CN112766275B - 印章文字识别方法、装置、计算机设备和存储介质 - Google Patents
印章文字识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112766275B CN112766275B CN202110375519.8A CN202110375519A CN112766275B CN 112766275 B CN112766275 B CN 112766275B CN 202110375519 A CN202110375519 A CN 202110375519A CN 112766275 B CN112766275 B CN 112766275B
- Authority
- CN
- China
- Prior art keywords
- image
- stamp
- seal
- sample
- 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.)
- Active
Links
Images
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
-
- 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
Abstract
本申请涉及一种印章文字识别方法、装置、计算机设备和存储介质。所述方法包括:检测目标图像中的印章图像,并从所述目标图像中截取出所述印章图像;对所述印章图像进行背景消除,得到背景消除印章图像;在所述背景消除印章图像中定位环形排版文字图像;对所述环形排版文字图像进行拉直处理,得到直条排版文字图像;对所述直条排版文字图像进行文字识别,获得印章文字。采用本方法能够提高印章文字识别的准确率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种印章文字识别方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展,通过机器检测并识别图像中的目标对象的技术,得到了广泛的使用。目前,通过机器检测并识别图像中的印章,通常是通过预留的印章图像去匹配出图像中的印章,对匹配出的印章的文字区域进行分割,对分割后的文字区域进行文字识别,以识别出印章的文字。
然而,通过预留的印章图像去匹配出图像中的印章,若是图像中的印章出现了改变,那么就无法和预留的印章图像进行匹配。而且,直接对分割后的印章的文字区域进行文字识别,若是因拍摄角度问题造成印章文字区域的文字形变而分割不准确或是有背景干扰在印章文字区域上,则会导致文字识别有误。因此,目前的印章文字识别方法的准确率不高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高准确率的印章文字识别方法、装置、计算机设备和存储介质。
一种印章文字识别方法,所述方法包括:
检测目标图像中的印章图像,并从所述目标图像中截取出所述印章图像;
对所述印章图像进行背景消除,得到背景消除印章图像;
在所述背景消除印章图像中定位环形排版文字图像;
对所述环形排版文字图像进行拉直处理,得到直条排版文字图像;
对所述直条排版文字图像进行文字识别,获得印章文字。
在其中一个实施例中,所述印章图像是通过印章检测模型检测到的;所述印章检测模型是通过印章检测模型训练步骤训练得到的,所述印章检测模型训练步骤包括:
获取样本图像以及标注所述样本图像中印章位置的样本印章位置数据;
将所述样本图像调整至预设尺寸,将调整后的样本图像输入至待训练的印章检测模型,得到至少一个中间预测位置数据;
基于所述中间预测位置数据和所述样本印章位置数据的差异,调整所述印章检测模型的参数,使得所述印章检测模型预测的中间预测位置数据朝所述样本印章位置数据收敛,并继续训练,直至满足第一训练停止条件时停止训练,获得经过训练的印章检测模型。
在其中一个实施例中,所述背景消除印章图像是通过印章背景消除模型生成的;所述印章背景消除模型是通过印章背景消除模型训练步骤训练得到的,所述印章背景消除模型训练步骤包括:
获取样本印章图像以及模板图像,所述模板图像标记有所述样本印章图像中的文字区域和非文字区域;
根据所述模板图像,调整待训练的印章背景消除模型的参数,使得所述印章背景消除模型针对所述样本印章图像的文字区域消除背景,得到中间背景消除印章图像;
基于所述中间背景消除印章图像与所述样本印章图像对应的背景消除标注图像之间的像素点差异,调整所述印章背景消除模型的参数,使得所述像素点差异朝预期差异范围收敛,并继续训练,直至满足第二训练停止条件时停止训练,获得经过训练的印章背景消除模型。
在其中一个实施例中,所述基于所述中间背景消除印章图像与所述样本印章图像对应的背景消除标注图像之间的像素点差异,调整所述印章背景消除模型的参数,使得所述像素点差异朝预期差异范围收敛,并继续训练,直至满足第二训练停止条件时停止训练,获得经过训练的印章背景消除模型,包括:
基于所述中间背景消除印章图像与所述样本印章图像对应的背景消除标注图像之间的像素点差异,调整所述印章背景消除模型的参数,使得所述像素点差异朝预期差异范围收敛;
当所述像素点差异收敛到所述预期差异范围时,获取将所述样本印章图像输入至收敛后的印章背景消除模型所得到的消除背景的中间印章图像;
分别将所述中间印章图像和所述背景消除标注图像输入至印章判别模型进行判别;
当所述中间印章图像和所述背景消除标注图像均判定为真时停止训练,否则继续训练。
在其中一个实施例中,所述对所述环形排版文字图像进行拉直处理,得到直条排版文字图像,包括:
校正所述环形排版文字图像的朝向,使得校正后的所述环形排版文字图像与待映射的矩形图像方向匹配;
确定校正后的环形排版文字图像映射到对应的矩形图像中的坐标;
按照所述坐标,将所述校正后的环形排版文字图像中的像素映射到所述矩形图像中,得到直条排版文字图像。
在其中一个实施例中,所述印章文字是通过印章文字模型识别到的;所述印章文字模型是通过印章文字模型训练步骤训练得到的,所述印章文字模型训练步骤包括:
获取样本直条排版文字图像;
通过经过训练的印章文字模型,对所述样本直条排版文字图像进行文字识别,得到中间文字;
获取对所述中间文字纠正后获得的纠正文字;
基于所述样本直条排版文字图像和对应的纠正文字,对所述经过训练的印章文字模型进行再训练,直至满足第三训练停止条件时停止训练。
在其中一个实施例中,所述校正所述环形排版文字图像的朝向,使得校正后的所述环形排版文字图像与待映射的矩形图像方向匹配,包括:
获取所述环形排版文字图像与待映射的矩形图像之间的方向偏角;
以所述环形排版文字图像的圆心点位置为固定点,根据所述方向偏角调整所述环形排版文字图像的朝向,使得经过调整的环形排版文字图像与所述待映射的矩形图像之间的方向偏角在预设偏差范围内。
一种印章文字识别装置,所述装置包括:
检测模块,用于检测目标图像中的印章图像,并从所述目标图像中截取出所述印章图像;
消除模块,用于对所述印章图像进行背景消除,得到背景消除印章图像;
拉直模块,用于在所述背景消除印章图像中定位环形排版文字图像;对所述环形排版文字图像进行拉直处理,得到直条排版文字图像;
识别模块,用于对所述直条排版文字图像进行文字识别,获得印章文字。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
检测目标图像中的印章图像,并从所述目标图像中截取出所述印章图像;
对所述印章图像进行背景消除,得到背景消除印章图像;
在所述背景消除印章图像中定位环形排版文字图像;
对所述环形排版文字图像进行拉直处理,得到直条排版文字图像;
识别模块,用于对所述直条排版文字图像进行文字识别,获得印章文字。
一种计算机可读存储介质,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以下步骤:
检测目标图像中的印章图像,并从所述目标图像中截取出所述印章图像;
对所述印章图像进行背景消除,得到背景消除印章图像;
在所述背景消除印章图像中定位环形排版文字图像;
对所述环形排版文字图像进行拉直处理,得到直条排版文字图像;
识别模块,用于对所述直条排版文字图像进行文字识别,获得印章文字。
上述印章文字识别方法、装置、计算机设备和存储介质,首先对目标图像中的印章图像进行检测,并直接截取出印章图像,无需通过预留的印章图像去匹配,避免了印章图像因为拍摄角度或者印章发生了修改而无法与预留的印章图像匹配,最终导致无法截取出印章图像。对截取出的印章图像进行背景消除后,再将印章图像的环形排版文字图像提取并进行拉直处理,得到直条排版文字图像,最后进行印章文字识别,由此,可以有效地避免印章图像上因为存在干扰导致印章文字识别失败的问题,而且,通过拉直处理,也可以有效避免直接对形变的环形排版文字分割不准确导致印章文字识别失败的问题。综合上述各个步骤分析,通过本申请的印章文字识别方法,能够有效提高印章文字识别准确率。
附图说明
图1为一个实施例中印章文字识别方法的流程示意图;
图2为一个实施例中印章图像检测流程图;
图3为一个实施例中印章检测模型检测效果图;
图4为一个实施例中印章背景消除模型消除效果图;
图5为一个实施例中环形排版文本图像提取效果图;
图6为一个实施例中直条排版文字图像文字识别效果图;
图7为一个实施例中模板图像的示意图;
图8为一个实施例中印章判别模型的示意图;
图9为一个实施例中环形排版文字图像进行拉直处理流程示意图;
图10为一个实施例中印章文字识别装置的结构框图;
图11为另一个实施例中印章文字识别装置的结构框图;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种印章文字识别方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤102,检测目标图像中的印章图像,并从目标图像中截取出印章图像。
其中,目标图像,是待检测印章图像的图像。印章图像,是包含有印章在内的图像。
具体地,终端获取到待检测的目标图像后,通过已训练的印章检测模型检测进行印章检测。若检测到目标图像有印章图像,终端则从目标图像中截取出印章图像。其中,印章检测模型,是检测目标图像中的印章图像的算法。
在一个实施例中,若检测到目标图像存在印章图像,已训练的印章检测模型则将印章图像在目标图像中的位置信息返回至终端,终端获取到印章图像的位置信息,则通过位置信息将印章图像从目标图像中截取出来,并输入至下一个模型。
在一个实施例中,若未检测到目标图像存在印章图像或者检查到的是非印章图像,已训练的印章检测模型则向终端返回不存在印章图像。
在一个实施例中,若目标图像较为模糊,已训练的印章检测模型则可以向终端返回空值。若目标图像中存在的是如国徽、硬币或者圆碟,已训练的印章检测模型则可以向终端返回非印章图像信息。
在一个实施例中,图2示出了印章图像检测流程图,如图所示,终端获取到待检测的目标图像后,将目标图像输入至已训练的印章检测模型(即印章检测算法),通过印章检测模型检测目标图像是否存在印章图像。若不存在印章图像,印章检测模型则结束印章图像检测流程,并向终端返回目标图像不存在印章图像的结果。若存在印章图像,印章检测模型则将印章图像在目标图像中的位置信息返回至终端,终端获取到印章图像的位置信息,则通过位置信息将印章图像从目标图像中截取出来。
在一个实施例中,印章检测模型可以通过深度学习神经网络训练得到,印章检测模型也可以针对已训练好的目标检测模型所使用的深度学习神经网络的结构进行调整并训练得到。
在一个实施例中,图3示出了印章检测模型检测效果图,如图所示,目标图像比如是一张营业执照图像,终端将营业执照图像输入至印章检测模型(即印章检测算法)进行检测,终端根据印章检测模型返回的印章图像的位置信息,对印章图像进行截取,得到营业执照图像的“******市场监督管理局”印章图像。
步骤104,对印章图像进行背景消除,得到背景消除印章图像。
其中,背景消除印章图像,是消除了背景干扰信息的印章图像。
具体地,终端将的截取出的印章图像,输入至已训练的印章背景消除模型中,通过印章背景消除模型对印章图像的背景进行消除,得到背景消除印章图像。其中,印章背景消除模型,是消除印章图像中的背景的算法。
在一个实施例中,印章图像的背景,可以是手写签名,也可以是目标图像盖章前存在的文字、数字以及插图等此处不做限定。
在一个实施例中,图4示出了印章背景消除模型消除效果图,如图所示,比如是“**金*计算有限公司”印章图像,终端将“**金*计算有限公司”印章图像输入至印章背景消除模型(即印章背景干扰文字消除算法)进行背景消除,如“代理商(公章)”等背景文字,得到消除了背景干扰文字的“**金*计算有限公司”背景消除印章图像。
步骤106,在背景消除印章图像中定位环形排版文字图像。
其中,环形排版文字图像,是文字呈环形排列的图像。
具体地,终端通过环形排版文本定位模型,定位出背景消除印章图像中环形排版文本中的环形排版文字,得到环形排版文字图像。其中,环形排版文本定位模型,是定位出背景消除印章图像中环形排版文本的算法。
在一个实施例中,终端通过环形排版文本定位模型,定位出背景消除印章图像中环形排版文本中的环形排版文字图像和环形排版数字图像,并提取出环形排版文字图像。
在一个实施例中,图5示出了环形排版文本图像提取效果图,如图所示,终端通过环形排版文本定位模型(即印章文本提取算法)对 “**金*计算有限公司”印章图像背景消除印章图像进行定位,得到“**金*计算有限公司”印章图像环形排版文字图像以及“140***151” 环形排版数字图像。
步骤108,对环形排版文字图像进行拉直处理,得到直条排版文字图像。
其中,直条排版文字图像,是文字呈直条排列分布的图像。
具体地,终端通过环形排版文字拉直模型,确定出环形排版文字图像所要拉直处理的部分区域,并对所要拉直处理的部分区域进行拉直处理,得到直条排版文字图像。其中,环形排版文字拉直模型,是对环形排版文字进行拉直处理的算法。
在一个实施例中,环形排版文字图像所要拉直处理的部分区域,可以是环形排版文字的区域的环形外圆边和环形内圆边所界定的区域。
在一个实施例中,终端通过环形排版文字拉直模型,确定出环形排版文字环形外圆边和环形内圆边所界定的环形区域,并将环形区域进行拉直处理,得到直条排版文字图像。
步骤110,对直条排版文字图像进行文字识别,获得印章文字。
其中,印章文字,是印章所属的文字。
具体地,终端将直条排版文字图像输入至印章文字模型进行文字识别,得到印章文字。其中,印章文字模型,是识别印章所属文字的模型。
在一个实施例中,印章文字模型,可以通过深度学习语义分割网络训练得到。
在一个实施例中,直条排版文字图像中的文字,可以是行楷或者行书等文本格式的文字,识别得到的文字可以是正楷,也可以是黑体格式的文字,此处不做限定。
在一个实施例中,图6示出了直条排版文字图像文字识别效果图,如图所示,终端将“**金*计算有限公司”直条排版文字图像,输入至印章文字模型(即OCR识别模块,Optical Character Recognition,光学字符识别模块)进行识别,得到“**金*计算有限公司”印章文字。
上述印章文字识别方法中,首先对目标图像中的印章图像进行检测,并直接截取出印章图像,无需通过预留的印章图像去匹配,避免了印章图像因为拍摄角度或者印章发生了修改而无法与预留的印章图像匹配,最终导致无法截取出印章图像。对截取出的印章图像进行背景消除后,再将印章图像的环形排版文字图像提取并进行拉直处理,得到直条排版文字图像,最后进行印章文字识别,由此,可以有效地避免印章图像上因为存在干扰导致印章文字识别失败的问题,而且,通过拉直处理,也可以有效避免直接对形变的环形排版文字分割不准确导致印章文字识别失败的问题。综合上述各个步骤分析,通过本申请的印章文字识别方法,能够有效提高印章文字识别准确率。
在一个实施例中,印章图像是通过印章检测模型检测到的;印章检测模型是通过印章检测模型训练步骤训练得到的,印章检测模型训练步骤包括:获取样本图像以及标注样本图像中印章位置的样本印章位置数据;将样本图像调整至预设尺寸,将调整后的样本图像输入至待训练的印章检测模型,得到至少一个中间预测位置数据;基于中间预测位置数据和样本印章位置数据的差异,调整印章检测模型的参数,使得印章检测模型预测的中间预测位置数据朝样本印章位置数据收敛,并继续训练,直至满足第一训练停止条件时停止训练,获得经过训练的印章检测模型。
其中,样本图像,是作为样本非正常检测的图像。样本印章位置数据,是样本印章在样本图像中的位置数据。可以理解的是,在样本图像中,通过手动将样本图像中内的样本印章进行标注得到的标注信息,即为样本印章位置数据。样本印章位置数据,可以是标注的矩形框。中间预测位置数据,是训练过程中,印章检测模型检测出的样本印章的位置数据。第一训练停止条件,是中间预测位置数据和样本印章位置数据的差异达到预期范围内。
在一个实施例中,训练停止条件,可以是训练的迭代次数达到预设值,也可以是损失函数达到预期范围,也可以是预测结果和标注目标的重合度达到预期范围,也可以是模型的文字识别率达到预期范围。
具体地,印章检测模型训练时,用户对样本图像进行标注后,可以根据样本印章在样本图像中的面积占比大小,调整样本图像的大小。用户将调整后的样本图像输入至待训练的印章检测模型。终端通过印章检测模型对样本图像中的样本印章的位置进行预测,得到至少一个中间预测位置数据。终端可以基于其中至少一个中间预测位置数据和样本印章位置数据的差异,调整印章检测模型的参数。若至少一个中间预测位置数据和样本印章位置数据的差异,未达到预期范围内,则重复基于其中至少一个中间预测位置数据和样本印章位置数据的差异,调整印章检测模型的参数这个步骤,直到中间预测位置数据和样本印章位置数据的差异达到预期范围内,停止训练,获得经过训练的印章检测模型。
在一个实施例中,对样本图像的调整,可以是根据印章图像在样本图像中的面积占比大小对样本图像进行调整。
在一个实施例中,印章图像在样本图像中的面积占小于预设尺寸,比如1/32,可以将样本图像尺寸进行放大。将样本图像尺寸进行放大,可以通过在样本图像周边随机扩充样本图像的像素的方式进行放大。
在一个实施例中,对样本图像的尺寸进行缩小,可以将样本图像的尺寸进行各边等比例缩小。
在一个实施例中,终端通过印章检测模型对样本图像中的样本印章的位置进行预测,得到多个中间预测位置数据,终端可以基于其中至少一个中间预测位置数据和样本印章位置数据的差异,调整印章检测模型的参数。
在一个实施例中,可以通过损失函数计算中间预测位置数据和样本印章位置数据的差异,得到损失值,中间预测位置数据和样本印章位置数据的差异达到预期范围内,可以是损失值达到预期范围内。调整印章检测模型的参数,可以是调整损失函数的权重。
比如,终端通过印章检测模型,对样本图像中的样本印章进行检测,得到7个样本印章预测矩形框,通过损失函数计算出7个样本印章预测矩形框和样本矩形框中心坐标位置的损失值,基于损失值,调整计算其中2个样本印章预测矩形框和样本矩形框中心坐标位置的损失函数的权重值后,并继续训练,直到7个样本印章预测矩形框和样本矩形框中心坐标位置的损失值达到预期范围内,则停止训练,并得到训练后的印章检测模型。
本实施例中,通过至少一个中间预测位置数据与样本印章位置数据的差异去调整印章检测模型的参数,可以使印章检测模型更加关注于在样本图像中面积占比较小的样本印章的中间预测位置数据,从而准确检测出面积占比较小的样本印章。
在一个实施例中,背景消除印章图像是通过印章背景消除模型生成的;印章背景消除模型是通过印章背景消除模型训练步骤训练得到的,印章背景消除模型训练步骤包括:获取样本印章图像以及模板图像,模板图像标记有样本印章图像中的文字区域和非文字区域;根据模板图像,调整待训练的印章背景消除模型的参数,使得印章背景消除模型针对样本印章图像的文字区域消除背景,得到中间背景消除印章图像;基于中间背景消除印章图像与样本印章图像对应的背景消除标注图像之间的像素点差异,调整印章背景消除模型的参数,使得像素点差异朝预期差异范围收敛,并继续训练,直至满足第二训练停止条件时停止训练,获得经过训练的印章背景消除模型。
其中,样本印章图像,是作为样本的印章图像。模板图像,用于为印章背景消除模型提供区域信息,以针对提供的区域信息针对性消除干扰。文字区域,是印章文字的区域。非文字区域是非印章文字的区域。预期差异范围,是差异所需要达到的数值区间。背景消除标注图像,是人工消除了样本印章图像的背景后的图像。第二训练停止条件,是中间背景消除印章图像与样本印章图像对应的背景消除标注图像之间的像素点差异达到预期差异范围的条件。中间背景消除印章图像,是模型训练过程中消除了样本印章图像得到的背景消除印章图像。
在一个实施例中,终端将获取的样本印章图像输入至印章背景消除模型中,根据模板图像标记的文字区域信息,增加样本印章图像文字区域和背景消除标注图像对应的文字区域之间的像素点差异计算函数的权重值,使得印章背景消除模型针对样本印章图像的文字区域消除背景,得到中间背景消除印章图像。终端在印章背景消除模型输出中间背景消除印章图像后,基于中间背景消除印章图像与样本印章图像对应的背景消除标注图像之间对应位置的像素点差异,调整印章背景消除模型的参数,使得像素点差异朝预期差异范围收敛,并继续训练,直至满足第二训练停止条件时停止训练,获得经过训练的印章背景消除模型。
在一个实施例中,模板图像,可以是通过不同的像素值对样本印章图像中的文字区域和非文字区域进行标记。比如将文字区域的像素值标记为255,而非文字区域的像素值标记为0。
在一个实施例中,终端可以将样本印章图像输入至基础文字检测模型中检测,以得到模板图像。
在一个实施例中,如图7为通过基础文字检测模型得到模板图像的示意图。终端将样本印章图像(即训练图像)701输入至基础文字检测模型(即基础文字检测算法)中检测,得到黑白颜色的模板图像702。
本实施例中,通过模板图像标记的文字区域信息,来调整印章背景消除模型的参数,使得印章背景消除模型针对样本印章图像的文字区域进行背景消除。基于更关注样本印章图像的文字区域消除背景的印章背景消除模型的参数前提下,再基于中间背景消除印章图像与样本印章图像对应的背景消除标注图像之间的像素点差异,调整印章背景消除模型的参数,可以使训练出的印章背景消除模型能够更准确地消除印章背景。
在一个实施例中,基于中间背景消除印章图像与样本印章图像对应的背景消除标注图像之间的像素点差异,调整印章背景消除模型的参数,使得像素点差异朝预期差异范围收敛,并继续训练,直至满足第二训练停止条件时停止训练,获得经过训练的印章背景消除模型,包括:基于中间背景消除印章图像与样本印章图像对应的背景消除标注图像之间的像素点差异,调整印章背景消除模型的参数,使得像素点差异朝预期差异范围收敛;当像素点差异收敛到预期差异范围时,获取将样本印章图像输入至收敛后的印章背景消除模型所得到的消除背景的中间印章图像;分别将中间印章图像和背景消除标注图像输入至印章判别模型进行判别;当中间印章图像和背景消除标注图像均判定为真时停止训练,否则继续训练。
其中,消除背景的中间印章图像,是收敛后的印章背景消除模型生成的图像。印章判别模型,是判别印章背景消除模型生成的背景消除印章图像为真实的背景消除印章图像或非真实的背景消除印章图像的算法。真实的背景消除印章图像,是指印章判别模型判定背景消除印章图像是与背景消除标注图像一致的图像。非真实的背景消除印章图像,是指印章判别模型判定背景消除印章图像是与背景消除标注图像不一致的图像。可以理解的是,印章判别模型判定背景消除印章图像是与背景消除标注图像不一致的图像,即背景消除印章图像的背景消除不准确,比如未完全消除背景或者消除了背景以外的区域。
具体地,当中间背景消除印章图像与样本印章图像对应的背景消除标注图像之间的像素点差异收敛到预期差异范围时,终端将中间印章图像和背景消除标注图像输入至印章判别模型进行判别,若中间印章图像以及背景消除标注图像均被判别为真,则停止印章背景消除模型的训练,否则继续训练。
在一个实施例中,当中间背景消除印章图像与样本印章图像对应的背景消除标注图像之间的像素点差异收敛到预期差异范围时,终端将中间印章图像输入至印章判别模型进行判别;若印章判别模型判定背景消除标注图像为真以及中间印章图像为假,基于中间印章图像与样本印章图像对应的背景消除标注图像之间的像素点差异,调整印章判别模型的参数,同时,基于中间印章图像与样本印章图像对应的背景消除标注图像之间的像素点差异,调整印章背景消除模型印章检测模型的参数;重复终端将中间印章图像输入至印章判别模型进行判别以及后续步骤,以使得印章判别模型和印章背景消除模型之间进行对抗,直至中间印章图像以及背景消除标注图像均被判别为真,使得印章判别模型和印章背景消除模型之间进行对抗均衡,则停止印章背景消除模型的训练。
在一个实施例中,印章背景消除模型可以通过深度卷积神经网络训练得到,比如GAN。其中,GAN(Generative Adversarial Networks),是一种深度卷积神经网络,包括生成模型和判别模型两个部分。
在一个实施例中,在印章背景消除模型的训练过程中,可以结合GAN进行训练。比如,通过GAN所包含的判别模型,在印章背景消除模型所生成的中间印章图像与背景消除标注图像之间作判别,直到判别模型将印章背景消除模型所生成的中间印章图像与背景消除标注图像均判别为真,则停止印章背景消除模型的训练。在一个实施例中,可以将中间印章图像赋予一个数值,比如0,将背景消除标注图像赋予一个数值,比如1,终端将中间印章图像和背景消除标注图像输入至印章判别模型进行判别,印章判别模型对中间印章图像以及背景消除标注图像进行判别后,得到的判别值,若大于等于0.5,则判定印章背景消除模型生成的中间印章图像为真,即印章背景消除模型和印章判别模型两者对抗达到均衡,停止印章背景消除模型的训练。
在一个实施例中,可以将中间印章图像和背景消除标注图像进行拼接后,作为印章背景消除模型对应的输出图像,即作为假的图像。将样本印章图像和背景消除标注图像进行拼接后,作为真的图像。终端获取假的图像和真的图像,输入至印章判别模型进行判别后,若得到的判别值超过预先设定的值,即印章背景消除模型和印章判别模型两者对抗达到均衡,停止印章背景消除模型的训练。
在一个实施例中,如图8所示,将“**金*公司”样本印章图像901和“**金*公司”背景消除标注图像802进行拼接后,作为真的图像,将“**金*公司”中间印章图像803和转为灰度的“**金*公司”背景消除标注图像802进行拼接后,作为印章背景消除模型对应的输出图像,即作为假的图像。终端获取假的图像和真的图像,输入至印章判别模型进行判别后,若拼接的转为灰度的“**金*公司”中间印章图像803和“**金*公司”背景消除标注图像802,判别为真实印章图像而不是伪造印章图像,即印章背景消除模型和印章判别模型两者对抗达到均衡,停止印章背景消除模型的训练。
本实施例中,通过印章背景消除模型和印章判别模型达到对抗均衡的关系,可以确保印章背景消除模型生成印章背景消除图像的真实性。
在一个实施例中,对环形排版文字图像进行拉直处理,得到直条排版文字图像,包括:校正环形排版文字图像的朝向,使得校正后的环形排版文字图像与待映射的矩形图像方向匹配;确定校正后的环形排版文字图像映射到对应的矩形图像中的坐标;按照坐标,将校正后的环形排版文字图像中的像素映射到矩形图像中,得到直条排版文字图像。
在一个实施例中,校正后的环形排版文字图像与待映射的矩形图像方向匹配,可以是让环形排版文字图像的对称线与矩形图像的朝向相垂直,或者让环形排版文字图像两个对称端点的连线与矩形图像的朝向平行。矩形图像的朝向可以是矩形图像的长边的朝向。
具体地,终端根据环形排版文字图像的圆心点位置以及环形排版文字图像的角度,将环形排版文字图像的朝向进行校正。终端确定校正朝向的环形排版文字图像所要映射到的矩形图像的坐标后,根据坐标,将环形排版文字图像的像素映射到矩形图像中,得到直条排版文字图像。
在一个实施例中,如图9示出了对环形排版文字图像进行拉直处理的过程。“**金*公司”环形排版文字图像,通过拉直处理算法,确定将环形排版文字图像映射至矩形图像的极坐标901、902、903和904,并进行仿射变化,得到直条排版文字图像。
本实施例中,将环形排版文字图像的像素映射到矩形图像中,得到直条排版文字图像,以避免后续的印章文字模型无法直接识别环形排版文字图像的各个方面的文字,导致识别印章文字失败。
在一个实施例中,校正环形排版文字图像的朝向,使得校正后的所述环形排版文字图像与待映射的矩形图像方向匹配,包括:获取环形排版文字图像与待映射的矩形图像之间的方向偏角;以环形排版文字图像的圆心点位置为固定点,根据方向偏角调整所述环形排版文字图像的朝向,使得经过调整的环形排版文字图像与待映射的矩形图像之间的方向偏角在预设偏差范围内。
其中,方向偏角,是环形排版文字图像与待映射的矩形图像之间的方向偏差的角度。预设偏差范围,是预先设置的偏差范围。
具体地,终端可以将环形排版文字图像与待映射的矩形图像之间的方向角度进行比对,得到方向偏角。终端再以环形排版文字图像的圆心点位置为固定点,根据方向偏角将所述环形排版文字图像调整到与待映射的矩形图像方向偏角在预设偏差范围内的朝向。
本实施例中,可以通过方向偏角,将环形排版文字图像的朝向进行调整,使得环形排版文字图像与待映射的矩形图像之间的方向偏角在预设偏差范围内,以便后续得到直条排版文字图像更准确。
在一个实施例中,印章文字是通过印章文字模型识别到的;印章文字模型是通过印章文字模型训练步骤训练得到的,印章文字模型训练步骤包括:获取样本直条排版文字图像;通过经过训练的印章文字模型,对样本直条排版文字图像进行文字识别,得到中间文字;获取对中间文字纠正后获得的纠正文字;基于样本直条排版文字图像和对应的纠正文字,对经过训练的印章文字模型进行再训练,直至满足第三训练停止条件时停止训练。
其中,第三训练停止条件,是印章文字模型对直条排版文字图像的文字识别的识别率达到预期范围。
具体地,终端获取样本直条排版文字图像输入至经过训练的印章文字模型进行文字识别,得到中间文字,终端在获取对中间文字纠正后获得的纠正文字后,基于样本直条排版文字图像和对应的纠正文字,对经过训练的印章文字模型进行再训练,直至印章文字模型对直条排版文字图像的文字识别的识别率达到预期范围时,停止训练。
本实施例中,通过对经过训练的印章文字模型进行训练,以得到适用于识别印章图像中的印章文字的印章文字模型。
应该理解的是,虽然上述各个实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述各个实施例中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图10所示,提供了一种印章文字识别装置1000,包括:检测模块1002、消除模块1004、拉直模块1006和识别模块1008,其中:
检测模块1002,用于检测目标图像中的印章图像,并从目标图像中截取出印章图像。
消除模块1004,用于对印章图像进行背景消除,得到背景消除印章图像。
拉直模块1006,用于在背景消除印章图像中定位环形排版文字图像;对环形排版文字图像进行拉直处理,得到直条排版文字图像。
识别模块1008,用于对直条排版文字图像进行文字识别,获得印章文字。
在一个实施例中,装置还包括第一训练模块810,用于获取样本图像以及标注样本图像中印章位置的样本印章位置数据;将样本图像调整至预设尺寸,将调整后的样本图像输入至待训练的印章检测模型,得到至少一个中间预测位置数据;基于中间预测位置数据和样本印章位置数据的差异,调整印章检测模型的参数,使得印章检测模型预测的中间预测位置数据朝样本印章位置数据收敛,并继续训练,直至满足第一训练停止条件时停止训练,获得经过训练的印章检测模型。
在一个实施例中,装置还包括:第二训练模块1012,用于获取样本印章图像以及模板图像,模板图像标记有样本印章图像中的文字区域和非文字区域;根据模板图像,调整待训练的印章背景消除模型的参数,使得印章背景消除模型针对样本印章图像的文字区域消除背景,得到中间背景消除印章图像;基于中间背景消除印章图像与样本印章图像对应的背景消除标注图像之间的像素点差异,调整印章背景消除模型的参数,使得像素点差异朝预期差异范围收敛,并继续训练,直至满足第二训练停止条件时停止训练,获得经过训练的印章背景消除模型。
在一个实施例中,第二训练模块1012,还用于基于中间背景消除印章图像与样本印章图像对应的背景消除标注图像之间的像素点差异,调整印章背景消除模型的参数,使得像素点差异朝预期差异范围收敛;当像素点差异收敛到预期差异范围时,获取将样本印章图像输入至收敛后的印章背景消除模型所得到的消除背景的中间印章图像;分别将中间印章图像和背景消除标注图像输入至印章判别模型进行判别;当中间印章图像和背景消除标注图像均判定为真时停止训练,否则继续训练。
在一个实施例中,拉直模块806,还用于校正环形排版文字图像的朝向,使得校正后的环形排版文字图像与待映射的矩形图像方向匹配;确定校正后的环形排版文字图像映射到对应的矩形图像中的坐标;按照坐标,将校正后的环形排版文字图像中的像素映射到矩形图像中,得到直条排版文字图像。
在一个实施例中,拉直模块806,还用于获取环形排版文字图像与待映射的矩形图像之间的方向偏角;以环形排版文字图像的圆心点位置为固定点,根据方向偏角调整所述环形排版文字图像的朝向,使得经过调整的环形排版文字图像与待映射的矩形图像之间的方向偏角在预设偏差范围内。
在一个实施例中,如图11所示,装置还包括:第一训练模块1010、第二训练模块1012和第三训练模块1014,其中:
第三训练模块1014,用于获取样本直条排版文字图像;通过经过训练的印章文字模型,对样本直条排版文字图像进行文字识别,得到中间文字;获取对中间文字纠正后获得的纠正文字;基于样本直条排版文字图像和对应的纠正文字,对经过训练的印章文字模型进行再训练,直至满足第三训练停止条件时停止训练。
关于印章文字识别装置的具体限定可以参见上文中对于印章文字识别方法的限定,在此不再赘述。上述印章文字识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种印章文字识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种印章文字识别方法,其特征在于,所述方法包括:
检测目标图像中的印章图像,并从所述目标图像中截取出所述印章图像;
将所述印章图像输入至已训练的印章背景消除模型中,通过印章背景消除模型对印章图像的背景进行消除,得到背景消除印章图像;
在所述背景消除印章图像中定位环形排版文字图像;
将环形排版文字图像的像素映射到矩形图像中,得到直条排版文字图像;
对所述直条排版文字图像进行文字识别,获得印章文字;
其中,所述印章背景消除模型是通过印章背景消除模型训练步骤训练得到的,所述印章背景消除模型训练步骤包括:
获取样本印章图像以及模板图像;所述模板图像是通过不同的像素值对样本印章图像中的文字区域和非文字区域进行区分标记的图像,所述模板图像用于为印章背景消除模型提供区域信息,以针对提供的区域信息针对性消除干扰;
根据所述模板图像标记的文字区域信息,增加所述样本印章图像文字区域和所述背景消除标注图像对应的文字区域之间的像素点差异计算函数的权重值,使得印章背景消除模型针对样本印章图像的文字区域消除背景,得到中间背景消除印章图像;
基于所述中间背景消除印章图像与所述样本印章图像对应的背景消除标注图像之间的像素点差异,调整所述印章背景消除模型的参数,使得所述像素点差异朝预期差异范围收敛;
当所述像素点差异收敛到所述预期差异范围时,获取将所述样本印章图像输入至收敛后的印章背景消除模型所得到的消除背景的中间印章图像;
分别将所述中间印章图像和所述背景消除标注图像输入至印章判别模型进行判别;
当所述中间印章图像和所述背景消除标注图像均判定为真时停止训练,否则继续训练,直至满足第二训练停止条件时停止训练,获得经过训练的印章背景消除模型。
2.根据权利要求1所述的方法,其特征在于,所述印章图像是通过印章检测模型检测到的;所述印章检测模型是通过印章检测模型训练步骤训练得到的,所述印章检测模型训练步骤包括:
获取样本图像以及标注所述样本图像中印章位置的样本印章位置数据;
将所述样本图像调整至预设尺寸,将调整后的样本图像输入至待训练的印章检测模型,得到至少一个中间预测位置数据;
基于所述中间预测位置数据和所述样本印章位置数据的差异,调整所述印章检测模型的参数,使得所述印章检测模型预测的中间预测位置数据朝所述样本印章位置数据收敛,并继续训练,直至满足第一训练停止条件时停止训练,获得经过训练的印章检测模型。
3.根据权利要求1所述的方法,其特征在于,所述将环形排版文字图像的像素映射到矩形图像中,得到直条排版文字图像,包括:
校正所述环形排版文字图像的朝向,使得校正后的所述环形排版文字图像与待映射的矩形图像方向匹配;
确定校正后的环形排版文字图像映射到对应的矩形图像中的坐标;
按照所述坐标,将所述校正后的环形排版文字图像中的像素映射到所述矩形图像中,得到直条排版文字图像。
4.根据权利要求3所述的方法,其特征在于,所述校正所述环形排版文字图像的朝向,使得校正后的所述环形排版文字图像与待映射的矩形图像方向匹配,包括:
获取所述环形排版文字图像与待映射的矩形图像之间的方向偏角;
以所述环形排版文字图像的圆心点位置为固定点,根据所述方向偏角调整所述环形排版文字图像的朝向,使得经过调整的环形排版文字图像与所述待映射的矩形图像之间的方向偏角在预设偏差范围内。
5.根据权利要求1所述的方法,其特征在于,所述印章文字是通过印章文字模型识别到的;所述印章文字模型是通过印章文字模型训练步骤训练得到的,所述印章文字模型训练步骤包括:
获取样本直条排版文字图像;
通过经过训练的印章文字模型,对所述样本直条排版文字图像进行文字识别,得到中间文字;
获取对所述中间文字纠正后获得的纠正文字;
基于所述样本直条排版文字图像和对应的纠正文字,对所述经过训练的印章文字模型进行再训练,直至满足第三训练停止条件时停止训练。
6.一种印章文字识别装置,其特征在于,所述装置包括:
检测模块,用于检测目标图像中的印章图像,并从所述目标图像中截取出所述印章图像;
消除模块,用于将所述印章图像输入至已训练的印章背景消除模型中,通过印章背景消除模型对印章图像的背景进行消除,得到背景消除印章图像;
拉直模块,用于将环形排版文字图像的像素映射到矩形图像中,得到直条排版文字图像;
识别模块,用于对所述直条排版文字图像进行文字识别,获得印章文字;
第二训练模块,用于获取样本印章图像以及模板图像;所述模板图像是通过不同的像素值对样本印章图像中的文字区域和非文字区域进行区分标记的图像;所述模板图像用于为印章背景消除模型提供区域信息,以针对提供的区域信息针对性消除干扰;根据所述模板图像标记的文字区域信息,增加所述样本印章图像文字区域和所述背景消除标注图像对应的文字区域之间的像素点差异计算函数的权重值,使得印章背景消除模型针对样本印章图像的文字区域消除背景,得到中间背景消除印章图像;基于所述中间背景消除印章图像与所述样本印章图像对应的背景消除标注图像之间的像素点差异,调整所述印章背景消除模型的参数,使得所述像素点差异朝预期差异范围收敛;当所述像素点差异收敛到所述预期差异范围时,获取将所述样本印章图像输入至收敛后的印章背景消除模型所得到的消除背景的中间印章图像;分别将所述中间印章图像和所述背景消除标注图像输入至印章判别模型进行判别;当所述中间印章图像和所述背景消除标注图像均判定为真时停止训练,否则继续训练,直至满足第二训练停止条件时停止训练,获得经过训练的印章背景消除模型。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括第一训练模块,用于获取样本图像以及标注所述样本图像中印章位置的样本印章位置数据;将所述样本图像调整至预设尺寸,将调整后的样本图像输入至待训练的印章检测模型,得到至少一个中间预测位置数据;基于所述中间预测位置数据和所述样本印章位置数据的差异,调整所述印章检测模型的参数,使得所述印章检测模型预测的中间预测位置数据朝所述样本印章位置数据收敛,并继续训练,直至满足第一训练停止条件时停止训练,获得经过训练的印章检测模型。
8.根据权利要求6所述的装置,其特征在于,所述拉直模块,还用于校正所述环形排版文字图像的朝向,使得校正后的所述环形排版文字图像与待映射的矩形图像方向匹配;确定校正后的环形排版文字图像映射到对应的矩形图像中的坐标;按照所述坐标,将所述校正后的环形排版文字图像中的像素映射到所述矩形图像中,得到直条排版文字图像。
9.根据权利要求8所述的装置,其特征在于,所述拉直模块,还用于获取所述环形排版文字图像与待映射的矩形图像之间的方向偏角;以所述环形排版文字图像的圆心点位置为固定点,根据所述方向偏角调整所述环形排版文字图像的朝向,使得经过调整的环形排版文字图像与所述待映射的矩形图像之间的方向偏角在预设偏差范围内。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括第三训练模块,用于获取样本直条排版文字图像;通过经过训练的印章文字模型,对所述样本直条排版文字图像进行文字识别,得到中间文字;获取对所述中间文字纠正后获得的纠正文字;基于所述样本直条排版文字图像和对应的纠正文字,对所述经过训练的印章文字模型进行再训练,直至满足第三训练停止条件时停止训练。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110375519.8A CN112766275B (zh) | 2021-04-08 | 2021-04-08 | 印章文字识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110375519.8A CN112766275B (zh) | 2021-04-08 | 2021-04-08 | 印章文字识别方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766275A CN112766275A (zh) | 2021-05-07 |
CN112766275B true CN112766275B (zh) | 2021-09-10 |
Family
ID=75691269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110375519.8A Active CN112766275B (zh) | 2021-04-08 | 2021-04-08 | 印章文字识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766275B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627423A (zh) * | 2021-07-08 | 2021-11-09 | 广州广电运通金融电子股份有限公司 | 圆形印章字符识别方法、装置、计算机设备和存储介质 |
CN113627432A (zh) * | 2021-08-18 | 2021-11-09 | 南京中孚信息技术有限公司 | 图像中印章识别方法、装置、计算机设备及可读存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631447A (zh) * | 2015-12-18 | 2016-06-01 | 杭州仁盈科技股份有限公司 | 一种识别圆形公章中文字的方法 |
CN106846011A (zh) * | 2016-12-30 | 2017-06-13 | 金蝶软件(中国)有限公司 | 营业执照识别方法和装置 |
CN107944452A (zh) * | 2017-12-12 | 2018-04-20 | 深圳市创业印章实业有限公司 | 一种圆形印章文字识别方法 |
CN108830133A (zh) * | 2018-04-17 | 2018-11-16 | 平安科技(深圳)有限公司 | 合同影像图片的识别方法、电子装置及可读存储介质 |
US10217012B2 (en) * | 2013-09-30 | 2019-02-26 | Fujifilm Corporation | Drug recognition device and method |
CN110060265A (zh) * | 2019-05-15 | 2019-07-26 | 北京艺泉科技有限公司 | 一种从书画文物图像中分割并提取印章的方法 |
CN110619642A (zh) * | 2019-09-05 | 2019-12-27 | 四川大学 | 一种票据图像中印章与背景文字分离方法 |
CN110659647A (zh) * | 2019-09-11 | 2020-01-07 | 杭州睿琪软件有限公司 | 印章图像识别方法及装置、智能发票识别设备和存储介质 |
CN111178355A (zh) * | 2019-12-27 | 2020-05-19 | 中化资本有限公司 | 印章识别方法、装置和存储介质 |
CN111401372A (zh) * | 2019-12-20 | 2020-07-10 | 国家电网有限公司 | 一种扫描文档图文信息提取与鉴别的方法 |
CN112396042A (zh) * | 2021-01-20 | 2021-02-23 | 鹏城实验室 | 实时更新的目标检测方法及系统、计算机可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10664722B1 (en) * | 2016-10-05 | 2020-05-26 | Digimarc Corporation | Image processing arrangements |
JP7298223B2 (ja) * | 2019-03-19 | 2023-06-27 | 富士フイルムビジネスイノベーション株式会社 | 画像処理装置及びプログラム |
CN110443250B (zh) * | 2019-07-31 | 2022-06-10 | 天津车之家数据信息技术有限公司 | 一种合同印章的类别识别方法、装置和计算设备 |
CN111652093B (zh) * | 2020-05-21 | 2023-10-24 | 中国工商银行股份有限公司 | 文本图像处理方法及装置 |
-
2021
- 2021-04-08 CN CN202110375519.8A patent/CN112766275B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10217012B2 (en) * | 2013-09-30 | 2019-02-26 | Fujifilm Corporation | Drug recognition device and method |
CN105631447A (zh) * | 2015-12-18 | 2016-06-01 | 杭州仁盈科技股份有限公司 | 一种识别圆形公章中文字的方法 |
CN106846011A (zh) * | 2016-12-30 | 2017-06-13 | 金蝶软件(中国)有限公司 | 营业执照识别方法和装置 |
CN107944452A (zh) * | 2017-12-12 | 2018-04-20 | 深圳市创业印章实业有限公司 | 一种圆形印章文字识别方法 |
CN108830133A (zh) * | 2018-04-17 | 2018-11-16 | 平安科技(深圳)有限公司 | 合同影像图片的识别方法、电子装置及可读存储介质 |
CN110060265A (zh) * | 2019-05-15 | 2019-07-26 | 北京艺泉科技有限公司 | 一种从书画文物图像中分割并提取印章的方法 |
CN110619642A (zh) * | 2019-09-05 | 2019-12-27 | 四川大学 | 一种票据图像中印章与背景文字分离方法 |
CN110659647A (zh) * | 2019-09-11 | 2020-01-07 | 杭州睿琪软件有限公司 | 印章图像识别方法及装置、智能发票识别设备和存储介质 |
CN111401372A (zh) * | 2019-12-20 | 2020-07-10 | 国家电网有限公司 | 一种扫描文档图文信息提取与鉴别的方法 |
CN111178355A (zh) * | 2019-12-27 | 2020-05-19 | 中化资本有限公司 | 印章识别方法、装置和存储介质 |
CN112396042A (zh) * | 2021-01-20 | 2021-02-23 | 鹏城实验室 | 实时更新的目标检测方法及系统、计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112766275A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035299B (zh) | 目标跟踪方法、装置、计算机设备及存储介质 | |
US10762376B2 (en) | Method and apparatus for detecting text | |
CN109492643B (zh) | 基于ocr的证件识别方法、装置、计算机设备及存储介质 | |
WO2019232862A1 (zh) | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 | |
WO2019232866A1 (zh) | 人眼模型训练方法、人眼识别方法、装置、设备及介质 | |
CN110796082B (zh) | 铭牌文本检测方法、装置、计算机设备和存储介质 | |
CN109325412B (zh) | 行人识别方法、装置、计算机设备及存储介质 | |
CN110569341B (zh) | 配置聊天机器人的方法、装置、计算机设备和存储介质 | |
CN112766275B (zh) | 印章文字识别方法、装置、计算机设备和存储介质 | |
CN109947273B (zh) | 一种点读定位方法及装置 | |
CN111428552B (zh) | 黑眼圈识别方法、装置、计算机设备和存储介质 | |
WO2021232670A1 (zh) | 一种pcb元件识别方法及装置 | |
CN111832561B (zh) | 基于计算机视觉的字符序列识别方法、装置、设备和介质 | |
CN111275051A (zh) | 字符识别方法、装置、计算机设备和计算机可读存储介质 | |
CN112464785A (zh) | 一种目标检测方法、装置、计算机设备及存储介质 | |
CN110008960B (zh) | 一种检测字符片段完整性的方法及终端 | |
CN114743067A (zh) | 训练数据的增强方法、装置、计算机设备及存储介质 | |
CN112163110B (zh) | 图像分类方法、装置、电子设备和计算机可读存储介质 | |
CN114694161A (zh) | 一种特定版式证件的文本识别方法、设备及存储介质 | |
CN112580499A (zh) | 文本识别方法、装置、设备及存储介质 | |
CN112396047B (zh) | 训练样本生成方法、装置、计算机设备和存储介质 | |
CN110956133A (zh) | 单字符文本归一化模型训练方法、文本识别方法及装置 | |
CN115937543A (zh) | 一种基于神经网络的骨盆影像关键点识别方法及系统 | |
US11393248B2 (en) | Data detection method and device, computer equipment and storage medium | |
CN113012189A (zh) | 图像识别方法、装置、计算机设备和存储介质 |
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 |