CN111914847B - 一种基于模板匹配的ocr识别方法及其系统 - Google Patents
一种基于模板匹配的ocr识别方法及其系统 Download PDFInfo
- Publication number
- CN111914847B CN111914847B CN202010715323.4A CN202010715323A CN111914847B CN 111914847 B CN111914847 B CN 111914847B CN 202010715323 A CN202010715323 A CN 202010715323A CN 111914847 B CN111914847 B CN 111914847B
- Authority
- CN
- China
- Prior art keywords
- character
- characteristic value
- image
- horizontal
- calculating
- 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 48
- 238000012015 optical character recognition Methods 0.000 title description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims description 31
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000002093 peripheral effect Effects 0.000 claims description 7
- 238000003491 array Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000004807 localization Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
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
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V20/63—Scene text, e.g. street names
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及一种基于模板匹配的OCR识别方法及其系统,通过对图像进行预处理,投影切割字符,将字符划分为多个网格,并计算网格特征值,将特征值与模板特征值比对计算相似度,以相似度最高的模板作为识别结果。本发明有益效果:适用于大部分场景,算法开发难度低,效率高,识别精度高。
Description
技术领域
本发明涉及一种基于模板匹配的OCR识别方法及其系统,属于OCR识别领域。
背景技术
传统意义上的OCR(optical character recognition)文字识别是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符,然后用字符识别方法将形状翻译成计算机文字的过程;即,对文本资料进行扫描,然后对图像文件进行分析处理,获取文字及版面信息的过程。随着近年来图像处理技术的进步,对于OCR文字识别的需求越来越多,场景应用也不再局限于纸面文字,包括车牌识别,护照识别,交通标志识别等等。
随着深度学习的进步,目前越来越多的OCR技术采用基于神经网络的识别方法或者传统的机器学习knn分类算法进行识别,这些技术在准确率上虽然满足要求,但算法开发周期长,耗时长且要求的所需要的运行设备硬件要求高,在一些简单的应用场景上性价比不高,如车牌识别领域。
发明内容
为了解决上述技术问题,本发明提供一种基于模板匹配的OCR识别方法及其系统,通过对图像的预处理,对切割后的单字符文字进行快速模板比对识别,设备要求低,适配性高,成本低,识别效果好。
本发明的技术方案一:
一种基于模板匹配的OCR识别方法,包括如下步骤:
S1:获取目标图像;
S2:对所述目标图像进行预处理,所述预处理包括:对获取的目标图像进行定位、图像转正、二值化、去噪。
S3:对经过预处理的目标图像进行字符切割,以获得单独的字符图像,利用投影算法对所述字符进行切割处理。
S4:将所述单独的字符图像进行垂直投影分割获得N个一级网格,对所述一级网格进行水平投影分割获得N2个二级网格,对所述二级网格进行垂直投影分割获得2N2个三级网格,对所述三级网格进行水平投影分割获得4N2个四级网格,其中,N的取值大于2。
S5:计算所有的所述四级网格图像的特征值,所述特征值包括:笔画方向的对比特征值,横竖笔画判断的位特征值,撇捺笔画判断的位特征值,大小判断的位特征值,形状判断的位特征值。
S6:将所述特征值与字符模板的对应特征值按照从左到右的顺序,依次比对对应位置的数值,如果数值一致,则相似度加1,计算所有特征值的相似度总和,取相似度总和最大的字符模板所代表的字符作为字符识别结果。
所述S2步骤具体为:
S21:对所述目标图像进行目标定位,通过彩色图像定位方法,找到符合的颜色特征区域并进行裁剪;
S22:对经过定位裁剪的目标图像进行转正处理。
S23:对经过转正处理的目标图像通过OTSU算法进行二值化处理获得二值化图像。
S24:对所述二值化图像通过连通域去噪方法进行去噪处理,获得经过预处理的目标图像。
所述S3步骤中,对所述经过预处理的目标图像的进行垂直方向投影,对每一列的字符像素点数进行统计,获得表征目标图像的直方图,所述直方图中的波谷位置即为字符间隔,根据字符间隔分割出单独字符图像。
所述S4步骤具体为:
S41:对所述单独字符图像进行垂直投影,统计每列的字符像素点数,并计算字符像素点数总和,从第一列起依次累加每列的字符像素点数,当累计点数达到点数总和的1/N时,此时的列记录为第一垂直分割线,继续累加,当累计点数达到点数总和的2/N时,此时的列记录为第二垂直分割线,以此类推,直至得到第N-1垂直分割线,所述第一至第N-1垂直分割线将所述单独字符图像分割为N个一级网格;
S42:对S41步骤获得的每个一级网格的图像进行水平投影,统计每行的字符像素点数,并计算字符像素点数总和,从第一行起依次累加每行的字符像素点数,当累计点数达到点数总和的1/N时,此时的行记录为第一水平分割线,继续累加,当累计点数达到点数总和的2/N时,此时的行记录为第二水平分割线,以此类推,直至得到第N-1水平分割线,所述第一至第N-1水平分割线将所述每个一级网格的图像分割为N个二级网格,所述单独字符图像被划分为N2个二级网格;
S43:对S42步骤获得的每个二级网格的图像进行垂直投影,统计每列的字符像素点数,并计算字符像素点数总和,从第一列起依次累加每列的字符像素点数,当累计点数达到点数总和的1/2时,此时的列记录为第N垂直分割线,所述第N垂直分割线将所述二级网格图像分割成2个三级网格,所述单独字符图像被划分为2N2个三级网格;
S44:对S43步骤获得的每个三级网格的图像进行水平投影,统计每行的字符像素点数,并计算字符像素点数总和,从第一行起依次累加每行的字符像素点数,当累计点数达到点数总和的1/2时,此时的行记录为第N水平分割线,所述第N水平分割线将所述三级网格图像分割成2个四级网格,最终将所述单独字符图像划分为4N2个四级网格。
所述S5步骤具体为:
S51:计算所述笔画方向的对比特征值,每个字符像素点根据周边8个像素点组成包含9个像素点的九宫格阵列,将所述九宫格阵列和横竖撇捺4个模板阵列比对,判断当前字符像素点的类别,计算判断为横竖撇捺4个类别的字符像素点个数,其中,最小点数和最大点数的比值记为笔画方向的对比特征值。
S52:计算所述横竖笔画判断的位特征值,根据S51计算的像素点类别值,当判断为横的字符像素点个数大于判断为竖的字符像素点个数,则所述四级网格横竖笔画判断的位特征值记为0,反之,则所述四级网格横竖笔画判断的位特征值记为1。
S53:计算所述撇捺笔画判断的位特征值,根据S51计算的像素点类别值,当判断为撇的字符像素点个数大于判断为捺的字符像素点个数,则所述四级网格撇捺笔画判断的位特征值记为0,反之,则所述四级网格横竖笔画判断的位特征值记为1。
S54:计算所述形状判断的位特征值,当所述四级网格的宽大于高时,则所述四级网格的形状判断的位特征值记为0,反之,则所述四级网格的形状判断的位特征值记为1。
S55:计算所述大小判断的位特征值,计算所有所述四级网格的面积大小,并求面积平均值,当所述四级网格的面积小于平均值时,则所述四级网格的大小判断的位特征值记为0,反之,则所述四级网格的大小判断的位特征值记为1。
技术方案二:
一种基于模板匹配的OCR识别系统,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:
S1:获取目标图像。
S2:对所述目标图像进行预处理,所述预处理包括:对获取的目标图像进行定位、图像转正、二值化、去噪。
S3:对经过预处理的目标图像进行字符切割,以获得单独的字符图像,利用投影算法对所述字符进行切割处理。
S4:将所述单独的字符图像进行垂直投影分割获得N个一级网格,对所述一级网格进行水平投影分割获得N2个二级网格,对所述二级网格进行垂直投影分割获得2N2个三级网格,对所述三级网格进行水平投影分割获得4N2个四级网格,其中,N的取值大于2。
S5:计算所有的所述四级网格图像的特征值,所述特征值包括:笔画方向的对比特征值,横竖笔画判断的位特征值,撇捺笔画判断的位特征值,大小判断的位特征值,形状判断的位特征值。
S6:将所述特征值与字符模板的对应特征值按照从左到右的顺序,依次比对对应位置的数值,如果数值一致,则相似度加1,计算所有特征值的相似度总和,取相似度总和最大的字符模板所代表的字符作为字符识别结果。
所述S2步骤具体为:
S21:对所述目标图像进行目标定位,通过彩色图像定位方法,找到符合的颜色特征区域并进行裁剪。
S22:对经过定位裁剪的目标图像进行转正处理。
S23:对经过转正处理的目标图像通过OTSU算法进行二值化处理获得二值化图像。
S24:对所述二值化图像通过连通域去噪方法进行去噪处理,获得经过预处理的目标图像。
所述S3步骤中,对所述经过预处理的目标图像的进行垂直方向投影,对每一列的字符像素点数进行统计,获得表征目标图像的直方图,所述直方图中的波谷位置即为字符间隔,根据字符间隔分割出单独字符图像。
所述S4步骤具体为:
S41:对所述单独字符图像进行垂直投影,统计每列的字符像素点数,并计算字符像素点数总和,从第一列起依次累加每列的字符像素点数,当累计点数达到点数总和的1/N时,此时的列记录为第一垂直分割线,继续累加,当累计点数达到点数总和的2/N时,此时的列记录为第二垂直分割线,以此类推,直至得到第N-1垂直分割线,所述第一至第N-1垂直分割线将所述单独字符图像分割为N个一级网格;
S42:对S41步骤获得的每个一级网格的图像进行水平投影,统计每行的字符像素点数,并计算字符像素点数总和,从第一行起依次累加每行的字符像素点数,当累计点数达到点数总和的1/N时,此时的行记录为第一水平分割线,继续累加,当累计点数达到点数总和的2/N时,此时的行记录为第二水平分割线,以此类推,直至得到第N-1水平分割线,所述第一至第N-1水平分割线将所述每个一级网格的图像分割为N个二级网格,所述单独字符图像被划分为N2个二级网格;
S43:对S42步骤获得的每个二级网格的图像进行垂直投影,统计每列的字符像素点数,并计算字符像素点数总和,从第一列起依次累加每列的字符像素点数,当累计点数达到点数总和的1/2时,此时的列记录为第N垂直分割线,所述第N垂直分割线将所述二级网格图像分割成2个三级网格,所述单独字符图像被划分为2N2个三级网格;
S44:对S43步骤获得的每个三级网格的图像进行水平投影,统计每行的字符像素点数,并计算字符像素点数总和,从第一行起依次累加每行的字符像素点数,当累计点数达到点数总和的1/2时,此时的行记录为第N水平分割线,所述第N水平分割线将所述三级网格图像分割成2个四级网格,最终将所述单独字符图像划分为4N2个四级网格。
所述S5步骤具体为:
S51:计算所述笔画方向的对比特征值,每个字符像素点根据周边8个像素点组成包含9个像素点的九宫格阵列,将所述九宫格阵列和横竖撇捺4个模板阵列比对,判断当前字符像素点的类别,计算判断为横竖撇捺4个类别的字符像素点个数,其中,最小点数和最大点数的比值记为笔画方向的对比特征值。
S52:计算所述横竖笔画判断的位特征值,根据S51计算的像素点类别值,当判断为横的字符像素点个数大于判断为竖的字符像素点个数,则所述四级网格横竖笔画判断的位特征值记为0,反之,则所述四级网格横竖笔画判断的位特征值记为1。
S53:计算所述撇捺笔画判断的位特征值,根据S51计算的像素点类别值,当判断为撇的字符像素点个数大于判断为捺的字符像素点个数,则所述四级网格撇捺笔画判断的位特征值记为0,反之,则所述四级网格横竖笔画判断的位特征值记为1。
S54:计算所述形状判断的位特征值,当所述四级网格的宽大于高时,则所述四级网格的形状判断的位特征值记为0,反之,则所述四级网格的形状判断的位特征值记为1。
S55:计算所述大小判断的位特征值,计算所有所述四级网格的面积大小,并求面积平均值,当所述四级网格的面积小于平均值时,则所述四级网格的大小判断的位特征值记为0,反之,则所述四级网格的大小判断的位特征值记为1。
本发明具有如下有益效果:
1、通过预处理实现快速识别目标区域并且切割字符;
2、通过统一的投影方法将字符进行分割处理,保证文字的局部细节表达;
3、通过设置多个特征值,并计算每个字符网格的特征值,组成字符特征值数组,使得字符的细节特征表达更丰富,减少因为细节粗糙导致的识别错误;
4、通过将字符特征值与预先设置的模板特征进行相似度计算,确保比对的正确性。
附图说明
图1为本发明的一种基于模板匹配的OCR识别方法的流程示意图;
图2为本发明一个实施例的目标图;
图3为本发明一个实施例的经过图像定位和裁剪的目标示意图;
图4为本发明一个实施例的根据垂直投影直方图进行字符分割的示意图;
图5为本发明一个实施例的经过分割的字符示意图;
图6为本发明一个实施例的单独字符网格划分示意图;
图7为本发明的一种基于模板匹配的OCR识别方法的横竖撇捺模板示意图;
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1,一种基于模板匹配的OCR识别方法,包括如下步骤:
S1:获取目标图像。如图2所示,本实施例是一种车牌识别系统,通过摄像头和红外感应装置联通,当红外感应装置发现有汽车进入区域时,摄像头拍摄一张车头照片。
S2:对所述目标图像进行预处理。
S2步骤具体为:
S21:对所述目标图像进行目标定位,通过彩色图像定位方法,找到符合的颜色特征区域并进行裁剪。
除了彩色图像定位方法,目前常用定位方法还包括,基于纹理特征分析的方法、基于边缘检测的方法、基于数学形态学定位、基于小波分析定位等。针对不同的应用场景可以选用适合的定位方法,针对本实施例的车牌定位,采用基于彩色图像定位方法更加高效。由于国内车牌一般分为蓝牌、黄牌、绿牌,通过找到符合车牌颜色特征的区域进行筛选,如图3所示,在图2中发现蓝色区域,对蓝色车牌区域进行裁剪。
S22:对经过定位裁剪的目标图像进行转正处理。
因为摄像头的摆放位置和车辆进入的角度问题,大部分获得的图像都会发生侧向畸变,需要进行转正处理,将其转正为正面图像,便于后续的字符分割。
S23:对经过转正处理的目标图像通过OTSU算法进行二值化处理获得二值化图像。
S24:对所述二值化图像通过连通域去噪方法进行去噪处理,获得经过预处理的目标图像。
所述OTSU算法为最大类间方差法,是一种常用的二值化方法,将位于阈值上下的像素点统一为黑色像素点或者白色像素点,其中黑色像素点即字符像素点,白色像素点即背景像素点。二值化后的图像可能存在非字符噪点,采用现有的连通域去噪方法,去除未满足字符特征的区域,如宽高太小的连通域的区域,如图3中,车牌的四个固定螺栓,或者车牌上的污染点。
S2步骤中采用的各类预处理方法为现有技术。
S3:对经过预处理的目标图像进行字符切割,以获得单独的字符图像,利用投影算法对所述字符进行切割处理。
S3步骤中,对所述经过预处理的目标图像的进行垂直方向投影,即对每一列的字符像素点数进行统计,获得表征目标图像的直方图,所述直方图中的波谷位置即为字符间隔,根据字符间隔分割出单独字符图像。
如图4所示,投影法为常用的字符分割方法,对二值化图像的垂直方向进行字符像素点的直方图统计,即计算垂直方向上的每一列的字符像素点个数作为纵轴,以列的序号作为横轴制作直方图,直方图中的波谷,即为字符像素点个数最小甚至为0的区域,即为字符的间隔区,从而分割出字符。因为去噪的结果不能达到百分百的去噪,仍会留下一些噪点,所以在直方图的分割过程中,将波谷的阈值设置为10,低于10的波谷位置为间隔区。
S4:将所述单独的字符图像进行垂直投影分割获得N个一级网格,对所述一级网格进行水平投影分割获得N2个二级网格,对所述二级网格进行垂直投影分割获得2N2个三级网格,对所述三级网格进行水平投影分割获得4N2个四级网格,其中,N的取值大于2。
本实施例中,N的取值为3,则将所述单独的字符图像进行垂直投影分割获得3个一级网格,对所述一级网格进行水平投影分割获得9个二级网格,对所述二级网格进行垂直投影分割获得18个三级网格,对所述三级网格进行水平投影分割获得36个四级网格。
虽然汉字字符与英文字符和数字字符人眼看去有区别,但通过本发明的模板切割和特征值选取,可以解释任意一个字符的笔画构成与笔画走向。本实施例中,以汉字字符识别为例,英文字符和数字字符的识别同理。
如图6所示,所述单独字符“闽”,从图像中被分割出,经过多次垂直投影和水平投影被划分为36个网格。
S4步骤具体为:
S41:对所述单独字符图像进行垂直投影,统计每列的字符像素点数,并计算字符像素点数总和,从第一列起依次累加每列的字符像素点数,当累计点数达到点数总和的1/N时,此时的列记录为第一垂直分割线,继续累加,当累计点数达到点数总和的2/N时,此时的列记录为第二垂直分割线,以此类推,直至得到第N-1垂直分割线,所述第一至第N-1垂直分割线将所述单独字符图像分割为N个一级网格;
S42:对S41步骤获得的每个一级网格的图像进行水平投影,统计每行的字符像素点数,并计算字符像素点数总和,从第一行起依次累加每行的字符像素点数,当累计点数达到点数总和的1/N时,此时的行记录为第一水平分割线,继续累加,当累计点数达到点数总和的2/N时,此时的行记录为第二水平分割线,以此类推,直至得到第N-1水平分割线,所述第一至第N-1水平分割线将所述每个一级网格的图像分割为N个二级网格,所述单独字符图像被划分为N2个二级网格;
S43:对S42步骤获得的每个二级网格的图像进行垂直投影,统计每列的字符像素点数,并计算字符像素点数总和,从第一列起依次累加每列的字符像素点数,当累计点数达到点数总和的1/2时,此时的列记录为第N垂直分割线,所述第N垂直分割线将所述二级网格图像分割成2个三级网格,所述单独字符图像被划分为2N2个三级网格;
S44:对S43步骤获得的每个三级网格的图像进行水平投影,统计每行的字符像素点数,并计算字符像素点数总和,从第一行起依次累加每行的字符像素点数,当累计点数达到点数总和的1/2时,此时的行记录为第N水平分割线,所述第N水平分割线将所述三级网格图像分割成2个四级网格,最终将所述单独字符图像划分为4N2个四级网格。
本实施例中,N的取值为3,对所述单独字符图像进行垂直投影,统计每列的字符像素点数,并计算字符像素点数总和,从第一列起依次累加每列的字符像素点数,当累计点数达到点数总和的1/3时,此时的列记录为第一垂直分割线,继续累加,当累计点数达到点数总和的2/3时,此时的列记录为第二垂直分割线,所述第一和第二垂直分割线将所述单独字符图像分割为3个一级网格。
如图6,0-11的12个小块组成的区域为第一一级网格,12-23区域为第二一级网格,24-35区域为第三一级网格。
对上一步骤获得的每个一级网格的图像进行水平投影,统计每行的字符像素点数,并计算字符像素点数总和,从第一行起依次累加每行的字符像素点数,当累计点数达到点数总和的1/3时,此时的行记录为第一水平分割线,继续累加,当累计点数达到点数总和的2/3时,此时的行记录为第二水平分割线,所述第一和第二水平分割线将所述每个一级网格的图像分割为3个二级网格,所述单独字符图像被划分为9个二级网格。
水平投影与上一步骤中的垂直投影同理,不同的是统计字符像素点的方向由列转为行,以0-11区域第一一级网格为例,水平投影后分出的3个二级网格分别为0、1、6、7组成的区域,2、3、8、9组成的区域,4、5、10、11组成的区域。
对获得的每个二级网格的图像进行垂直投影,统计每列的字符像素点数,并计算字符像素点数总和,从第一列起依次累加每列的字符像素点数,当累计点数达到点数总和的1/2时,此时的列记录为第三垂直分割线,所述第三垂直分割线将所述二级网格图像分割成2个三级网格,所述单独字符图像被划分为18个三级网格。
以左上角第一一级网格里的第一二级网格0、1、6、7组成的区域为例,经过垂直投影后,该区域被分割为0、1组成的第一三级网格和6、7组成第二三级网格。
对获得的每个三级网格的图像进行水平投影,统计每行的字符像素点数,并计算字符像素点数总和,从第一行起依次累加每行的字符像素点数,当累计点数达到点数总和的1/2时,此时的行记录为第三水平分割线,所述第三水平分割线将所述三级网格图像分割成2个四级网格,最终将所述单独字符图像划分为36个四级网格。
以上一步骤被分割出的第一三级网格0、1区域为例,经过水平投影后,该区域被分割成标号为0的第一四级网格和标号为1的第二四级网格。最终分割出36个四级网格,按照从上到下,从左至右分别对每个网格进行标号。
S5:计算所有的所述四级网格图像的特征值,所述特征值包括:笔画方向的对比特征值,横竖笔画判断的位特征值,撇捺笔画判断的位特征值,大小判断的位特征值,形状判断的位特征值。
S5步骤具体为:
S51:计算所述笔画方向的对比特征值,每个字符像素点根据周边8个像素点组成包含9个像素点的九宫格阵列,将所述九宫格阵列和横竖撇捺4个模板阵列比对,判断当前字符像素点的类别,计算判断为横竖撇捺4个类别的字符像素点个数,其中,最小点数和最大点数的比值记为笔画方向的对比特征值;
图7为横竖撇捺4个模板阵列,1代表字符像素点,0代表背景像素点,36个四级网格中的每个字符像素点根据周边像素点组成上述4个图像中的情况,累加判断为横竖撇捺的点个数。所述方向对比特征为最终组成横竖撇捺的最小点数与最大点数比例。例如图6中,网格(5)为包含37个字符像素点,可判断横线、竖线、撇线、捺线的点数分别为20、10、5、2,那么这个笔画方向的对比特征值为2:20。
本实施例中,“闽”字符的部分网格的笔画方向的对比特征值分别为:(0)2:23,(5)2:20,(30)2:20,(35)2:10,(17)2:10,(18)2:12,(2)2:10,(3)0:40,(32)2:13,(33)2:20,(12)2:23,(23)0:10。
S52:计算所述横竖笔画判断的位特征值,根据S51计算的像素点类别值,当判断为横的字符像素点个数大于判断为竖的字符像素点个数,则所述四级网格横竖笔画判断的位特征值记为0,反之,则所述四级网格横竖笔画判断的位特征值记为1。
本实施例中,所述横竖笔画判断的位特征值为:1111 1110 1000 0001 0100 11001111 1011 1110,为一个36位数组。
S53:计算所述撇捺笔画判断的位特征值,根据S51计算的像素点类别值,当判断为撇的字符像素点个数大于判断为捺的字符像素点个数,则所述四级网格撇捺笔画判断的位特征值记为0,反之,则所述四级网格横竖笔画判断的位特征值记为1。
本实施例中,所述撇捺笔画判断的位特征值为:1111 1110 1011 1011 0011 10101111 1011 1110,为一个36位数组。
S54:计算所述形状判断的位特征值,当所述四级网格的宽大于高时,则所述四级网格的形状判断的位特征值记为0,反之,则所述四级网格的形状判断的位特征值记为1。
本实施例中,所述形状判断的位特征值为:1100 1101 0000 1000 0100 00010100 0011 1100,为一个36位数组。
S55:计算所述大小判断的位特征值,计算所有所述四级网格的面积大小,并求面积平均值,当所述四级网格的面积小于平均值时,则所述四级网格的大小判断的位特征值记为0,反之,则所述四级网格的大小判断的位特征值记为1。
本实施例中,所述大小判断的位特征值为:1011 0011 0011 1010 1111 10110111 0100 0000,为一个36位数组。
S6:将所述特征值与字符模板的对应特征值按照从左到右的顺序,依次比对对应位置的数值,如果数值一致,则相似度加1,计算所有特征值的相似度总和,取相似度总和最大的字符模板所代表的字符作为字符识别结果。
系统保存有标准字符模板的特征值数据,计算过程中将字符与所有模板进行匹配计算。
在本实施例中,以S52步骤中的横竖笔画判断的位特征为例,相似度的计算过程为:
目标图像的特征数据为1111 1110 1000 0001 0100 1100 1111 1011 1110;
模板中“闽”的特征数据为1101 1110 1100 0001 0100 1100 1110 1011 1110;
模板中“京”的特征数据为0101 0101 0011 1100 1101 0010 0100 0001 0101;
以位为单位,目标图像与2个模板相似度分别为33、19。同理,计算其它特征值的相似度,累计与模板中“闽”的相似度为:162,累计与模板中“京”得相似度为:81。明显可以看出,“闽”的相似度最高,所以识别结果为“闽”。
本发明通过预处理实现快速识别目标区域并且切割字符;通过统一的投影方法将字符进行分割处理,保证文字的局部细节表达,通过设置多个特征值,并计算每个字符网格的特征值,组成字符特征值数组,使得字符的细节特征表达更丰富,减少因为细节粗糙导致的识别错误,通过将字符特征值与预先设置的模板特征进行相似度计算,确保比对的正确性。
实施例二
一种基于模板匹配的OCR识别系统,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:
S1:获取目标图像。
S2:对所述目标图像进行预处理,所述预处理包括:对获取的目标图像进行定位、图像转正、二值化、去噪。
S3:对经过预处理的目标图像进行字符切割,以获得单独的字符图像,利用投影算法对所述字符进行切割处理。
S4:将所述单独的字符图像进行垂直投影分割获得N个一级网格,对所述一级网格进行水平投影分割获得N2个二级网格,对所述二级网格进行垂直投影分割获得2N2个三级网格,对所述三级网格进行水平投影分割获得4N2个四级网格,其中,N的取值大于2。
S5:计算所有的所述四级网格图像的特征值,所述特征值包括:笔画方向的对比特征值,横竖笔画判断的位特征值,撇捺笔画判断的位特征值,大小判断的位特征值,形状判断的位特征值。
S6:将所述特征值与字符模板的对应特征值按照从左到右的顺序,依次比对对应位置的数值,如果数值一致,则相似度加1,计算所有特征值的相似度总和,取相似度总和最大的字符模板所代表的字符作为字符识别结果。
所述S2步骤具体为:
S21:对所述目标图像进行目标定位,通过彩色图像定位方法,找到符合的颜色特征区域并进行裁剪。
S22:对经过定位裁剪的目标图像进行转正处理。
S23:对经过转正处理的目标图像通过OTSU算法进行二值化处理获得二值化图像。
S24:对所述二值化图像通过连通域去噪方法进行去噪处理,获得经过预处理的目标图像。
所述S3步骤中,对所述经过预处理的目标图像的进行垂直方向投影,对每一列的字符像素点数进行统计,获得表征目标图像的直方图,所述直方图中的波谷位置即为字符间隔,根据字符间隔分割出单独字符图像。
所述S4步骤具体为:
S41:对所述单独字符图像进行垂直投影,统计每列的字符像素点数,并计算字符像素点数总和,从第一列起依次累加每列的字符像素点数,当累计点数达到点数总和的1/N时,此时的列记录为第一垂直分割线,继续累加,当累计点数达到点数总和的2/N时,此时的列记录为第二垂直分割线,以此类推,直至得到第N-1垂直分割线,所述第一至第N-1垂直分割线将所述单独字符图像分割为N个一级网格;
S42:对S41步骤获得的每个一级网格的图像进行水平投影,统计每行的字符像素点数,并计算字符像素点数总和,从第一行起依次累加每行的字符像素点数,当累计点数达到点数总和的1/N时,此时的行记录为第一水平分割线,继续累加,当累计点数达到点数总和的2/N时,此时的行记录为第二水平分割线,以此类推,直至得到第N-1水平分割线,所述第一至第N-1水平分割线将所述每个一级网格的图像分割为N个二级网格,所述单独字符图像被划分为N2个二级网格;
S43:对S42步骤获得的每个二级网格的图像进行垂直投影,统计每列的字符像素点数,并计算字符像素点数总和,从第一列起依次累加每列的字符像素点数,当累计点数达到点数总和的1/2时,此时的列记录为第N垂直分割线,所述第N垂直分割线将所述二级网格图像分割成2个三级网格,所述单独字符图像被划分为2N2个三级网格;
S44:对S43步骤获得的每个三级网格的图像进行水平投影,统计每行的字符像素点数,并计算字符像素点数总和,从第一行起依次累加每行的字符像素点数,当累计点数达到点数总和的1/2时,此时的行记录为第N水平分割线,所述第N水平分割线将所述三级网格图像分割成2个四级网格,最终将所述单独字符图像划分为4N2个四级网格。
所述S5步骤具体为:
S51:计算所述笔画方向的对比特征值,每个字符像素点根据周边8个像素点组成包含9个像素点的九宫格阵列,将所述九宫格阵列和横竖撇捺4个模板阵列比对,判断当前字符像素点的类别,计算判断为横竖撇捺4个类别的字符像素点个数,其中,最小点数和最大点数的比值记为笔画方向的对比特征值。
S52:计算所述横竖笔画判断的位特征值,根据S51计算的像素点类别值,当判断为横的字符像素点个数大于判断为竖的字符像素点个数,则所述四级网格横竖笔画判断的位特征值记为0,反之,则所述四级网格横竖笔画判断的位特征值记为1。
S53:计算所述撇捺笔画判断的位特征值,根据S51计算的像素点类别值,当判断为撇的字符像素点个数大于判断为捺的字符像素点个数,则所述四级网格撇捺笔画判断的位特征值记为0,反之,则所述四级网格横竖笔画判断的位特征值记为1。
S54:计算所述形状判断的位特征值,当所述四级网格的宽大于高时,则所述四级网格的形状判断的位特征值记为0,反之,则所述四级网格的形状判断的位特征值记为1。
S55:计算所述大小判断的位特征值,计算所有所述四级网格的面积大小,并求面积平均值,当所述四级网格的面积小于平均值时,则所述四级网格的大小判断的位特征值记为0,反之,则所述四级网格的大小判断的位特征值记为1。
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,均同理包含在本发明的专利保护范围内。
Claims (10)
1.一种基于模板匹配的OCR识别方法,其特征在于,包括如下步骤:
S1:获取目标图像;
S2:对所述目标图像进行预处理;
S3:对经过预处理的目标图像进行字符切割,以获得单独的字符图像,利用投影算法对所述字符进行切割处理;
S4:将所述单独的字符图像进行垂直投影分割获得N个一级网格,对所述一级网格进行水平投影分割获得N2个二级网格,对所述二级网格进行垂直投影分割获得2N2个三级网格,对所述三级网格进行水平投影分割获得4N2个四级网格,其中,N的取值大于2;
S5:计算所有的所述四级网格的特征值,所述特征值包括:笔画方向的对比特征值,横竖笔画判断的位特征值,撇捺笔画判断的位特征值,大小判断的位特征值,形状判断的位特征值;
S6:将所述特征值与字符模板的对应特征值按照从左到右的顺序,依次比对对应位置的数值,如果数值一致,则相似度加1,计算所有特征值的相似度总和,取相似度总和最大的字符模板所代表的字符作为字符识别结果。
2.根据权利要求1所述的一种基于模板匹配的OCR识别方法,其特征在于,所述S2步骤具体为:
S21:对所述目标图像进行目标定位,通过彩色图像定位方法,找到符合的颜色特征区域并进行裁剪;
S22:对经过定位裁剪的目标图像进行转正处理;
S23:对经过转正处理的目标图像通过OTSU算法进行二值化处理以获得二值化图像;
S24:对所述二值化图像通过连通域去噪方法进行去噪处理,获得经过预处理的目标图像。
3.根据权利要求2所述的一种基于模板匹配的OCR识别方法,其特征在于:所述S3步骤中,对所述经过预处理的目标图像的进行垂直方向投影,即对每一列的字符像素点数进行统计,获得表征目标图像的直方图,所述直方图中的波谷位置为字符间隔,根据字符间隔分割出单独字符图像。
4.根据权利要求3所述的一种基于模板匹配的OCR识别方法,其特征在于,所述S4步骤具体为:
S41:对所述单独字符图像进行垂直投影,统计每列的字符像素点数,并计算字符像素点数总和,从第一列起依次累加每列的字符像素点数,当累计点数达到点数总和的1/N时,此时的列记录为第一垂直分割线,继续累加,当累计点数达到点数总和的2/N时,此时的列记录为第二垂直分割线,以此类推,直至得到第N-1垂直分割线,所述第一至第N-1垂直分割线将所述单独字符图像分割为N个一级网格;
S42:对S41步骤获得的每个一级网格的图像进行水平投影,统计每行的字符像素点数,并计算字符像素点数总和,从第一行起依次累加每行的字符像素点数,当累计点数达到点数总和的1/N时,此时的行记录为第一水平分割线,继续累加,当累计点数达到点数总和的2/N时,此时的行记录为第二水平分割线,以此类推,直至得到第N-1水平分割线,所述第一至第N-1水平分割线将所述每个一级网格的图像分割为N个二级网格,所述单独字符图像被划分为N2个二级网格;
S43:对S42步骤获得的每个二级网格的图像进行垂直投影,统计每列的字符像素点数,并计算字符像素点数总和,从第一列起依次累加每列的字符像素点数,当累计点数达到点数总和的1/2时,此时的列记录为第N垂直分割线,所述第N垂直分割线将所述二级网格图像分割成2个三级网格,所述单独字符图像被划分为2N2个三级网格;
S44:对S43步骤获得的每个三级网格的图像进行水平投影,统计每行的字符像素点数,并计算字符像素点数总和,从第一行起依次累加每行的字符像素点数,当累计点数达到点数总和的1/2时,此时的行记录为第N水平分割线,所述第N水平分割线将所述三级网格图像分割成2个四级网格,最终将所述单独字符图像划分为4N2个四级网格。
5.根据权利要求4所述的一种基于模板匹配的OCR识别方法,其特征在于:所述S5步骤具体为:
S51:计算所述笔画方向的对比特征值,每个字符像素点根据周边8个像素点组成包含9个像素点的九宫格阵列,将所述九宫格阵列和横竖撇捺4个模板阵列比对,判断当前字符像素点的类别,计算判断为横竖撇捺4个类别的字符像素点个数,其中,最小点数和最大点数的比值记为笔画方向的对比特征值;
S52:计算所述横竖笔画判断的位特征值,根据S51计算的像素点类别值,当判断为横的字符像素点个数大于判断为竖的字符像素点个数,则所述四级网格横竖笔画判断的位特征值记为0,反之,则所述四级网格横竖笔画判断的位特征值记为1;
S53:计算所述撇捺笔画判断的位特征值,根据S51计算的像素点类别值,当判断为撇的字符像素点个数大于判断为捺的字符像素点个数,则所述四级网格撇捺笔画判断的位特征值记为0,反之,则所述四级网格横竖笔画判断的位特征值记为1;
S54:计算所述形状判断的位特征值,当所述四级网格的宽大于高时,则所述四级网格的形状判断的位特征值记为0,反之,则所述四级网格的形状判断的位特征值记为1;
S55:计算所述大小判断的位特征值,计算所有所述四级网格的面积大小,并求面积平均值,当所述四级网格的面积小于平均值时,则所述四级网格的大小判断的位特征值记为0,反之,则所述四级网格的大小判断的位特征值记为1。
6.一种基于模板匹配的OCR识别系统,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:
S1:获取目标图像;
S2:对所述目标图像进行预处理;
S3:对经过预处理的目标图像进行字符切割,以获得单独的字符图像,利用投影算法对所述字符进行切割处理;
S4:将所述单独的字符图像进行垂直投影分割获得N个一级网格,对所述一级网格进行水平投影分割获得N2个二级网格,对所述二级网格进行垂直投影分割获得2N2个三级网格,对所述三级网格进行水平投影分割获得4N2个四级网格,其中,N的取值大于2;
S5:计算所有的所述四级网格图像的特征值,所述特征值包括:笔画方向的对比特征值,横竖笔画判断的位特征值,撇捺笔画判断的位特征值,大小判断的位特征值,形状判断的位特征值;
S6:将所述特征值与字符模板的对应特征值按照从左到右的顺序,依次比对对应位置的数值,如果数值一致,则相似度加1,计算所有特征值的相似度总和,取相似度总和最大的字符模板所代表的字符作为字符识别结果。
7.根据权利要求6所述的一种基于模板匹配的OCR识别系统,其特征在于,所述S2步骤具体为:
S21:对所述目标图像进行目标定位,通过彩色图像定位方法,找到符合的颜色特征区域并进行裁剪;
S22:对经过定位裁剪的目标图像进行转正处理;
S23:对经过转正处理的目标图像通过OTSU算法进行二值化处理获得二值化图像;
S24:对所述二值化图像通过连通域去噪方法进行去噪处理,获得经过预处理的目标图像。
8.根据权利要求7所述的一种基于模板匹配的OCR识别系统,其特征在于:所述S3步骤中,对所述经过预处理的目标图像的进行垂直方向投影,对每一列的字符像素点数进行统计,获得表征目标图像的直方图,所述直方图中的波谷位置即为字符间隔,根据字符间隔分割出单独字符图像。
9.根据权利要求8所述的一种基于模板匹配的OCR识别系统,其特征在于,所述S4步骤具体为:
S41:对所述单独字符图像进行垂直投影,统计每列的字符像素点数,并计算字符像素点数总和,从第一列起依次累加每列的字符像素点数,当累计点数达到点数总和的1/N时,此时的列记录为第一垂直分割线,继续累加,当累计点数达到点数总和的2/N时,此时的列记录为第二垂直分割线,以此类推,直至得到第N-1垂直分割线,所述第一至第N-1垂直分割线将所述单独字符图像分割为N个一级网格;
S42:对S41步骤获得的每个一级网格的图像进行水平投影,统计每行的字符像素点数,并计算字符像素点数总和,从第一行起依次累加每行的字符像素点数,当累计点数达到点数总和的1/N时,此时的行记录为第一水平分割线,继续累加,当累计点数达到点数总和的2/N时,此时的行记录为第二水平分割线,以此类推,直至得到第N-1水平分割线,所述第一至第N-1水平分割线将所述每个一级网格的图像分割为N个二级网格,所述单独字符图像被划分为N2个二级网格;
S43:对S42步骤获得的每个二级网格的图像进行垂直投影,统计每列的字符像素点数,并计算字符像素点数总和,从第一列起依次累加每列的字符像素点数,当累计点数达到点数总和的1/2时,此时的列记录为第N垂直分割线,所述第N垂直分割线将所述二级网格图像分割成2个三级网格,所述单独字符图像被划分为2N2个三级网格;
S44:对S43步骤获得的每个三级网格的图像进行水平投影,统计每行的字符像素点数,并计算字符像素点数总和,从第一行起依次累加每行的字符像素点数,当累计点数达到点数总和的1/2时,此时的行记录为第N水平分割线,所述第N水平分割线将所述三级网格图像分割成2个四级网格,最终将所述单独字符图像划分为4N2个四级网格。
10.根据权利要求9所述的一种基于模板匹配的OCR识别系统,其特征在于:所述S5步骤具体为:
S51:计算所述笔画方向的对比特征值,每个字符像素点根据周边8个像素点组成包含9个像素点的九宫格阵列,将所述九宫格阵列和横竖撇捺4个模板阵列比对,判断当前字符像素点的类别,计算判断为横竖撇捺4个类别的字符像素点个数,其中,最小点数和最大点数的比值记为笔画方向的对比特征值;
S52:计算所述横竖笔画判断的位特征值,根据S51计算的像素点类别值,当判断为横的字符像素点个数大于判断为竖的字符像素点个数,则所述四级网格横竖笔画判断的位特征值记为0,反之,则所述四级网格横竖笔画判断的位特征值记为1;
S53:计算所述撇捺笔画判断的位特征值,根据S51计算的像素点类别值,当判断为撇的字符像素点个数大于判断为捺的字符像素点个数,则所述四级网格撇捺笔画判断的位特征值记为0,反之,则所述四级网格横竖笔画判断的位特征值记为1;
S54:计算所述形状判断的位特征值,当所述四级网格的宽大于高时,则所述四级网格的形状判断的位特征值记为0,反之,则所述四级网格的形状判断的位特征值记为1;
S55:计算所述大小判断的位特征值,计算所有所述四级网格的面积大小,并求面积平均值,当所述四级网格的面积小于平均值时,则所述四级网格的大小判断的位特征值记为0,反之,则所述四级网格的大小判断的位特征值记为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010715323.4A CN111914847B (zh) | 2020-07-23 | 2020-07-23 | 一种基于模板匹配的ocr识别方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010715323.4A CN111914847B (zh) | 2020-07-23 | 2020-07-23 | 一种基于模板匹配的ocr识别方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914847A CN111914847A (zh) | 2020-11-10 |
CN111914847B true CN111914847B (zh) | 2023-11-17 |
Family
ID=73280620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010715323.4A Active CN111914847B (zh) | 2020-07-23 | 2020-07-23 | 一种基于模板匹配的ocr识别方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914847B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592962B (zh) * | 2021-08-23 | 2024-04-09 | 洛阳德晶智能科技有限公司 | 基于机器视觉的批量硅片标识识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663382A (zh) * | 2012-04-25 | 2012-09-12 | 重庆邮电大学 | 基于子网格特征自适应加权的视频图像文字识别方法 |
WO2018018788A1 (zh) * | 2016-07-29 | 2018-02-01 | 深圳友讯达科技股份有限公司 | 一种基于图像识别的计量表抄表装置及其方法 |
-
2020
- 2020-07-23 CN CN202010715323.4A patent/CN111914847B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663382A (zh) * | 2012-04-25 | 2012-09-12 | 重庆邮电大学 | 基于子网格特征自适应加权的视频图像文字识别方法 |
WO2018018788A1 (zh) * | 2016-07-29 | 2018-02-01 | 深圳友讯达科技股份有限公司 | 一种基于图像识别的计量表抄表装置及其方法 |
Non-Patent Citations (2)
Title |
---|
一种特征加权模板匹配的钢板喷印字符识别方法;张靖娅;刘昶;刘丽萍;;沈阳理工大学学报(06);全文 * |
车牌的字符分割和字符识别的研究与实现;单瑾;曾丹;;成都电子机械高等专科学校学报(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111914847A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | An algorithm for license plate recognition applied to intelligent transportation system | |
US9286533B2 (en) | Method for image recombination of a plurality of images and image identification and system for image acquiring and identification | |
WO2018018788A1 (zh) | 一种基于图像识别的计量表抄表装置及其方法 | |
CN108596166A (zh) | 一种基于卷积神经网络分类的集装箱箱号识别方法 | |
CN111353961B (zh) | 一种文档曲面校正方法及装置 | |
CN101122953A (zh) | 一种图片文字分割的方法 | |
CN109034019B (zh) | 一种基于行分割线的黄色双行车牌字符分割方法 | |
CN116071763B (zh) | 基于文字识别的教辅图书智能校编系统 | |
CN111461131B (zh) | 身份证号码信息识别方法、装置、设备及存储介质 | |
CN109034158B (zh) | 一种车牌识别方法、装置及计算机设备 | |
CN106951896B (zh) | 一种车牌图像倾斜校正方法 | |
CN111259893A (zh) | 一种基于深度学习的智能工具管理方法 | |
CN110689003A (zh) | 低照度成像车牌识别方法、系统、计算机设备及存储介质 | |
CN109858484B (zh) | 一种基于偏斜评价的多类别变换车牌校正方法 | |
CN111914847B (zh) | 一种基于模板匹配的ocr识别方法及其系统 | |
CN111401364A (zh) | 一种基于颜色特征和模板匹配相结合的车牌定位算法 | |
CN110516666B (zh) | 基于mser和isodata相结合的车牌定位方法 | |
CN111832497B (zh) | 一种基于几何特征的文本检测后处理方法 | |
TWI498830B (zh) | 不均勻光線下的車牌辨識方法及系統 | |
CN110046618B (zh) | 基于机器学习和最大极值稳定区域的车牌识别方法 | |
Lu et al. | Fast and accurate detection of document skew and orientation | |
CN113837119A (zh) | 一种基于灰度图像识别易混淆字符的方法及设备 | |
CN113128500A (zh) | 一种基于Mask-RCNN的非机动车车牌识别方法及系统 | |
JP2005250786A (ja) | 画像認識方法 | |
Vasin et al. | An intelligent information technology for symbol-extraction from weakly formalized graphic documents |
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 |