31 凌云光技术股份有限公司 一种点阵字体文本行倾斜校正方法及装置

Also Published As

Publication number Publication date
CN110991434B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN108090511B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN110991434B (zh) 自助终端证件识别方法及装置
CN110569878A (zh) 一种基于卷积神经网络的照片背景相似度聚类方法及计算机
Yimyam et al. The automated parking fee calculation using license plate recognition system
CN106683073B (zh) 一种车牌的检测方法及摄像机和服务器
WO2022156178A1 (zh) 图像目标对比方法、装置、计算机设备及可读存储介质
CN107292307B (zh) 一种倒置汉字验证码自动识别方法及系统
CN106203539B (zh) 识别集装箱箱号的方法和装置
CN113569863B (zh) 一种单据稽查的方法、系统、电子设备及存储介质
CN111784675A (zh) 物品纹理信息处理的方法、装置、存储介质及电子设备
CN110969202A (zh) 基于颜色分量和感知哈希算法的人像采集环境验证方法及系统
CN110473181A (zh) 基于边缘特征信息的屏幕内容图像的无参质量评价方法
CN109741273A (zh) 一种手机拍照低质图像的自动处理与评分方法
CN114359235A (zh) 一种基于改进YOLOv5l网络的木材表面缺陷检测方法
Alaei et al. Document image quality assessment based on improved gradient magnitude similarity deviation
CN109784379B (zh) 纺织品图片特征库的更新方法和装置
CN109635679B (zh) 一种实时的靶纸定位及环线识别方法
CN111507119A (zh) 标识码识别方法、装置、电子设备及计算机可读存储介质
CN116311088B (zh) 一种基于建筑工地的施工安全监测方法
CN110135274B (zh) 一种基于人脸识别的人流量统计方法
Bala et al. Image simulation for automatic license plate recognition
CN104408430B (zh) 一种车牌定位方法及装置
CN114741553B (zh) 基于图像特征的图片搜索方法
CN115909312A (zh) 一种基于深度学习的板坯号实时检测与识别方法
CN112541899B (zh) 证件的残缺检测方法、装置、电子设备及计算机存储介质

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
GR01 Patent grant
GR01 Patent grant