CN112257712A - 一种火车票图像摆正方法、装置、计算机装置及计算机可读存储介质 - Google Patents

一种火车票图像摆正方法、装置、计算机装置及计算机可读存储介质 Download PDF

Info

Publication number
CN112257712A
CN112257712A CN202011184930.9A CN202011184930A CN112257712A CN 112257712 A CN112257712 A CN 112257712A CN 202011184930 A CN202011184930 A CN 202011184930A CN 112257712 A CN112257712 A CN 112257712A
Authority
CN
China
Prior art keywords
train ticket
characteristic
image
corner
feature
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
CN202011184930.9A
Other languages
English (en)
Other versions
CN112257712B (zh
Inventor
郭建京
周忠诚
索红亮
黄九鸣
张圣栋
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.)
Hunan Xinghan Shuzhi Technology Co ltd
Original Assignee
Hunan Xinghan Shuzhi Technology 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 Hunan Xinghan Shuzhi Technology Co ltd filed Critical Hunan Xinghan Shuzhi Technology Co ltd
Priority to CN202011184930.9A priority Critical patent/CN112257712B/zh
Publication of CN112257712A publication Critical patent/CN112257712A/zh
Application granted granted Critical
Publication of CN112257712B publication Critical patent/CN112257712B/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
    • 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
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

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

Abstract

本发明适用于互联网技术领域，提供了一种火车票图像摆正方法、装置、计算机装置及计算机可读存储介质，该方法包括：从火车票模板图像获取N个第一特征角点、待摆正火车票图像获取N个第二特征角点；从N个第一特征角点、第二特征角点分别选择M组特征角点组合，特征角点组合设有序号；根据组合序号相同的特征角点组合，对待摆正图像进行调整，得到M张调整后火车票图像；根据火车票模板图像的特征角点的位置信息与M张调整后火车票图像的特征角点的位置信息，分别计算其特征角点之间的距离；从M个距离数值确定最小距离所对应的调整后火车票图像为火车票摆正图像。本发明提供的火车票图像摆正方法，可提高火车票图像摆正的准确度。

Description

一种火车票图像摆正方法、装置、计算机装置及计算机可读存 储介质
技术领域
本发明属于图像处理领域，尤其涉及一种火车票图像摆正方法、装置、计算机装置及计算机可读存储介质。
背景技术
在图像处理技术中，图像摆正是图像预处理中的一个重要环节，方便后续对图像进行关键信息提取、图像拼接等操作。对于火车票图像来说，火车票图像摆正是火车票关键信息提取的一个关键步骤，火车票图像摆正的精准度直接影响了火车票关键信息提取的准确度。现有的火车票图像摆正过程中，通过原始的yolo神经网络模型检测4个特征角点，可能出现漏检或者定位不准的现象，导致现有技术中火车票图像摆正存在准确度很低的问题。
发明内容
本发明实施例提供一种火车票图像摆正方法，旨在解决现有火车票图像摆正的准确度比较低的问题。
本发明是这样实现的，一种火车票图像摆正方法，包括：
从火车票模板图像获取N个第一特征角点，从待摆正火车票图像获取N个第二特征角点；
从所述N个第一特征角点选择M组特征角点组合，作为所述火车票模板图像的特征角点组合，从所述N个第二特征角点选择M组特征角点组合，作为所述待摆正火车票图像的特征角点组合，其中，特征角点组合设有序号，且序号相同的特征角点组合所包含的特征角点相同；
根据组合序号相同的特征角点组合所包含的特征角点的位置信息，对所述待摆正图像进行调整，得到M张调整后火车票图像；
根据火车票模板图像的特征角点的位置信息与所述M张调整后火车票图像的特征角点的位置信息，分别计算所述火车票模板图像的特征角点与所述M张调整后火车票图像的特征角点之间的距离，得到M个距离数值；
从所述M个距离数值确定最小距离，将所述最小距离对应的调整后火车票图像作为火车票摆正图像。
可选的，所述从火车票模板图像获取N个第一特征角点之前，包括以下过程：
将多张预先标注有N个特征区域的火车票图像输入yolo神经网络模型进行训练，得到特征角点检测模型；
所述从火车票模板图像获取N个第一特征角点，包括以下过程：
对所述待摆正火车票图像标注所述N个特征区域，计算所述标注的N个特征区域的中心位置作为所述第一特征角点；
所述从待摆正火车票图像获取N个第二特征角点，包括以下过程：
通过所述特征角点检测模型在所述待摆正火车票图像上标注所述N个特征区域，计算所述待摆正火车票图像的所述N个特征区域的中心位置，将所述待摆正火车票图像的所述N个特征区域的中心位置作为所述第二特征角点。
可选的，所述根据组合序号相同的特征角点组合所包含的特征角点的位置信息，对所述待摆正图像进行调整，包括以下过程：
获取所述火车票模板图像的特征角点组合中每一特征角点的位置信息，获取所述待摆正火车票图像的特征角点组合中每一特征角点的位置信息，分别计算组合序号相同的特征角点组合中的相同特征角点之间的透视变换矩阵，根据所述透视变换矩阵将所述待摆正火车票图像摆正为所述火车票模板图像大小相同的火车票图像。
可选的，所述根据火车票模板图像的特征角点的位置信息与所述M张调整后火车票图像的特征角点的位置信息，计算所述火车票模板图像的特征角点与所述M张调整后火车票图像的特征角点之间的距离之前，所述火车票图像摆正方法还包括以下过程：
通过所述特征角点检测模型分别在所述M张摆正后火车票图像上确定所。
可选的，所述根据火车票模板图像的特征角点的位置信息与所述M张调整后火车票图像的特征角点的位置信息，计算所述火车票模板图像的特征角点与所述M张调整后火车票图像的特征角点之间的距离，包括以下过程：
根据公式1计算所述火车票模板图像的特征角点与所述M张调整后火车票图像的特征角点之间的距离，得到M组距离组合，每组距离组合包括N个距离数值；
Figure BDA0002751143480000031
其中，xs表示所述调整后火车票图像的特征角点的横坐标信息，ys表示所述调整后火车票图像的特征角点的纵坐标信息，xd表示所述火车票模板图像的特征角点的横坐标信息，yd表示所述火车票模板图像的特征角点的纵坐标信息；
根据公式2计算每组距离组合的总距离：
Figure BDA0002751143480000032
其中，dis是每组距离组合的总距离，dn是所述调整后火车票图像的特征角点与所述火车票模板图像的特征角点之间的距离，wn是特征角点的权重值。
本发明还提供一种火车票图像摆正装置，包括：
获取模块，用于从火车票模板图像获取N个第一特征角点，从待摆正火车票图像获取N个第二特征角点；
选择模块，用于从所述N个第一特征角点选择M组特征角点组合，作为所述火车票模板图像的特征角点组合，从所述N个第二特征角点选择M组特征角点组合，作为所述待摆正火车票图像的特征角点组合，其中，特征角点组合设有序号，且序号相同的特征角点组合所包含的特征角点相同；
调整模块，用于根据组合序号相同的特征角点组合所包含的特征角点的位置信息，对所述待摆正图像进行调整，得到M张调整后火车票图像；
计算模块，用于根据火车票模板图像的特征角点的位置信息与所述M张调整后火车票图像的特征角点的位置信息，分别计算所述火车票模板图像的特征角点与所述M张调整后火车票图像的特征角点之间的距离，得到M个距离数值；
确定模块，用于从所述M个距离数值确定最小距离，将所述最小距离对应的调整后火车票图像作为火车票摆正图像。
可选的，所述火车票图像摆正装置还包括：
训练模块，用于将多张预先标注有N个特征区域的火车票图像输入yolo神经网络模型进行训练，得到特征角点检测模型；
所述获取模块，包括：
第一获取子模块，用于对所述待摆正火车票图像标注所述N个特征区域，计算所述标注的N个特征区域的中心位置作为所述第一特征角点；
第二获取子模块，用于通过所述特征角点检测模型在所述待摆正火车票图像上标注所述N个特征区域，计算所述待摆正火车票图像的所述N个特征区域的中心位置，将所述待摆正火车票图像的所述N个特征区域的中心位置作为所述第二特征角点。
可选的，所述调整模块，还用于获取所述火车票模板图像的特征角点组合中每一特征角点的位置信息，获取所述待摆正火车票图像的特征角点组合中每一特征角点的位置信息，分别计算组合序号相同的特征角点组合中的相同特征角点之间的透视变换矩阵，根据所述透视变换矩阵将所述待摆正火车票图像摆正为所述火车票模板图像大小相同的火车票图像。
可选的，所述火车票图像摆正装置还包括：
处理模块，用于通过所述特征角点检测模型分别在所述M张摆正后火车票图像上确定所。
可选的，所述计算模块还包括：
第一计算子模块，用于根据公式1计算所述火车票模板图像的特征角点与所述M张调整后火车票图像的特征角点之间的距离，得到M组距离组合，每组距离组合包括N个距离数值；
Figure BDA0002751143480000051
其中，xs表示所述调整后火车票图像的特征角点的横坐标信息，ys表示所述调整后火车票图像的特征角点的纵坐标信息，xd表示所述火车票模板图像的特征角点的横坐标信息，yd表示所述火车票模板图像的特征角点的纵坐标信息；
第二计算子模块，用于根据公式2计算每组距离组合的总距离：
Figure BDA0002751143480000052
其中，dis是每组距离组合的总距离，dn是所述调整后火车票图像的特征角点与所述火车票模板图像的特征角点之间的距离，wn是特征角点的权重值。
本发明还提供一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中计算机程序时实现如上述火车票图像摆正方法的步骤。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质可存储计算机程序，所述计算机可读存储介质与处理器电连接，所述计算机程序被所述处理器执行时实现如上述述火车票图像摆正方法的步骤。
本发明提供的火车票图像摆正方法，从火车票模板图像获取N个第一特征角点，从待摆正火车票图像获取N个第二特征角点；从所述N个第一特征角点选择M组特征角点组合，作为所述火车票模板图像的特征角点组合，从所述N个第二特征角点选择M组特征角点组合，作为所述待摆正火车票图像的特征角点组合，其中，特征角点组合设有序号，且序号相同的特征角点组合所包含的特征角点相同；根据组合序号相同的特征角点组合所包含的特征角点的位置信息，对所述待摆正图像进行调整，得到M张调整后火车票图像；根据火车票模板图像的特征角点的位置信息与所述M张调整后火车票图像的特征角点的位置信息，分别计算所述火车票模板图像的特征角点与所述M张调整后火车票图像的特征角点之间的距离，得到M个距离数值；从所述M个距离数值确定最小距离，将所述最小距离对应的调整后火车票图像作为火车票摆正图像。这样，可以根据火车票模板图像的特征角点与待摆正火车票图像的多组特征角点组合分别对待摆正火车票图像进行调整，从多张调整后的火车票图像中选择特征角点的距离最小的调整后火车票图像作为火车票摆正图像，寻找最合适的特征角点作为计算透视变换的坐标，有效避开原始的yolo神经网络模型在检测过程中漏检和定位不准的特征点位置，能够提高火车票图像摆正的准确度。
附图说明
图1是本发明实施例提供的火车票图像摆正方法的实现流程图；
图2本发明实施例提供的火车票模板图像的示意图；
图3本发明实施例提供的待摆正火车票图像的示意图；
图4本发明实施例提供的所述步骤S104的实现流程图；
图5本发明实施例提供的火车票摆正图像的示意图；
图6本发明实施例提供的火车票图像摆正装置的结构示意图；
图7是本发明实施提供的另一火车票图像摆正装置的结构示意图；
图8是本发明实施例提供的另一火车票图像摆正装置的结构示意图；
图9是本发明实施提供的计算模块的结构示意图。
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。
图1所示为本发明实施例提供的火车票图像摆正方法的实现流程图。该火车票图像摆正方法包括以下过程：
步骤S101，从火车票模板图像获取N个第一特征角点，从待摆正火车票图像获取N个第二特征角点。
在本实施例例中，N为正整数，所述N个第一特征角点可以包括火车票模板图像中的起始站的站字、终点站的站字、年字、月字、日字、开字、人民币符号、身份证号的四星和二维码所在特征区域的中心、左上角、左下角、右上角或右下角、特定点等；所述N个第二特征角点包括所述待摆正火车票图像中的起始站的站字、终点站的站字、年字、月字、日字、开字、人民币符号、身份证号的四星和二维码所在特征区域的中心、左上角、左下角、右上角或右下角、特定点等。
举例来说，请参阅图2，图2为火车票模板图像的示例图，在本实施例中，选取一张方正、平整、清晰、较新火车票图像作为火车票模板图像。在图2中用矩形框标出了火车票模板图像中的起始站的站字、终点站的站字、年字、月字、日字、开字、人民币符号、身份证号的四星和二维码所在特征区域，标出的矩形框区域即为特征区域，可以理解的是，特征区域的中心、左上角、左下角、右上角或右下角等某一个点均可以作为第一特征角点，为提高定位准确度、方便计算，在本实施例中，优选特征区域的中心作为第一特征角点。
请参阅图3，图3为待摆正火车票模板图像的示例图，在图3中用矩形框标出了待摆正火车票图像中的起始站的站字、终点站的站字、年字、月字、日字、开字、人民币符号、身份证号的四星和二维码所在特征区域，标出的矩形框区域即为特征区域，可以理解的是，特征区域的中心、左上角、左下角、右上角或右下角等某一个点均可以作为第二特征角点，为提高定位准确度、方便计算，在本实施例中，优选特征区域的中心作为第二特征角点。
可选的，在所述从火车票模板图像获取N个第一特征角点之前，还可以包括以下过程：
将多张预先标注有所述N个特征区域的火车票图像输入yolo神经网络模型进行训练，得到特征角点检测模型；
所述从火车票模板图像获取N个第一特征角点，包括以下过程：
对所述待摆正火车票图像标注所述N个特征区域，计算所述待摆正火车票图像的N个特征区域的中心位置作为所述第一特征角点；
所述从待摆正火车票图像获取N个第二特征角点，包括以下过程：
通过所述特征角点检测模型在所述待摆正火车票图像上标注所述N个特征区域，计算所述待摆正火车票图像的所述N个特征区域的中心位置，将所述待摆正火车票图像的所述N个特征区域的中心位置作为所述第二特征角点。
可选的，所述将多张预先标注有所述N个特征区域的火车票图像输入yolo神经网络模型进行训练，得到特征角点检测模型，包括以下步骤：
收集大量火车票图像，并使用LabelImg标注工具对火车票图像进行标注，并设置保存为yolo格式；
将yolo格式的火车票图像输入yolo神经网络模型进行训练，构建特征角点检测模型，其中训练设置迭代步数为70步，学习率为自适应学习率，其中初始学习率为0.0005，衰减率为0.4；
对训练好的特征角点检测模型使用tensorflow框架中freeze_graph代码进行固化，并提供API给上层应用使用。
在本实施例中，所述N个特征区域包括火车票图像的起始站的站字、终点站的站字、年字、月字、日字、开字、人民币符号、身份证号的四星和二维码所在特征区域。在本实施例中，如果有特征角点漏检，后续步骤可以对应减少选取的特征角点组数。
步骤S102，从所述N个第一特征角点选择M组特征角点组合，作为所述火车票模板图像的特征角点组合，从所述N个第二特征角点选择M组特征角点组合，作为所述待摆正火车票图像的特征角点组合，其中，特征角点组合设有序号，且序号相同的特征角点组合所包含的特征角点相同。
在本实施例中，M为正整数。要求每一特征角点组合中的特征角点在火车票图像上的连线所包围的区域面积比较大，能够提高火车票图像摆正的准确度。举例来说，若N个特征角点包括火车票模板图像中的起始站的站字、终点站的站字、年字、月字、日字、开字、人民币符号、身份证号的四星和二维码所在特征区域的中心，M组特征角点组合可以设置为4组特征角点组合。4组特征角点组合可以为：第一特征角点组合：二维码所在特征区域的中心、身份证号码的四星所在特征区域的中心、起始站的站字所在特征区域的中心和终点站的站字所在特征区域的中心；第二特征角点组合：人民币符号所在特征区域的中心、二维码所在特征区域的中心、起始站的站字所在特征区域的中心和终点站的站字所在特征区域的中心；第三特征角点组合：人民币符号所在特征区域的中心、身份证号码的四星所在特征区域的中心、起始站的站字所在特征区域的中心和终点站的站字所在特征区域的中心；第四特征角点组合：人民币符号所在特征区域的中心、身份证号码的四星所在特征区域的中心、起始站的站字所在特征区域的中心和二维码所在特征区域的中心。
这样，上述4组特征角点组合所包含的特征角点在火车票图像上的连线所包围的区域面积比较大，能够提高火车票图像摆正的准确度。
在本实施例中，从所述N个第一特征角点选择上述4组特征角点组合，作为所述火车票模板图像的特征角点组合，从所述N个第二特征角点选择上述4组特征角点组合，作为所述待摆正火车票图像的特征角点组合。
需要说明的是，特征角点组合的组合数M也可以为其他数值，特征角点组合中的特征角点可以为其他特征角点的组合，上述举例仅做示例性说明。
步骤S103，根据组合序号相同的特征角点组合所包含的特征角点的位置信息，对所述待摆正图像进行调整，得到M张调整后火车票图像。
可选的，步骤S103中，所述根据组合序号相同的特征角点组合所包含的特征角点的位置信息，对所述待摆正图像进行调整，包括以下过程：
获取所述火车票模板图像的特征角点组合中每一特征角点的位置信息，获取所述待摆正火车票图像的特征角点组合中每一特征角点的位置信息，分别计算组合序号相同的特征角点组合中的相同特征角点之间的透视变换矩阵，根据所述透视变换矩阵将所述待摆正火车票图像摆正为所述火车票模板图像大小相同的火车票图像。
在本实施例中，所述火车票模板图像的特征角点组合中每一特征角点的位置信息可以为坐标信息，包括横坐标及纵坐标。所述待摆正火车票图像的特征角点组合中每一特征角点的位置信息可以为坐标信息，包括横坐标及纵坐标。
举例来说，所述火车票模板图像的特征角点组合包括前述4组特征角点组合，所述待摆正火车票图像的特征角点组合包括前述4组特征角点组合，步骤S103按照以下过程进行：S1，获取火车票模板图像的第一特征角点组合所包括的二维码所在特征区域的中心、身份证号码的四星所在特征区域的中心、起始站的站字所在特征区域的中心和终点站的站字所在特征区域的中心的位置信息。
S2，获取待摆正火车票图像的第二特征角点组合所包含的二维码所在特征区域的中心、身份证号码的四星所在特征区域的中心、起始站的站字所在特征区域的中心和终点站的站字所在特征区域的中心的位置信息。
S3，通过opencv接收火车票模板图像的第一特征角点组合的所包括的二维码所在特征区域的中心、身份证号码的四星所在特征区域的中心、起始站的站字所在特征区域的中心和终点站的站字所在特征区域的中心的位置信息，及通过opencv接收待摆正火车票图像的第二特征角点组合所包含的二维码所在特征区域的中心、身份证号码的四星所在特征区域的中心、起始站的站字所在特征区域的中心和终点站的站字所在特征区域的中心的位置信息，opencv根据接收到的所述位置信息计算透视变换矩阵，所述透视变换矩阵可以为3×3的矩阵。
S4，根据所述透视变换矩阵将所述待摆正火车票图像摆正为所述火车票模板图像大小相同的火车票图像。
在本实施例中，有M组特征角点组，根据上述步骤，可得到M个透视变换矩阵，根据M个透视变换矩阵分别对待摆正火车票图像进行调整，可以得到M张与所述火车票模板图像大小相同的火车票图像，即得到M张调整后火车票图像。
需要说明的是，opencv是一款开源的计算机视觉和机器学习软件库，主要使用opencv中矩阵运算。透视变换矩阵是利用透视中心、原始像素点、目标像素点三点共线的条件，构建几何投影矩阵，在本文中，通过该矩阵可以将任意拍摄的图像转换成与标准火车票图像大小一致的火车票图像。
在本实施例中，可以通过opencv计算火车票模板图像上二维码、身份证号码的四星、起始站的站字和终点站的站字所在特征区域的中心位置与待摆正火车票图像的对应的二维码、身份证号码的四星、起始站的站字和终点站的站字所在特征区域的中心位置的透视变换矩阵；通过变换矩阵将待摆正火车票摆正为与火车票模板图像大小一致的火车票图像。余下三组特征角点组合按上述步骤实行，最后得到4张调整的火车票图像。
步骤S104，根据火车票模板图像的特征角点的位置信息与所述M张调整后火车票图像的特征角点的位置信息，分别计算所述火车票模板图像的特征角点与所述M张调整后火车票图像的特征角点之间的距离，得到M个距离数值。
可选的，在步骤S104之前，所述火车票图像摆正方法还包括以下过程：
通过所述特征角点检测模型分别在所述M张摆正后火车票图像上确定所述N个第三特征角点，计算所述M张摆正后火车票图像的所述N个第三特征角点的位置信息。
在本实施例中，通过所述特征角点检测模型分别在所述M张摆正后火车票图像上确定N个所述特征区域，所述N个特征区域包括火车票图像的起始站的站字、终点站的站字、年字、月字、日字、开字、人民币符号、身份证号的四星和二维码所在特征区域，计算所述M张摆正后火车票图像的所述N个所述特征区域的中心作为所述M张摆正后火车票图像的所述N个第三特征角点，计算所述M张摆正后火车票图像的所述N个第三特征角点的位置信息。
举例来说，若所述M张摆正后火车票图像为4张摆正的火车票图像，通过特征角点检测模型分别检测4张调整后火车票图像，对每张调整后火车票图像标注9个特征区域，9个特征区域包括火车票图像的起始站的站字、终点站的站字、年字、月字、日字、开字、人民币符号、身份证号的四星和二维码所在特征区域，将9个特征区域的中心位置作为9个第三特征角点。至此，得到4组9个第三特征角点的位置信息。如果有特征角点漏检，将该特征角点的权重赋值为0。
可选的，请参阅图4，所述步骤S104包括以下步骤：
步骤S1041，根据公式1计算所述火车票模板图像的特征角点与所述M张调整后火车票图像的特征角点之间的距离，得到M组距离组合，每组距离组合包括N个距离数值；
Figure BDA0002751143480000121
其中，xs表示所述调整后火车票图像的特征角点的横坐标信息，ys表示所述调整后火车票图像的特征角点的纵坐标信息，xd表示所述火车票模板图像的特征角点的横坐标信息，yd表示所述火车票模板图像的特征角点的纵坐标信息；也就是说，(xs，ys)是调整后火车票图像的特征角点的坐标，(xd,yd)是火车票模板图像的特征角点的坐标。
步骤S1042，根据公式2计算每组距离组合的总距离：
Figure BDA0002751143480000122
其中，dis是每组距离组合的总距离，dn是所述调整后火车票图像的特征角点与所述火车票模板图像的特征角点之间的距离，wn是特征角点的权重值。
在本实施例中，可以根据特征角点的重要程度，调整权重值wn的大小，例如，考虑到身份证号4星、人民币符号、二维码、起始站的站字和终点站的站字所在特征区域的中心是靠近火车票图像边缘的特征角点，选取这些特征角点作透视变换，可以更精准的摆正火车票，所以身份证号4星、人民币符号、二维码、起始站的站字和终点站的站字所在特征区域的中心作为特征角点时，对应的权重系数设为2。如果有没检测到相应的特征角点，则该特征角点的权重等于0。
步骤S105，从所述M个距离数值确定最小距离，将所述最小距离对应的调整后火车票图像作为火车票摆正图像。
参阅图5，图5所示为火车票摆正图像的示例图，摆正准确度较高，显示效果较好。
本发明提供的火车票图像摆正方法，可以根据火车票模板图像的特征角点与待摆正火车票图像的多组特征角点组合分别对待摆正火车票图像进行调整，从多张调整后的火车票图像中选择特征角点的距离最小的调整后火车票图像作为火车票摆正图像，寻找最合适的特征角点作为计算透视变换的坐标，有效避开原始的yolo神经网络模型在检测过程中漏检和定位不准的特征点位置，能够提高火车票图像摆正的准确度。
图6示出了本发明实施例提供的一种火车票图像摆正装置600的结构示意图，为了便于说明，仅示出了于本发明实施相关的部分。该火车票图像摆正装置600，包括：
获取模块601，用于从火车票模板图像获取N个第一特征角点，从待摆正火车票图像获取N个第二特征角点。
在本实施例例中，N为正整数，所述N个第一特征角点可以包括火车票模板图像中的起始站的站字、终点站的站字、年字、月字、日字、开字、人民币符号、身份证号的四星和二维码所在特征区域的中心、左上角、左下角、右上角或右下角、特定点等；所述N个第二特征角点包括所述待摆正火车票图像中的起始站的站字、终点站的站字、年字、月字、日字、开字、人民币符号、身份证号的四星和二维码所在特征区域的中心、左上角、左下角、右上角或右下角、特定点等。
在本实施例中，选取一张方正、平整、清晰、较新火车票图像作为火车票模板图像，请再次参阅图2，在图2中用矩形框标出了火车票模板图像中的起始站的站字、终点站的站字、年字、月字、日字、开字、人民币符号、身份证号的四星和二维码所在特征区域，标出的矩形框区域即为特征区域，可以理解的是，特征区域的中心、左上角、左下角、右上角或右下角等某一个点均可以作为第一特征角点，为提高定位准确度、方便计算，在本实施例中，优选特征区域的中心作为第一特征角点。
请再次参阅图3，在图3中用矩形框标出了待摆正火车票图像中的起始站的站字、终点站的站字、年字、月字、日字、开字、人民币符号、身份证号的四星和二维码所在特征区域，标出的矩形框区域即为特征区域，可以理解的是，特征区域的中心、左上角、左下角、右上角或右下角等某一个点均可以作为第二特征角点，为提高定位准确度、方便计算，在本实施例中，优选特征区域的中心作为第二特征角点。
可选的，请参阅图7，所述火车票图像摆正装置600还包括：
训练模块606，用于将多张预先标注有所述N个特征区域的火车票图像输入yolo神经网络模型进行训练，得到特征角点检测模型；
所述获取模块601，包括：
第一获取子模块6011，用于对所述待摆正火车票图像标注所述N个特征区域，计算所述待摆正火车票图像的N个特征区域的中心位置作为所述第一特征角点；
第二获取子模块6012，用于通过所述特征角点检测模型在所述待摆正火车票图像上标注所述N个特征区域，计算所述待摆正火车票图像的所述N个特征区域的中心位置，将所述待摆正火车票图像的所述N个特征区域的中心位置作为所述第二特征角点。
可选的，所述训练模块606具体还用于收集大量火车票图像，并使用LabelImg标注工具对火车票图像进行标注，并设置保存为yolo格式；
将yolo格式的火车票图像输入yolo神经网络模型进行训练，构建特征角点检测模型，其中训练设置迭代步数为70步，学习率为自适应学习率，其中初始学习率为0.0005，衰减率为0.4；
对训练好的特征角点检测模型使用tensorflow框架中freeze_graph代码进行固化，并提供API给上层应用使用。
在本实施例中，所述N个特征区域包括火车票图像的起始站的站字、终点站的站字、年字、月字、日字、开字、人民币符号、身份证号的四星和二维码所在特征区域。在本实施例中，如果有特征角点漏检，后续步骤可以对应减少选取的特征角点组数。
选择模块602，用于从所述N个第一特征角点选择M组特征角点组合，作为所述火车票模板图像的特征角点组合，从所述N个第二特征角点选择M组特征角点组合，作为所述待摆正火车票图像的特征角点组合，其中，特征角点组合设有序号，且序号相同的特征角点组合所包含的特征角点相同。
在本实施例中，M为正整数。要求每一特征角点组合中的特征角点在火车票图像上的连线所包围的区域面积比较大，能够提高火车票图像摆正的准确度。举例来说，若N个特征角点包括火车票模板图像中的起始站的站字、终点站的站字、年字、月字、日字、开字、人民币符号、身份证号的四星和二维码所在特征区域的中心，M组特征角点组合可以设置为4组特征角点组合。4组特征角点组合可以为：第一特征角点组合：二维码所在特征区域的中心、身份证号码的四星所在特征区域的中心、起始站的站字所在特征区域的中心和终点站的站字所在特征区域的中心；第二特征角点组合：人民币符号所在特征区域的中心、二维码所在特征区域的中心、起始站的站字所在特征区域的中心和终点站的站字所在特征区域的中心；第三特征角点组合：人民币符号所在特征区域的中心、身份证号码的四星所在特征区域的中心、起始站的站字所在特征区域的中心和终点站的站字所在特征区域的中心；第四特征角点组合：人民币符号所在特征区域的中心、身份证号码的四星所在特征区域的中心、起始站的站字所在特征区域的中心和二维码所在特征区域的中心。
这样，上述4组特征角点组合所包含的特征角点在火车票图像上的连线所包围的区域面积比较大，能够提高火车票图像摆正的准确度。
在本实施例中，从所述N个第一特征角点选择上述4组特征角点组合，作为所述火车票模板图像的特征角点组合，从所述N个第二特征角点选择上述4组特征角点组合，作为所述待摆正火车票图像的特征角点组合。
需要说明的是，特征角点组合的组合数M也可以为其他数值，特征角点组合中的特征角点可以为其他特征角点的组合，上述举例仅做示例性说明。
调整模块603，用于根据组合序号相同的特征角点组合所包含的特征角点的位置信息，对所述待摆正图像进行调整，得到M张调整后火车票图像。
可选的，所述调整模块603，还用于获取所述火车票模板图像的特征角点组合中每一特征角点的位置信息，获取所述待摆正火车票图像的特征角点组合中每一特征角点的位置信息，分别计算组合序号相同的特征角点组合中的相同特征角点之间的透视变换矩阵，根据所述透视变换矩阵将所述待摆正火车票图像摆正为所述火车票模板图像大小相同的火车票图像。
在本实施例中，所述火车票模板图像的特征角点组合中每一特征角点的位置信息可以为坐标信息，包括横坐标及纵坐标。所述待摆正火车票图像的特征角点组合中每一特征角点的位置信息可以为坐标信息，包括横坐标及纵坐标。
举例来说，所述火车票模板图像的特征角点组合包括前述4组特征角点组合，所述待摆正火车票图像的特征角点组合包括前述4组特征角点组合，所述调整模块603，还用于获取火车票模板图像的第一特征角点组合所包括的二维码所在特征区域的中心、身份证号码的四星所在特征区域的中心、起始站的站字所在特征区域的中心和终点站的站字所在特征区域的中心的位置信息；
获取待摆正火车票图像的第二特征角点组合所包含的二维码所在特征区域的中心、身份证号码的四星所在特征区域的中心、起始站的站字所在特征区域的中心和终点站的站字所在特征区域的中心的位置信息；
计算火车票模板图像的第一特征角点组合的二维码所在特征区域的中心、待摆正火车票图像的第二特征角点组合的二维码所在特征区域的中心的透视变换数据；
通过opencv接收火车票模板图像的第一特征角点组合的所包括的二维码所在特征区域的中心、身份证号码的四星所在特征区域的中心、起始站的站字所在特征区域的中心和终点站的站字所在特征区域的中心的位置信息，及通过opencv接收待摆正火车票图像的第二特征角点组合所包含的二维码所在特征区域的中心、身份证号码的四星所在特征区域的中心、起始站的站字所在特征区域的中心和终点站的站字所在特征区域的中心的位置信息，opencv根据接收到的所述位置信息计算透视变换矩阵，所述透视变换矩阵可以为3×3的矩阵；
根据所述透视变换矩阵将所述待摆正火车票图像摆正为所述火车票模板图像大小相同的火车票图像。
在本实施例中，有M组特征角点组，根据上述步骤，可得到M个透视变换矩阵，根据M个透视变换矩阵分别对待摆正火车票图像进行调整，可以得到M张与所述火车票模板图像大小相同的火车票图像，即得到M张调整后火车票图像。
需要说明的是，opencv是一款开源的计算机视觉和机器学习软件库，主要使用opencv中矩阵运算。
透视变换矩阵是利用透视中心、原始像素点、目标像素点三点共线的条件，构建几何投影矩阵，在本文中，通过该矩阵可以将任意拍摄的图像转换成标准的火车票图像。
在本实施例中，可以通过opencv计算火车票模板图像上二维码、身份证号码的四星、起始站的站字和终点站的站字所在特征区域的中心位置与待摆正火车票图像的对应的二维码、身份证号码的四星、起始站的站字和终点站的站字所在特征区域的中心位置的透视变换矩阵；通过变换矩阵将待摆正火车票摆正为与火车票模板图像大小一致的火车票图像。余下三组特征角点组合按上述步骤实行，最后得到4张调整的火车票图像。
计算模块604，用于根据火车票模板图像的特征角点的位置信息与所述M张调整后火车票图像的特征角点的位置信息，分别计算所述火车票模板图像的特征角点与所述M张调整后火车票图像的特征角点之间的距离，得到M个距离数值。
可选的，请参阅图8，所述火车票图像摆正装置还包括：
处理模块607，用于通过所述特征角点检测模型分别在所述M张摆正后火车票图像上确定所述N个第三特征角点，计算所述M张摆正后火车票图像的所述N个第三特征角点的位置信息。
在本实施例中，通过所述特征角点检测模型分别在所述M张摆正后火车票图像上确定N个所述特征区域，所述N个特征区域包括火车票图像的起始站的站字、终点站的站字、年字、月字、日字、开字、人民币符号、身份证号的四星和二维码所在特征区域，计算所述M张摆正后火车票图像的所述N个所述特征区域的中心作为所述M张摆正后火车票图像的所述N个第三特征角点，计算所述M张摆正后火车票图像的所述N个第三特征角点的位置信息。
举例来说，若所述M张摆正后火车票图像为4张摆正的火车票图像，通过特征角点检测模型分别检测4张调整后火车票图像，对每张调整后火车票图像标注9个特征区域，9个特征区域包括火车票图像的起始站的站字、终点站的站字、年字、月字、日字、开字、人民币符号、身份证号的四星和二维码所在特征区域，将9个特征区域的中心位置作为9个第三特征角点。至此，得到4组9个第三特征角点的位置信息。如果有特征角点漏检，将该特征角点的权重赋值为0。
可选的，请参阅图9，所述计算模块604包括：
第一计算子模块6041，根据公式1计算所述火车票模板图像的特征角点与所述M张调整后火车票图像的特征角点之间的距离，得到M组距离组合，每组距离组合包括N个距离数值；
Figure BDA0002751143480000181
其中，xs表示所述调整后火车票图像的特征角点的横坐标信息，ys表示所述调整后火车票图像的特征角点的纵坐标信息，xd表示所述火车票模板图像的特征角点的横坐标信息，yd表示所述火车票模板图像的特征角点的纵坐标信息；也就是说，(xs,ys)是调整后火车票图像的特征角点的坐标，(xd,yd)是火车票模板图像的特征角点的坐标。
第二计算子模块6042，根据公式2计算每组距离组合的总距离：
Figure BDA0002751143480000191
其中，dis是每组距离组合的总距离，dn是所述调整后火车票图像的特征角点与所述火车票模板图像的特征角点之间的距离，wn是特征角点的权重值。
在本实施例中，可以根据特征角点的重要程度，调整权重值wn的大小，例如，考虑到身份证号4星、人民币符号、二维码、起始站的站字和终点站的站字所在特征区域的中心是靠近火车票图像边缘的特征角点，选取这些特征角点作透视变换，可以更精准的摆正火车票，所以身份证号4星、人民币符号、二维码、起始站的站字和终点站的站字所在特征区域的中心作为特征角点时，对应的权重系数设为2。如果有没检测到相应的特征角点，则该特征角点的权重等于0。
确定模块605，从所述M个距离数值确定最小距离，将所述最小距离对应的调整后火车票图像作为火车票摆正图像。
请再次参阅图5，图5所示的火车票摆正图像摆正准确度较高，显示效果较好。
本发明提供的火车票图像摆正装置，可以根据火车票模板图像的特征角点与待摆正火车票图像的多组特征角点组合分别对待摆正火车票图像进行调整，从多张调整后的火车票图像中选择特征角点的距离最小的调整后火车票图像作为火车票摆正图像，寻找最合适的特征角点作为计算透视变换的坐标，有效避开原始的yolo神经网络模型在检测过程中漏检和定位不准的特征点位置，能够提高火车票图像摆正的准确度。
本发明实施例提供一种计算机装置，该计算机装置包括处理器，处理器用于执行存储器中计算机程序时实现上述各个方法实施例提供的火车票图像摆正方法的步骤。
示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。例如，计算机程序可以被分割成上述各个方法实施例提供的火车票图像摆正方法的步骤。
本领域技术人员可以理解，上述计算机装置的描述仅仅是示例，并不构成对计算机装置的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述计算机可读存储介质与处理器电连接，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个火车票图像摆正方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信号以及软件分发介质等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种火车票图像摆正方法，其特征在于，所述火车票图像摆正方法包括：
从火车票模板图像获取N个第一特征角点，从待摆正火车票图像获取N个第二特征角点；
从所述N个第一特征角点选择M组特征角点组合，作为所述火车票模板图像的特征角点组合，从所述N个第二特征角点选择M组特征角点组合，作为所述待摆正火车票图像的特征角点组合，其中，特征角点组合设有序号，且序号相同的特征角点组合所包含的特征角点相同；
根据组合序号相同的特征角点组合所包含的特征角点的位置信息，对所述待摆正图像进行调整，得到M张调整后火车票图像；
根据火车票模板图像的特征角点的位置信息与所述M张调整后火车票图像的特征角点的位置信息，分别计算所述火车票模板图像的特征角点与所述M张调整后火车票图像的特征角点之间的距离，得到M个距离数值；
从所述M个距离数值确定最小距离，将所述最小距离对应的调整后火车票图像作为火车票摆正图像。
2.根据权利要求1所述的火车票图像摆正方法，其特征在于，所述从火车票模板图像获取N个第一特征角点之前，所述火车票图像摆正方法包括以下过程：
将多张预先标注有N个特征区域的火车票图像输入yolo神经网络模型进行训练，得到特征角点检测模型；
所述从火车票模板图像获取N个第一特征角点，包括以下过程：
对所述待摆正火车票图像标注所述N个特征区域，计算所述标注的N个特征区域的中心位置作为所述第一特征角点；
所述从待摆正火车票图像获取N个第二特征角点，包括以下过程：
通过所述特征角点检测模型在所述待摆正火车票图像上标注所述N个特征区域，计算所述待摆正火车票图像的所述N个特征区域的中心位置，将所述待摆正火车票图像的所述N个特征区域的中心位置作为所述第二特征角点。
3.根据权利要求1所述的火车票图像摆正方法，其特征在于，所述根据组合序号相同的特征角点组合所包含的特征角点的位置信息，对所述待摆正图像进行调整，包括以下过程：
获取所述火车票模板图像的特征角点组合中每一特征角点的位置信息，获取所述待摆正火车票图像的特征角点组合中每一特征角点的位置信息，分别计算组合序号相同的特征角点组合中的相同特征角点之间的透视变换矩阵，根据所述透视变换矩阵将所述待摆正火车票图像摆正为所述火车票模板图像大小相同的火车票图像。
4.根据权利要求1所述的火车票图像摆正方法，其特征在于，所述根据火车票模板图像的特征角点的位置信息与所述M张调整后火车票图像的特征角点的位置信息，计算所述火车票模板图像的特征角点与所述M张调整后火车票图像的特征角点之间的距离，得到M个距离数值之前，所述火车票图像摆正方法还包括以下过程：
通过所述特征角点检测模型分别在所述M张摆正后火车票图像上确定所述N个第三特征角点，计算所述M张摆正后火车票图像的所述N个第三特征角点的位置信息。
5.根据权利要求1所述的火车票图像摆正方法，其特征在于，所述根据火车票模板图像的特征角点的位置信息与所述M张调整后火车票图像的特征角点的位置信息，计算所述火车票模板图像的特征角点与所述M张调整后火车票图像的特征角点之间的距离，得到M个距离数值，包括以下过程：
根据公式1计算所述火车票模板图像的特征角点与所述M张调整后火车票图像的特征角点之间的距离，得到M组距离组合，每组距离组合包括N个距离数值；
公式1：
Figure FDA0002751143470000021
其中，xs表示所述调整后火车票图像的特征角点的横坐标信息，ys表示所述调整后火车票图像的特征角点的纵坐标信息，xd表示所述火车票模板图像的特征角点的横坐标信息，yd表示所述火车票模板图像的特征角点的纵坐标信息；
根据公式2计算每组距离组合的总距离：
公式2：
Figure FDA0002751143470000031
其中，dis是每组距离组合的总距离，dn是所述调整后火车票图像的特征角点与所述火车票模板图像的特征角点之间的距离，wn是特征角点的权重值。
6.一种火车票图像摆正装置，其特征在于，所述火车票图像摆正装置包括：
获取模块，用于从火车票模板图像获取N个第一特征角点，从待摆正火车票图像获取N个第二特征角点；
选择模块，用于从所述N个第一特征角点选择M组特征角点组合，作为所述火车票模板图像的特征角点组合，从所述N个第二特征角点选择M组特征角点组合，作为所述待摆正火车票图像的特征角点组合，其中，特征角点组合设有序号，且序号相同的特征角点组合所包含的特征角点相同；
调整模块，用于根据组合序号相同的特征角点组合所包含的特征角点的位置信息，对所述待摆正图像进行调整，得到M张调整后火车票图像；
计算模块，用于根据火车票模板图像的特征角点的位置信息与所述M张调整后火车票图像的特征角点的位置信息，分别计算所述火车票模板图像的特征角点与所述M张调整后火车票图像的特征角点之间的距离，得到M个距离数值；
确定模块，用于从所述M个距离数值确定最小距离，将所述最小距离对应的调整后火车票图像作为火车票摆正图像。
7.根据权利要求6所述的火车票图像摆正装置，其特征在于，所述火车票图像摆正装置还包括：
训练模块，用于将多张预先标注有N个特征区域的火车票图像输入yolo神经网络模型进行训练，得到特征角点检测模型；
所述获取模块，包括：
第一获取子模块，用于对所述待摆正火车票图像标注所述N个特征区域，计算所述标注的N个特征区域的中心位置作为所述第一特征角点；
第二获取子模块，用于通过所述特征角点检测模型在所述待摆正火车票图像上标注所述N个特征区域，计算所述待摆正火车票图像的所述N个特征区域的中心位置，将所述待摆正火车票图像的所述N个特征区域的中心位置作为所述第二特征角点。
8.根据权利要求6所述的火车票图像摆正装置，其特征在于，
所述调整模块，还用于获取所述火车票模板图像的特征角点组合中每一特征角点的位置信息，获取所述待摆正火车票图像的特征角点组合中每一特征角点的位置信息，分别计算组合序号相同的特征角点组合中的相同特征角点之间的透视变换矩阵，根据所述透视变换矩阵将所述待摆正火车票图像摆正为所述火车票模板图像大小相同的火车票图像。
9.根据权利要求6所述的火车票图像摆正装置，其特征在于，所述火车票图像摆正装置还包括：
处理模块，用于通过所述特征角点检测模型分别在所述M张摆正后火车票图像上确定所。
10.根据权利要求6所述的火车票图像摆正装置，其特征在于，所述计算模块还包括：
第一计算子模块，用于根据公式1计算所述火车票模板图像的特征角点与所述M张调整后火车票图像的特征角点之间的距离，得到M组距离组合，每组距离组合包括N个距离数值；
公式1：
Figure FDA0002751143470000041
其中，xs表示所述调整后火车票图像的特征角点的横坐标信息，ys表示所述调整后火车票图像的特征角点的纵坐标信息，xd表示所述火车票模板图像的特征角点的横坐标信息，yd表示所述火车票模板图像的特征角点的纵坐标信息；
第二计算子模块，用于根据公式2计算每组距离组合的总距离：
公式2：
Figure FDA0002751143470000051
其中，dis是每组距离组合的总距离，dn是所述调整后火车票图像的特征角点与所述火车票模板图像的特征角点之间的距离，wn是特征角点的权重值，n为特征角点数量。
11.一种计算机装置，所述计算机装置包括处理器，其特征在于，所述处理器用于执行存储器中计算机程序时实现如权利要求1-5中任意一项所述火车票图像摆正方法的步骤。
12.一种计算机可读存储介质，所述计算机可读存储介质可存储计算机程序，所述计算机可读存储介质与处理器电连接，其特征在于：所述计算机程序被所述处理器执行时实现如权利要求1-5中任意一项所述火车票图像摆正方法的步骤。
CN202011184930.9A 2020-10-29 2020-10-29 一种火车票图像摆正方法、装置、计算机装置及计算机可读存储介质 Active CN112257712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011184930.9A CN112257712B (zh) 2020-10-29 2020-10-29 一种火车票图像摆正方法、装置、计算机装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011184930.9A CN112257712B (zh) 2020-10-29 2020-10-29 一种火车票图像摆正方法、装置、计算机装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112257712A true CN112257712A (zh) 2021-01-22
CN112257712B CN112257712B (zh) 2024-02-27

Family

ID=74268824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011184930.9A Active CN112257712B (zh) 2020-10-29 2020-10-29 一种火车票图像摆正方法、装置、计算机装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112257712B (zh)

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130336538A1 (en) * 2012-06-19 2013-12-19 Xerox Corporation Occupancy detection for managed lane enforcement based on localization and classification of windshield images
US20150104107A1 (en) * 2013-10-16 2015-04-16 3M Innovative Properties Company Note recognition and association based on grouping indicators
CN108345882A (zh) * 2018-02-11 2018-07-31 北京百度网讯科技有限公司 用于图像识别的方法、装置、设备和计算机可读存储介质
CN108364024A (zh) * 2018-02-11 2018-08-03 金蝶软件（中国）有限公司 图像匹配方法、装置、计算机设备和存储介质
CN109344727A (zh) * 2018-09-07 2019-02-15 苏州创旅天下信息技术有限公司 身份证文本信息检测方法及装置、可读存储介质和终端
CN109426814A (zh) * 2017-08-22 2019-03-05 顺丰科技有限公司 一种发票图片特定板块的定位、识别方法、系统、设备
CN109447068A (zh) * 2018-10-26 2019-03-08 信雅达系统工程股份有限公司 一种从图像中分离印章并校准印章的方法
CN109635627A (zh) * 2018-10-23 2019-04-16 中国平安财产保险股份有限公司 图片信息提取方法、装置、计算机设备及存储介质
CN109657665A (zh) * 2018-10-31 2019-04-19 广东工业大学 一种基于深度学习的发票批量自动识别系统
CN109858414A (zh) * 2019-01-21 2019-06-07 南京邮电大学 一种发票分块检测方法
CN109871744A (zh) * 2018-12-29 2019-06-11 新浪网技术(中国)有限公司 一种增值税发票图像配准方法及系统
CN110008956A (zh) * 2019-04-01 2019-07-12 深圳市华付信息技术有限公司 发票关键信息定位方法、装置、计算机设备及存储介质
CN110348441A (zh) * 2019-07-10 2019-10-18 深圳市华云中盛科技有限公司 增值税发票识别方法、装置、计算机设备及存储介质
CN110866495A (zh) * 2019-11-14 2020-03-06 杭州睿琪软件有限公司 票据图像识别方法及装置和设备、训练方法和存储介质
CN111104936A (zh) * 2019-11-19 2020-05-05 泰康保险集团股份有限公司 文本图像识别方法、装置、设备及存储介质
CN111160142A (zh) * 2019-12-14 2020-05-15 上海交通大学 一种基于数值预测回归模型的证件票据定位检测方法
CN111179379A (zh) * 2019-12-26 2020-05-19 湖南星汉数智科技有限公司 一种通用动车票数据集生成方法、装置、计算机装置及计算机可读存储介质
CN111291752A (zh) * 2020-01-22 2020-06-16 山东浪潮通软信息科技有限公司 一种发票识别方法及设备、介质
CN111325092A (zh) * 2019-12-26 2020-06-23 湖南星汉数智科技有限公司 一种动车票识别方法、装置、计算机装置及计算机可读存储介质
CN111476109A (zh) * 2020-03-18 2020-07-31 深圳中兴网信科技有限公司 票据处理方法、票据处理装置和计算机可读存储介质
CN111783770A (zh) * 2020-01-16 2020-10-16 北京沃东天骏信息技术有限公司 图像的矫正方法、装置和计算机可读存储介质
CN111814785A (zh) * 2020-06-11 2020-10-23 浙江大华技术股份有限公司 发票识别方法及相关模型的训练方法以及相关设备、装置
US10896357B1 (en) * 2017-12-29 2021-01-19 Automation Anywhere, Inc. Automatic key/value pair extraction from document images using deep learning

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130336538A1 (en) * 2012-06-19 2013-12-19 Xerox Corporation Occupancy detection for managed lane enforcement based on localization and classification of windshield images
US20150104107A1 (en) * 2013-10-16 2015-04-16 3M Innovative Properties Company Note recognition and association based on grouping indicators
CN109426814A (zh) * 2017-08-22 2019-03-05 顺丰科技有限公司 一种发票图片特定板块的定位、识别方法、系统、设备
US10896357B1 (en) * 2017-12-29 2021-01-19 Automation Anywhere, Inc. Automatic key/value pair extraction from document images using deep learning
CN108345882A (zh) * 2018-02-11 2018-07-31 北京百度网讯科技有限公司 用于图像识别的方法、装置、设备和计算机可读存储介质
CN108364024A (zh) * 2018-02-11 2018-08-03 金蝶软件（中国）有限公司 图像匹配方法、装置、计算机设备和存储介质
CN109344727A (zh) * 2018-09-07 2019-02-15 苏州创旅天下信息技术有限公司 身份证文本信息检测方法及装置、可读存储介质和终端
CN109635627A (zh) * 2018-10-23 2019-04-16 中国平安财产保险股份有限公司 图片信息提取方法、装置、计算机设备及存储介质
CN109447068A (zh) * 2018-10-26 2019-03-08 信雅达系统工程股份有限公司 一种从图像中分离印章并校准印章的方法
CN109657665A (zh) * 2018-10-31 2019-04-19 广东工业大学 一种基于深度学习的发票批量自动识别系统
CN109871744A (zh) * 2018-12-29 2019-06-11 新浪网技术(中国)有限公司 一种增值税发票图像配准方法及系统
CN109858414A (zh) * 2019-01-21 2019-06-07 南京邮电大学 一种发票分块检测方法
CN110008956A (zh) * 2019-04-01 2019-07-12 深圳市华付信息技术有限公司 发票关键信息定位方法、装置、计算机设备及存储介质
CN110348441A (zh) * 2019-07-10 2019-10-18 深圳市华云中盛科技有限公司 增值税发票识别方法、装置、计算机设备及存储介质
CN110866495A (zh) * 2019-11-14 2020-03-06 杭州睿琪软件有限公司 票据图像识别方法及装置和设备、训练方法和存储介质
CN111104936A (zh) * 2019-11-19 2020-05-05 泰康保险集团股份有限公司 文本图像识别方法、装置、设备及存储介质
CN111160142A (zh) * 2019-12-14 2020-05-15 上海交通大学 一种基于数值预测回归模型的证件票据定位检测方法
CN111179379A (zh) * 2019-12-26 2020-05-19 湖南星汉数智科技有限公司 一种通用动车票数据集生成方法、装置、计算机装置及计算机可读存储介质
CN111325092A (zh) * 2019-12-26 2020-06-23 湖南星汉数智科技有限公司 一种动车票识别方法、装置、计算机装置及计算机可读存储介质
CN111783770A (zh) * 2020-01-16 2020-10-16 北京沃东天骏信息技术有限公司 图像的矫正方法、装置和计算机可读存储介质
CN111291752A (zh) * 2020-01-22 2020-06-16 山东浪潮通软信息科技有限公司 一种发票识别方法及设备、介质
CN111476109A (zh) * 2020-03-18 2020-07-31 深圳中兴网信科技有限公司 票据处理方法、票据处理装置和计算机可读存储介质
CN111814785A (zh) * 2020-06-11 2020-10-23 浙江大华技术股份有限公司 发票识别方法及相关模型的训练方法以及相关设备、装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CURRIE, G: "Bus Network Planning for Transfers and the Network Effect in Melbourne", TRANSPORTATION RESEARCH RECORD, no. 2145, pages 8 - 17 *
刘春平;李帅杰;陈虎;: "复杂背景下多证件快速识别系统的研究与实现", 现代计算机(专业版), no. 11, pages 106 - 110 *

Also Published As

Publication number Publication date
CN112257712B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
US20220101030A1 (en) Examination paper correction method and apparatus, electronic device, and storage medium
CN110866495A (zh) 票据图像识别方法及装置和设备、训练方法和存储介质
US9582728B2 (en) System for determining alignment of a user-marked document and method thereof
CN112699775A (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
CN108509988B (zh) 一种试卷分数自动统计方法、装置、电子设备及存储介质
CN110675940A (zh) 病理图像标注方法、装置、计算机设备及存储介质
CN112580707A (zh) 图像识别方法、装置、设备及存储介质
CN108009536A (zh) 扫描阅卷方法及系统
CN112307786B (zh) 一种多个不规则二维码批量定位识别方法
CN112818852A (zh) 印章校验方法、装置、设备及存储介质
CN107067399A (zh) 一种试卷图像分割处理方法
CN114648776A (zh) 一种财务报销数据处理方法和处理系统
CN109635729B (zh) 一种表格识别方法及终端
CN111507181A (zh) 票据图像的矫正方法、装置及计算机设备
CN112348019B (zh) 一种答题卡矫正方法、装置、电子设备及存储介质
CN110909816B (zh) 图片识别方法和装置
CN113221897B (zh) 图像矫正方法、图像文本识别方法、身份验证方法及装置
CN114399623B (zh) 一种通用答题识别方法、系统、存储介质及计算设备
CN112257712A (zh) 一种火车票图像摆正方法、装置、计算机装置及计算机可读存储介质
CN111401365B (zh) Ocr图像自动生成方法及装置
CN113642550A (zh) 一种基于像素概率分布统计的熵最大化涂卡识别方法
CN113343797A (zh) 信息提取方法、装置、终端设备及计算机可读存储介质
CN109214230B (zh) 数据矩阵码识别方法、装置及电子设备
CN111950354A (zh) 印章归属国识别方法、装置及电子设备
CN111674033A (zh) 一种基于ocr的发动机铭牌智能打印及分拣方法、系统

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