CN112101058A - 一种试卷条码自动识别方法及装置 - Google Patents
一种试卷条码自动识别方法及装置 Download PDFInfo
- Publication number
- CN112101058A CN112101058A CN202010823745.3A CN202010823745A CN112101058A CN 112101058 A CN112101058 A CN 112101058A CN 202010823745 A CN202010823745 A CN 202010823745A CN 112101058 A CN112101058 A CN 112101058A
- Authority
- CN
- China
- Prior art keywords
- bar code
- image
- test paper
- barcode
- value
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001914 filtration Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000002146 bilateral effect Effects 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 5
- 238000003702 image correction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 16
- 238000000605 extraction Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 241000255969 Pieris brassicae Species 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06K7/146—Methods for optical code recognition the method including quality enhancement steps
-
- 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
- G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
- G06K7/1413—1D bar codes
-
- 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
- G06K7/1452—Methods for optical code recognition including a method step for retrieval of the optical code detecting bar code edges
-
- 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)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Character Input (AREA)
Abstract
本发明涉及试卷条码识别技术领域,公开了一种试卷条码自动识别方法,包括以下步骤:获取试卷上的条码图像,并对所述条码图像进行预处理;对预处理后的条码图像进行二值化处理得到二值化图像;设置双边滤波模板对所述二值化图像进行去噪处理;检测去噪处理后的二值化图像中边缘信息,得到条码边缘;根据所述条码边缘对条码宽度进行识别,并对条码宽度进行译码得到条码字符值;将所述条码字符值与条码数据库中各试卷信息进行比对,得到与所述条码字符值相匹配的试卷信息,实现试卷识别。本发明具有识别效率高、成本低的技术效果。
Description
技术领域
本发明涉及试卷条码识别技术领域,具体涉及一种试卷条码自动识别方法、装置以及计算机存储介质。
背景技术
随着网络考试环境的不断开发,对自动阅卷技术的研究也将越来越深入,并逐步使得考试系统走向成熟。高速扫描仪扫描试卷后得到一张一张的图片,考试系统的功能就是处理图片、计算成绩。再详细点就是自动识别考生涂的学号;自动识别考生的选择题答案并记录;后面的大题要分块,把每一个题从试卷中分离出来,转发给老师进行阅卷;最后就是实现成绩的汇总与分析。
而阅卷的开始就是需要对试卷上贴的试卷码、学生的信息码等条码进行识别比对,从而确定了相关信息。其本质是对于条码的识别技术,传统的条码识别技术是光电条码识别技术,而光电条码识别技术的扫描系统由光学系统及探测器,即光电转换器件组成,完成对条码的光学扫描,通过探测器将条码条空图案的光信号转换成电信号;电信号经过放大、滤波、整形形成与条码条空宽度相对应的高低电平的矩形方波信号;译码部分由计算机方面的软硬件组成,它的功能是对得到的条码矩形方波信号进行译码,并将结果输出到条码应用系统的数据采集终端。
随着数字图像处理技术的发展,图像式的条码识别技术应运而生,它在识读污损条码方面图像式识读器具有更强的优势。图像式条码识别技术主要有两种,一种是基于软件编程的图像式条码识别,整个识别过程除了条码采集外,所有图像预处理、二值化、边缘确定、条码识别过程都是通过计算机软件编程来完成,其识别速度较慢,对于实时工作场合要求识别算法必须精练,否则不能满足实时要求。因此,这种方法比较适合速度要求不太高的场合。另一种是基于硬件技术的图像式条码识别,一般采用DSP作为核心处理器,并辅以其他的外扩程序存储器、数据存储器、译码电路、采集控制电路和PC机接口电路等完成图像采集、图像处理、识读、显示等工作,这主要因为DSP芯片具有大的存储空间,很高的运算速度和强大数据处理能力,非常适合用于图像处理系统,所以这种方法识别速度较快,但是成本也相对较高,系统结构更复杂。
发明内容
本发明的目的在于克服上述技术不足,提供一种试卷条码自动识别方法、装置以及计算机存储介质,解决现有技术中图像式条码识别技术成本高、识别效率低、系统结构复杂的技术问题。
为达到上述技术目的,本发明的技术方案提供一种试卷条码自动识别方法,包括以下步骤:
获取试卷上的条码图像,并对所述条码图像进行预处理;
对预处理后的条码图像进行二值化处理得到二值化图像;
设置双边滤波模板对所述二值化图像进行去噪处理;
检测去噪处理后的二值化图像中边缘信息,得到条码边缘;
根据所述条码边缘对条码宽度进行识别,并对条码宽度进行译码得到条码字符值;
将所述条码字符值与条码数据库中各试卷信息进行比对,得到与所述条码字符值相匹配的试卷信息,实现试卷识别。
与现有技术相比,本发明的有益效果包括:本发明在对条码图像进行预处理和二值化处理后,并没有直接进行条码边缘的提取,而是设置了双边滤波模板对二值化图像进行再次去噪滤波,从而保证边缘提取的准确性,提高边缘提取效率,保证后续条码识别的准确性和效率。
附图说明
图1是本发明提供的试卷条码自动识别方法一实施方式的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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
如图1所示,本发明的实施例1提供了试卷条码自动识别方法,包括以下步骤:
S1、获取试卷上的条码图像,并对所述条码图像进行预处理;
S2、对预处理后的条码图像进行二值化处理得到二值化图像;
S3、设置双边滤波模板对所述二值化图像进行去噪处理;
S4、检测去噪处理后的二值化图像中边缘信息,得到条码边缘;
S5、根据所述条码边缘对条码宽度进行识别,并对条码宽度进行译码得到条码字符值;
S6、将所述条码字符值与条码数据库中各试卷信息进行比对,得到与所述条码字符值相匹配的试卷信息,实现试卷识别。
在对试卷上的条码图像进行识别时,对于不同的条码都有非常成熟的算法来确定条码字符值,因此,对于图像方式的条码识别,图像处理部分的算法是十分重要的,不同的处理方法将影响后续的条码识别结果。本发明在对条码图像进行预处理和二值化处理后,并没有直接进行条码边缘的提取,而是设置了双边滤波模板对二值化图像进行再次去噪滤波,从而保证边缘提取的准确性,提高边缘提取效率,保证后续条码识别的准确性和效率。
相对于传统的光电条码识别技术和基于硬件技术的图像条码识别技术,本发明具有更简单的系统结构和更低的系统成本,同时,相对于一般基于软件编程的图像条码识别技术,本发明具有更快的识别效率,和更高的识别准确率。
优选的,对所述条码图像进行预处理,具体为:
对所述条码图像进行降噪处理;
对所述条码图像进行背景分离;
对所述条码图像进行图像校正。
图像预处理过程主要包括图像降噪、背景分离、图像校正等环节。由于采集噪声或其他原因噪声的存在,采集的图像有些比较模糊或存在黑白孤立点,这对条码图像的进一步处理极为不利,因此要根据条码图像噪声是否严重,选择一种或多种滤波器进行滤波,去除噪声,目前多采用较多的是中值滤波法。背景分离是将条码区与背景分离,从而避免在没有有效信息的区域进行特征提取,提高后续处理的速度。本实施例中背景分离采用标准差阈值跟踪法,图像条码部分由黑白相间的条块组成,灰度变化大,因而标准差较大;而背景部分灰度分布较为平坦,标准差较小。将条码图像分块,每个小块的像素标准差若大于某一阈值,则该小块中的所有像素点为有效;否则,为背景。由于采集进来的条码图像总会出现一定的倾斜和偏移产生几何畸变,给快速、正确地识别条码带来困难,因此必须进行图像校正,本实施例采用的方法是:利用行差运算与Hough变换相结合,快速、准确找到条码图像边界线,计算出倾斜角度,通过双线性插值对条码图像进行校正。
优选的,对所述条码图像进行降噪处理,具体为:
收集不同条码的图像,得到训练样本图像;
求各所述训练样本图像的奇异值特征向量;
检测同类奇异值特征向量是否线性相关,如果相关,则重新更换训练样本图像,并转上一步,如果不相关则转下一步;
将各类所述奇异值特征向量正交归一化,得到各类训练样本图像的参照基;
根据所述参照及计算各类训练样本图像对应的子空间的直角投影算子;
根据所述直角投影算子计算所述条码图像的奇异值特征向量;
根据所述条码图像的奇异值特征向量计算各类子空间的隶属度;
基于所述隶属度对所述条码图像进行降噪处理。
因条码印刷、光照、图像采集设备等原因,采集的条码比较模糊,黑白条之间的边缘不是很明显,很多小黑条和大白条之间的边缘几乎融合在一起。针对这一问题,目前国内的一些图像处理方法大部分是采用各种经典滤波技术对条码图像去噪,如广泛采用的中值滤波技术。当采集图像非常模糊时,这种处理方法具有一定局限性,有时甚至导致条码无法识别。因此,本实施例提出基于奇异值的特征向量来对模糊图像处理,从而提高了模糊图像识别的准确率。
对训练样本图像进行奇异值分解得到奇异值特征向量,并进行相关性检测,使得数据的均值为0,三对奇异值特征向量进行正交归一化使得不同单位有相同的尺度,最后可以算出各图像的直交投影算子。基于直交投影算子进行待识别的条码图像的分解,并计算隶属度,隶属度反映了相应像素受噪声干扰的基于隶属度进行降噪处理。
求各所述训练样本图像的奇异值特征向量,具体为:对所述训练样本图像进行奇异值分解:
A=UΣVT
其中,A为训练样本图像的像素值矩阵,U为左奇异矩阵,V为右奇异矩阵,VT为V的转置矩阵,U、V均为单位正交阵,A的大小为m×n,U为大小为m×m,Σ的大小为m×n,V的大小为n×n,Σ仅在对角线上的元素有值,其余元素均为0,Σ对角线上的元素的值即奇异值;
xi为A的第i元素的值,δj即奇异值,u为左奇异值;
根据所述参照及计算各类训练样本图像对应的子空间的直角投影算子:
其中,P为所述直角投影算子;
根据所述直角投影算子计算所述条码图像的奇异值特征向量:
其中,Q为P的特征向量组成的矩阵,QT为Q的转置矩阵,λ1,…,λm为条码图像的m个奇异值。
优选的,对预处理后的条码图像进行二值化处理得到二值化图像,具体为:
采用大津阈值法对预处理后的条码图像进行二值化处理,得到所述二值化图像。
条码识别是以二值图像为基础的,图像二值化算法很多,条码图像直方图具有很好的双峰特性,本实施例采用大津阈值法,其能够对条码图像进行很好地分割。图像二值化之后,二值图像中像素“1”代表黑条部分,二值图像中像素“0”代表白条部分。
优选的,设置双边滤波模板对所述二值化图像进行去噪处理,具体为:
设置高斯模板,设置以灰度级的差值作为函数系数生成的灰度差模板;
对所述高斯模板和所述灰度差模板进行点乘,得到双边滤波模板;
利用所述双边滤波模板对所述二值化图像进行去噪处理。
边缘确定的传统算法是根据二阶导数零交叉来检测条码边缘。由于图像采集、图像滤波过程中在条码图像边缘处会有一定程度的模糊。且在条码图像预处理去噪时,一般选择中值滤波算法,因为中值滤波是一种较好的保留图像边缘特性的滤波方法,但它对椒盐噪声去噪声效果很明显,对高斯噪声污染图像效果却较差,而实际中因图像采集产生的模糊的噪声基本上是高斯噪声,中值滤波对高斯噪声效果并不好。在边缘模糊情况下采用二阶导数零交叉来检测条码边缘会有引起条码条空宽度1-2个像素的偏差,而对条码的条空宽度的确定会产生影响,从而影响识别。因此边缘模糊是影响条码识别的重要因素,本实施例在进行边缘提取之前,首先对二值化图像进行去噪处理,一定程度上解决边缘模糊的问题,保证边缘提取的准确度。
对于二值化图像的去噪,本实施例提出基于双边滤波去噪的方法,可以有效提高后续边缘检测的准确率,具体实现如下:双边滤波模板主要有两个模板组成,第一个是高斯模板,第二个是以灰度级的差值作为函数系数生成的灰度差模板,这两个模板点乘就得到了最终的双边滤波模板。双边滤波既利用了几何信息又利用了像素信息来定义滤波窗口的权重,像素值越接近,权重越大。
优选的,利用所述双边滤波模板对所述二值化图像进行去噪处理,具体为:
其中,W(i,j,k,l)为二值化图像的像素点(i,j)经双边滤波模板的中心像素点(k,l)去噪处理后的像素值,f(i,j)为像素点(i,j)的像素值,f(k,l)为中心像素点(k,l)的像素值,δd为各像素点与中心像素点的空间距离的标准差,δg为各像素点与中心像素点的灰度距离的标准差,exp()为指数函数。
当双边滤波的模板中心像素点是一个噪声点时,f(i,j)的像素值与邻域范围内的目标点的像素值会有较大的差异,会导致灰度信息的权重变小,从而能去除二值化图像中的噪声。
优选的,对条码宽度进行译码得到条码字符值,具体为:
根据条码编码规则对所述条码宽度进行译码,得到所述条码字符值。
根据确定的条码边缘确定条码黑白模块宽度,利用不同的条码编码规则编制设置相应的译码算法,确定条码字符值。识别出结果之后,和数据库中的条码信息进行比对,提取出相对应的信息。
通过本实施例提供的方法,可以有效提取试卷码、学生信息码等条码的信息,从而获取学生信息、试卷信息等,准确率达99.99%。
实施例2
本发明的实施例2提供了试卷条码自动识别装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现实施例1提供的试卷条码自动识别方法。
本发明实施例提供的试卷条码自动识别装置,用于实现试卷条码自动识别方法,因此,试卷条码自动识别方法所具备的技术效果,试卷条码自动识别装置同样具备,在此不再赘述。
实施例3
本发明的实施例3提供了计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现实施例1提供的试卷条码自动识别方法。
本发明实施例提供的计算机存储介质,用于实现试卷条码自动识别方法,因此,试卷条码自动识别方法所具备的技术效果,计算机存储介质同样具备,在此不再赘述。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (9)
1.一种试卷条码自动识别方法,其特征在于,包括以下步骤:
获取试卷上的条码图像,并对所述条码图像进行预处理;
对预处理后的条码图像进行二值化处理得到二值化图像;
设置双边滤波模板对所述二值化图像进行去噪处理;
检测去噪处理后的二值化图像中边缘信息,得到条码边缘;
根据所述条码边缘对条码宽度进行识别,并对条码宽度进行译码得到条码字符值;
将所述条码字符值与条码数据库中各试卷信息进行比对,得到与所述条码字符值相匹配的试卷信息,实现试卷识别。
2.根据权利要求1所述的试卷条码自动识别方法,其特征在于,对所述条码图像进行预处理,具体为:
对所述条码图像进行降噪处理;
对所述条码图像进行背景分离;
对所述条码图像进行图像校正。
3.根据权利要求2所述的试卷条码自动识别方法,其特征在于,对所述条码图像进行降噪处理,具体为:
收集不同条码的图像,得到训练样本图像;
求各所述训练样本图像的奇异值特征向量;
检测同类奇异值特征向量是否线性相关,如果相关,则重新更换训练样本图像,并转上一步,如果不相关则转下一步;
将各类所述奇异值特征向量正交归一化,得到各类训练样本图像的参照基;
根据所述参照及计算各类训练样本图像对应的子空间的直角投影算子;
根据所述直角投影算子计算所述条码图像的奇异值特征向量;
根据所述条码图像的奇异值特征向量计算各类子空间的隶属度;
基于所述隶属度对所述条码图像进行降噪处理。
4.根据权利要求1所述的试卷条码自动识别方法,其特征在于,对预处理后的条码图像进行二值化处理得到二值化图像,具体为:
采用大津阈值法对预处理后的条码图像进行二值化处理,得到所述二值化图像。
5.根据权利要求1所述的试卷条码自动识别方法,其特征在于,设置双边滤波模板对所述二值化图像进行去噪处理,具体为:
设置高斯模板,设置以灰度级的差值作为函数系数生成的灰度差模板;
对所述高斯模板和所述灰度差模板进行点乘,得到双边滤波模板;
利用所述双边滤波模板对所述二值化图像进行去噪处理。
7.根据权利要求1所述的试卷条码自动识别方法,其特征在于,对条码宽度进行译码得到条码字符值,具体为:
根据条码编码规则对所述条码宽度进行译码,得到所述条码字符值。
8.一种试卷条码自动识别装置,其特征在于,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1-7任一所述的试卷条码自动识别方法。
9.一种计算机存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1-7任一所述的试卷条码自动识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010823745.3A CN112101058B (zh) | 2020-08-17 | 2020-08-17 | 一种试卷条码自动识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010823745.3A CN112101058B (zh) | 2020-08-17 | 2020-08-17 | 一种试卷条码自动识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101058A true CN112101058A (zh) | 2020-12-18 |
CN112101058B CN112101058B (zh) | 2023-05-09 |
Family
ID=73753812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010823745.3A Active CN112101058B (zh) | 2020-08-17 | 2020-08-17 | 一种试卷条码自动识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101058B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283275A (zh) * | 2020-12-28 | 2021-08-20 | 电子科技大学 | 基于opencv的机读卡自动评分系统、方法及存储介质 |
CN117291209A (zh) * | 2023-02-02 | 2023-12-26 | 深圳牛图科技有限公司 | 一种基于多核异构架构的条码识别智能终端 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040239323A1 (en) * | 2003-01-28 | 2004-12-02 | University Of Southern California | Noise reduction for spectroscopic signal processing |
CN101893719A (zh) * | 2010-04-16 | 2010-11-24 | 西安石油大学 | 一种地震纵横波波场分离与去噪方法 |
CN102236788A (zh) * | 2010-04-20 | 2011-11-09 | 荣科科技股份有限公司 | 电力电能表图像自动识别方法 |
CN102779271A (zh) * | 2012-06-28 | 2012-11-14 | 南京信息工程大学 | 基于谱稀疏典型相关分析的表情语义稀疏量化方法 |
CN103593653A (zh) * | 2013-11-01 | 2014-02-19 | 浙江工业大学 | 基于扫描枪的字符二维条码识别方法 |
CN103632132A (zh) * | 2012-12-11 | 2014-03-12 | 广西工学院 | 一种基于肤色分割和模板匹配的人脸检测与识别方法 |
CN103778441A (zh) * | 2014-02-26 | 2014-05-07 | 东南大学 | 一种基于DSmT和HMM的序列飞机目标识别方法 |
CN104504652A (zh) * | 2014-10-10 | 2015-04-08 | 中国人民解放军理工大学 | 一种快速有效保留边缘及方向特征的图像去噪方法 |
CN104517101A (zh) * | 2014-12-19 | 2015-04-15 | 中南大学 | 一种基于像素平方差匹配的游戏扑克牌识别方法 |
JP2015175859A (ja) * | 2014-03-12 | 2015-10-05 | 学校法人早稲田大学 | パターン認識装置、パターン認識方法及びパターン認識プログラム |
CN105260693A (zh) * | 2015-12-01 | 2016-01-20 | 浙江工业大学 | 一种激光二维码定位方法 |
CN105404885A (zh) * | 2015-10-28 | 2016-03-16 | 北京工业大学 | 一种二维字符图形验证码复杂背景噪音干扰去除方法 |
CN106485182A (zh) * | 2016-06-27 | 2017-03-08 | 中国计量大学 | 一种基于仿射变换的模糊qr码复原方法 |
CN106548130A (zh) * | 2016-10-12 | 2017-03-29 | 国政通科技股份有限公司 | 一种视频图像提取及识别方法与系统 |
CN106650606A (zh) * | 2016-10-21 | 2017-05-10 | 江苏理工学院 | 人脸图像的匹配及处理方法、人脸图像模型构建系统 |
CN106803236A (zh) * | 2015-11-26 | 2017-06-06 | 南京理工大学 | 基于模糊域奇异值分解的非均匀性校正方法 |
CN107390259A (zh) * | 2017-07-14 | 2017-11-24 | 西南科技大学 | 一种基于svd和svm的核素识别方法 |
CN108268814A (zh) * | 2016-12-30 | 2018-07-10 | 广东精点数据科技股份有限公司 | 一种基于全局和局部特征模糊融合的人脸识别方法及装置 |
CN110245536A (zh) * | 2019-05-09 | 2019-09-17 | 深圳盈达机器视觉技术有限公司 | 条码识别方法 |
CN110309806A (zh) * | 2019-07-08 | 2019-10-08 | 哈尔滨理工大学 | 一种基于视频图像处理的手势识别系统及其方法 |
-
2020
- 2020-08-17 CN CN202010823745.3A patent/CN112101058B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040239323A1 (en) * | 2003-01-28 | 2004-12-02 | University Of Southern California | Noise reduction for spectroscopic signal processing |
CN101893719A (zh) * | 2010-04-16 | 2010-11-24 | 西安石油大学 | 一种地震纵横波波场分离与去噪方法 |
CN102236788A (zh) * | 2010-04-20 | 2011-11-09 | 荣科科技股份有限公司 | 电力电能表图像自动识别方法 |
CN102779271A (zh) * | 2012-06-28 | 2012-11-14 | 南京信息工程大学 | 基于谱稀疏典型相关分析的表情语义稀疏量化方法 |
CN103632132A (zh) * | 2012-12-11 | 2014-03-12 | 广西工学院 | 一种基于肤色分割和模板匹配的人脸检测与识别方法 |
CN103593653A (zh) * | 2013-11-01 | 2014-02-19 | 浙江工业大学 | 基于扫描枪的字符二维条码识别方法 |
CN103778441A (zh) * | 2014-02-26 | 2014-05-07 | 东南大学 | 一种基于DSmT和HMM的序列飞机目标识别方法 |
JP2015175859A (ja) * | 2014-03-12 | 2015-10-05 | 学校法人早稲田大学 | パターン認識装置、パターン認識方法及びパターン認識プログラム |
CN104504652A (zh) * | 2014-10-10 | 2015-04-08 | 中国人民解放军理工大学 | 一种快速有效保留边缘及方向特征的图像去噪方法 |
CN104517101A (zh) * | 2014-12-19 | 2015-04-15 | 中南大学 | 一种基于像素平方差匹配的游戏扑克牌识别方法 |
CN105404885A (zh) * | 2015-10-28 | 2016-03-16 | 北京工业大学 | 一种二维字符图形验证码复杂背景噪音干扰去除方法 |
CN106803236A (zh) * | 2015-11-26 | 2017-06-06 | 南京理工大学 | 基于模糊域奇异值分解的非均匀性校正方法 |
CN105260693A (zh) * | 2015-12-01 | 2016-01-20 | 浙江工业大学 | 一种激光二维码定位方法 |
CN106485182A (zh) * | 2016-06-27 | 2017-03-08 | 中国计量大学 | 一种基于仿射变换的模糊qr码复原方法 |
CN106548130A (zh) * | 2016-10-12 | 2017-03-29 | 国政通科技股份有限公司 | 一种视频图像提取及识别方法与系统 |
CN106650606A (zh) * | 2016-10-21 | 2017-05-10 | 江苏理工学院 | 人脸图像的匹配及处理方法、人脸图像模型构建系统 |
CN108268814A (zh) * | 2016-12-30 | 2018-07-10 | 广东精点数据科技股份有限公司 | 一种基于全局和局部特征模糊融合的人脸识别方法及装置 |
CN107390259A (zh) * | 2017-07-14 | 2017-11-24 | 西南科技大学 | 一种基于svd和svm的核素识别方法 |
CN110245536A (zh) * | 2019-05-09 | 2019-09-17 | 深圳盈达机器视觉技术有限公司 | 条码识别方法 |
CN110309806A (zh) * | 2019-07-08 | 2019-10-08 | 哈尔滨理工大学 | 一种基于视频图像处理的手势识别系统及其方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283275A (zh) * | 2020-12-28 | 2021-08-20 | 电子科技大学 | 基于opencv的机读卡自动评分系统、方法及存储介质 |
CN113283275B (zh) * | 2020-12-28 | 2022-04-12 | 电子科技大学 | 基于opencv的机读卡自动评分系统、方法及存储介质 |
CN117291209A (zh) * | 2023-02-02 | 2023-12-26 | 深圳牛图科技有限公司 | 一种基于多核异构架构的条码识别智能终端 |
CN117291209B (zh) * | 2023-02-02 | 2024-05-17 | 深圳牛图科技有限公司 | 一种基于多核异构架构的条码识别智能终端 |
Also Published As
Publication number | Publication date |
---|---|
CN112101058B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363182B (zh) | 基于深度学习的车道线检测方法 | |
Yousif et al. | Toward an optimized neutrosophic K-means with genetic algorithm for automatic vehicle license plate recognition (ONKM-AVLPR) | |
CN109165538B (zh) | 基于深度神经网络的条形码检测方法及装置 | |
CN109409355B (zh) | 一种新型变压器铭牌识别的方法及装置 | |
US20140301608A1 (en) | Chemical structure recognition tool | |
CN108573184B (zh) | 一种二维码定位方法、模块及计算机可读存储介质 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN108520214A (zh) | 一种基于多尺度hog和svm的手指静脉识别方法 | |
CN113392856B (zh) | 图像伪造检测装置和方法 | |
CN112101058B (zh) | 一种试卷条码自动识别方法及装置 | |
CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
CN110738030A (zh) | 表格重建方法、装置、电子设备及存储介质 | |
CN108961262B (zh) | 一种复杂场景下的条码定位方法 | |
CN108647550A (zh) | 一种基于机器学习的二维码模糊聚类识别方法及系统 | |
CN110321890B (zh) | 一种电力巡检机器人的数字仪表识别方法 | |
Bodnár et al. | A novel method for barcode localization in image domain | |
CN111199240A (zh) | 银行卡识别模型的训练方法、银行卡识别方法以及装置 | |
CN111292346B (zh) | 一种噪声环境下浇铸箱体轮廓的检测方法 | |
CN112818983A (zh) | 一种利用图片相识度判断字符倒置的方法 | |
CN111241862A (zh) | 基于边缘特性的条形码定位方法 | |
CN111242121A (zh) | 一种基于svm的对联智能分拣方法及存储介质 | |
CN111178111A (zh) | 二维码检测方法、电子设备、存储介质及系统 | |
CN111797838A (zh) | 一种图片类文档盲去噪系统、方法及装置 | |
Psaila et al. | Image matching using enhancement offsets with adaptive parameter selection via histogram analysis | |
CN117095423B (zh) | 一种银行单据字符的识别方法及装置 |
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 |