CN113591855A - 一种粘连vin码分割方法 - Google Patents

一种粘连vin码分割方法 Download PDF

Info

Publication number
CN113591855A
CN113591855A CN202110948051.7A CN202110948051A CN113591855A CN 113591855 A CN113591855 A CN 113591855A CN 202110948051 A CN202110948051 A CN 202110948051A CN 113591855 A CN113591855 A CN 113591855A
Authority
CN
China
Prior art keywords
character
coordinate
recording
rectangular area
alternative
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
CN202110948051.7A
Other languages
English (en)
Other versions
CN113591855B (zh
Inventor
尹仕斌
郭寅
叶琨
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.)
Yi Si Si Hangzhou Technology Co ltd
Original Assignee
Isvision Hangzhou 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 Isvision Hangzhou Technology Co Ltd filed Critical Isvision Hangzhou Technology Co Ltd
Priority to CN202110948051.7A priority Critical patent/CN113591855B/zh
Publication of CN113591855A publication Critical patent/CN113591855A/zh
Application granted granted Critical
Publication of CN113591855B publication Critical patent/CN113591855B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Character Input (AREA)

Abstract

本发明公开了一种粘连VIN码分割方法，包括：查找VIN码的外接矩形，判断需要分割的矩形区域，通过对像素数组差分、阶跃，获取区域中局部极小值所在位置并得出备选坐标，将备选坐标之间的图像区域依规则遍历、进行字符识别，进而剔除无效的备选坐标，找到准确的粘连字符分割点，本方法不需要收集大量样本，对字符模型进行繁琐的训练，即可能够有效解决钢印识别中，VIN钢印字符粘连的问题，从而满足钢印字符在汽车工业领域的识别需求，具有高效、便捷、准确的特点。

Description

一种粘连VIN码分割方法
技术领域
本发明涉及图像分割领域，具体涉及一种粘连VIN码分割方法。
背景技术
车辆识别码(Vehicle Identification Number)，简称VIN码，常常会被打在汽车发动机或者其他类似工件上，以表示工件的型号、规格和生产时期等信息。随着汽车行业自动化水平的提高，以及对于零件可溯源的需求，这些钢印字符通常采用机器视觉的方式进行识别。
目前，字符识别(OCR)技术已经十分成熟，但是，由于VIN码是钢印字符，其与背景是同色的，并且VIN码所在的工件表面存在打磨痕迹，并且伴有焊渣飞溅和油污等的杂物，所以在成像后，往往存在字符粘连、字符缺损等情况，影响字符的识别功能，现有分割方法存在误判率高、过分割、欠分割的问题；为此，出现了基于深度学习网络的识别方法、基于分割网络的识别方法、基于向量机的识别方法，如CN 103207998 A提出：通过找出粘连字符的全部分割点然后将分割点的比例和分割信任度输入向量机进行训练，从而提高粘连字符的分割准确率；上述方法对于粘连字符的识别有所提升，但此类方法必须先通过对大量的粘连字符标注、训练，才能达到识别的目的，并且识别的准确度依赖于样本的完整性、全面性；常规的字符，如印刷字符，由于规模化生产，其样本可以在短时间内快速获得，适用于上述方法。但是对于VIN码而言，由于汽车生产工艺流程复杂，每天成产、大码、装配的车辆有限，很难在短时间获得足够多的钢印VIN码样本，而且其中的粘连字符的样本会更少；这就很难在一定时间内训练出有效的深度学习模型或向量机模型。
发明内容
为了解决上述技术问题，本发明提出一种粘连VIN码分割方法，在不需要收集大量样本的情况下满足对粘连车辆识别码的识别需求；满足汽车厂商对VIN码的即时检测需求。
本发明的技术方案如下：
一种粘连VIN码分割方法，包括以下步骤：
步骤一：获取VIN码所在区域的二值化图像，记为待测图像；以VIN码字符串的长度方向为横向，高度方向为纵向；
步骤二：提取所述待测图像中的连通域，并为每个连通域设置外接矩形，将尺寸小于预设尺寸的外接矩形剔除；从余下的矩形区域中任选一个进行步骤三；
步骤三：判断矩形区域的横向尺寸是否大于预设宽度A，若是，则进行步骤四，若否，则认为当前矩形区域仅包含一个字符，直接进行步骤八；
步骤四：获取当前矩形区域每列的前景像素点数量，并按照横坐标从小到大进行排序，形成数组A；
对数组A进行差分操作，得到差分数组A，按排序遍历差分数组A中的每个差分值，若当前差分值小于0，则记为-1；若差分值等于0，则记为0；若差分值大于0，则记为1；依次记录结果得到数组B；
对数组B再次进行差分操作，得到差分数组B，查找差分数组B中所有大于0的位置在差分数组B中的排序序号，将每个排序序号加1，得到每个位置的序号；分别将每个位置的序号还原到数组A中，记录其对应的横坐标为备选坐标；
将矩形区域中横坐标值较小的一侧记为左侧，另一侧记为右侧；
判断矩形区域左侧边缘是否存在备选坐标，若是，则将处于左边缘的备选坐标取均值，记为左端点，再剔除这些备选坐标，若否，则将矩形区域最左端的横坐标记为左端点；
判断矩形区域右侧边缘是否存在备选坐标，若是，则将处于右边缘的备选坐标取均值，记为右端点，再剔除这些备选坐标，若否，则将矩形区域最右端的横坐标记为右端点；
将余下的备选坐标由小到大排序并插入到左、右端点之间，形成备选坐标序列；将左端点记为起始坐标，与起始坐标最近的备选坐标记为匹配坐标；
步骤五：将起始坐标与匹配坐标之间的区域输入到训练好的字符识别模型中；
步骤六：判断是否能识别到字符：
若能，则将匹配坐标存储为分割点坐标；记当前起始坐标依次相邻的两个备选坐标分别记为新的起始坐标、新的匹配坐标，(即：将当前起始坐标的下一备选坐标为新的起始坐标，将新的起始坐标的下一个备选坐标为新的匹配坐标)返回步骤五，直到右端点成为新的起始坐标时，进行步骤七；
若不能，则判断匹配坐标与起始坐标之间的距离是否大于预设宽度B：
若是，则将当前起始坐标依次相邻的两个备选坐标分别记为新的起始坐标、新的匹配坐标，(即：将当前起始坐标的下一备选坐标标记为新的起始坐标，将新的起始坐标的下一个备选坐标标记为新的匹配坐标)返回步骤五，直到右端点成为新的起始坐标时，进行步骤七；
若否，则将当前匹配坐标的下一个备选坐标记为新的匹配坐标，返回步骤五，直到匹配坐标为右端点时，进行步骤七；
步骤七：保存所有的分割点，对当前矩形区域进行字符分割；
判断是否还存在未处理的矩形区域，若存在，则任选一个矩形区域返回步骤三；直到遍历完所有矩形区域；若不存在，则进行步骤八；
步骤八：保存每个分割完成的VIN字符。
进一步，步骤二中，外接矩形的预设尺寸为((0.6～0.8)×单字符平均宽度、(0.6～0.8)×单字符平均高度)，剔除的外接矩形为宽、高均小于预设尺寸的外接矩形。
优选，步骤三中预设宽度A为：(1.2～1.6)×单字符平均宽度。
优选，步骤六中预设宽度B为：(1.1～1.3)×单字符平均宽度。
进一步，步骤一还包括对VIN码所在区域图像进行滤波、旋转校正，使字符处于水平状态，再进行二值化、形态学处理。
进一步，在步骤四中通过垂直投影直方图获取当前矩形区域每列的前景像素点数量。
进一步，步骤四中，矩形区域左边缘为距离矩形区域最左端L范围内的区域，矩形区域右边缘为距离矩形区域最右端L范围内的区域；其中L＝(0.1～0.3)×单个字符的宽度。
优选，步骤五，所述字符识别模型为识别单字符的SVM分类模型或神经网络模型，其通过普通字符预先训练获得。
优选，所述字符识别模型为识别单字符SVM分类模型，其通过以下规则识别字符：
将输入的字符图像与字符库中的每个字符计算相似程度，并输出分数，将分数值大于预设分数值所对应的字符保留，再利用每个被保留的字符对输入字符图像投票，计算输入字符图像对应某字符的置信度，将置信度满足要求的字符结果输出，当存在多个满足要求的字符结果时，将置信度最高的字符结果输出。
本方法通过获取字符区域的像素数组，对数组进行差分和阶跃处理，得到局部极小值，找到备选的分割位置，再通过遍历、迭代剔除不合适的备选坐标，查找到准确的分割点，能够有效解决钢印识别中钢印VIN字符粘连的问题；本方法无需获得大量粘连VIN码样本再利用其进行繁琐的模型训练，即可实施有效分割，具有高效、便捷、准确的特点。
附图说明
图1为VIN码图像以及矩形区域示意图；
图2a为粘连字符8、2对应的矩形区域示意图；
图2b为粘连字符8、2所在矩形区域垂直投影直方图；
图2c为矩形区域内备选坐标所在位置示意图；
图2d为分割出的单字符示意图。
具体实施方式
以下通过具体实施方式对本发明的技术方案进行详细描述：
一种粘连VIN码分割方法，包括以下步骤：
步骤一：获取VIN码所在区域的二值化图像，记为待测图像；以VIN码字符串的长度方向为横向，高度方向为纵向；
步骤二：提取待测图像中的连通域，并为每个连通域设置外接矩形，如图1所示，将尺寸小于预设尺寸的外接矩形剔除；从余下的矩形区域中任选一个进行步骤三；
步骤三：判断矩形区域的横向尺寸是否大于预设宽度A，若是，则进行步骤四，若否，则认为当前矩形区域仅包含一个字符，直接进行步骤八；
如图1中，03、82所在矩形区域尺寸大于预设宽度A需要进行分割步骤，其他矩形区域直接进行步骤八；如图2a为粘连字符8、2对应的矩形区域示意图；
步骤四：获取当前矩形区域每列的前景像素点数量，并按照横坐标从小到大进行排序，形成数组A；
本实施例中中，通过垂直投影直方图获取当前矩形区域每列的前景像素点数量。如图2b为粘连字符8、2所在矩形区域垂直投影直方图；
对数组A进行差分操作，得到差分数组A，按排序遍历差分数组A中的每个差分值，若当前差分值小于0，则记为-1；若差分值等于0，则记为0；若差分值大于0，则记为1；依次记录结果得到数组B；
对数组B再次进行差分操作，得到差分数组B，查找差分数组B中所有大于0的位置在差分数组B中的排序序号，将每个排序序号加1，得到每个位置的序号；分别将每个位置的序号还原到数组A中，记录其对应的横坐标为备选坐标；
将矩形区域中横坐标值较小的一侧记为左侧，另一侧记为右侧；
判断矩形区域左侧边缘是否存在备选坐标，若是，则将处于左边缘的备选坐标取均值，记为左端点，再剔除这些备选坐标，若否，则将矩形区域最左端的横坐标记为左端点；
判断矩形区域右侧边缘是否存在备选坐标，若是，则将处于右边缘的备选坐标取均值，记为右端点，再剔除这些备选坐标，若否，则将矩形区域最右端的横坐标记为右端点；
将余下的备选坐标由小到大排序并插入到左、右端点之间，形成备选坐标序列；将左端点记为起始坐标，与起始坐标最近的备选坐标记为匹配坐标；
图2c为矩形区域内备选坐标所在位置示意图；
步骤五：将起始坐标与匹配坐标之间的区域输入到训练好的字符识别模型中；
步骤六：判断是否能识别到字符：
若能，则将匹配坐标存储为分割点坐标；记当前起始坐标依次相邻的两个备选坐标分别记为新的起始坐标、新的匹配坐标，(即：将当前起始坐标的下一备选坐标为新的起始坐标，将新的起始坐标的下一个备选坐标为新的匹配坐标)返回步骤五，直到右端点成为新的起始坐标时，进行步骤七；
若不能，则判断匹配坐标与起始坐标之间的距离是否大于预设宽度B：
若是，则将当前起始坐标依次相邻的两个备选坐标分别记为新的起始坐标、新的匹配坐标，(即：将当前起始坐标的下一备选坐标标记为新的起始坐标，将新的起始坐标的下一个备选坐标标记为新的匹配坐标)返回步骤五，直到右端点成为新的起始坐标时，进行步骤七；
若否，则将当前匹配坐标的下一个备选坐标记为新的匹配坐标，返回步骤五，直到匹配坐标为右端点时，进行步骤七；
步骤七：保存所有的分割点，对当前矩形区域进行字符分割；如图2d为分割出的单字符示意图；
判断是否还存在未处理的矩形区域，若存在，则任选一个矩形区域返回步骤三；直到遍历完所有矩形区域；若不存在，则进行步骤八；
步骤八：保存每个分割完成的VIN字符。
作为本发明的一种优选的实施方式，在步骤二中，外接矩形的预设尺寸为((0.6～0.8)×单字符平均宽度、(0.6～0.8)×单字符平均高度)，剔除的外接矩形为宽、高均小于预设尺寸的外接矩形。将图像中的噪点滤除。
步骤三中预设宽度A为：(1.2～1.6)×单字符平均宽度；步骤六中预设宽度B为：(1.1～1.3)×单字符平均宽度。
更具体的，步骤一还包括对VIN码所在区域图像进行滤波、旋转校正，使字符处于水平状态，再进行二值化、形态学处理。
步骤四中，矩形区域左边缘为距离矩形区域最左端L范围内的区域，矩形区域右边缘为距离矩形区域最右端L范围内的区域；其中L＝(0.1～0.3)×单个字符的宽度。
具体实施时，步骤五中，字符识别模型为识别单字符的SVM分类模型或神经网络模型，其通过普通字符预先训练获得，普通字符可以全部是完好字符，无需进行粘连字符训练。
本实施例中，字符识别模型选择为识别单字符SVM分类模型，其通过以下规则识别字符：
将输入的字符图像与字符库中的每个字符计算相似程度，并输出分数，将分数值大于预设分数值所对应的字符保留，再利用每个被保留的字符对输入字符图像投票，计算输入字符图像对应某字符的置信度，将置信度满足要求的字符结果输出，当存在多个满足要求的字符结果时，将置信度最高的字符结果输出。
本方法无需利用大量粘连VIN码样本训练识别模型，通过符区域的像素数组，找到备选的分割位置，再遍历、迭代剔除不合适的备选坐标，查找到准确的分割点，能够有效解决钢印识别中钢印粘连的问题，从而满足钢印字符在汽车工业领域的识别需求。

Claims (9)

1.一种粘连VIN码分割方法，其特征在于，包括以下步骤：
步骤一：获取VIN码所在区域的二值化图像，记为待测图像；以VIN码字符串的长度方向为横向，高度方向为纵向；
步骤二：提取所述待测图像中的连通域，并为每个连通域设置外接矩形，将尺寸小于预设尺寸的外接矩形剔除；从余下的矩形区域中任选一个进行步骤三；
步骤三：判断矩形区域的横向尺寸是否大于预设宽度A，若是，则进行步骤四，若否，则认为当前矩形区域仅包含一个字符，直接进行步骤八；
步骤四：获取当前矩形区域每列的前景像素点数量，并按照横坐标从小到大进行排序，形成数组A；
对数组A进行差分操作，得到差分数组A，按排序遍历差分数组A中的每个差分值，若当前差分值小于0，则记为-1；若差分值等于0，则记为0；若差分值大于0，则记为1；依次记录结果得到数组B；
对数组B再次进行差分操作，得到差分数组B，查找差分数组B中所有大于0的位置在差分数组B中的排序序号，将每个排序序号加1，得到每个位置的序号；分别将每个位置的序号还原到数组A中，记录其对应的横坐标为备选坐标；
将矩形区域中横坐标值较小的一侧记为左侧，另一侧记为右侧；
判断矩形区域左侧边缘是否存在备选坐标，若是，则将处于左边缘的备选坐标取均值，记为左端点，再剔除这些备选坐标，若否，则将矩形区域最左端的横坐标记为左端点；
判断矩形区域右侧边缘是否存在备选坐标，若是，则将处于右边缘的备选坐标取均值，记为右端点，再剔除这些备选坐标，若否，则将矩形区域最右端的横坐标记为右端点；
将余下的备选坐标由小到大排序并插入到左、右端点之间，形成备选坐标序列；将左端点记为起始坐标，与起始坐标最近的备选坐标记为匹配坐标；
步骤五：将起始坐标与匹配坐标之间的区域输入到训练好的字符识别模型中；
步骤六：判断是否能识别到字符：
若能，则将匹配坐标存储为分割点坐标；记当前起始坐标依次相邻的两个备选坐标分别记为新的起始坐标、新的匹配坐标，返回步骤五，直到右端点成为新的起始坐标时，进行步骤七；
若不能，则判断匹配坐标与起始坐标之间的距离是否大于预设宽度B：
若是，则将当前起始坐标依次相邻的两个备选坐标分别记为新的起始坐标、新的匹配坐标，返回步骤五，直到右端点成为新的起始坐标时，进行步骤七；
若否，则将当前匹配坐标的下一个备选坐标记为新的匹配坐标，返回步骤五，直到匹配坐标为右端点时，进行步骤七；
步骤七：保存所有的分割点，对当前矩形区域进行字符分割；
判断是否还存在未处理的矩形区域，若存在，则任选一个矩形区域返回步骤三；直到遍历完所有矩形区域；若不存在，则进行步骤八；
步骤八：保存每个分割完成的VIN字符。
2.如权利要求1所述粘连VIN码分割方法，其特征在于：步骤二中，外接矩形的预设尺寸为((0.6～0.8)×单字符平均宽度、(0.6～0.8)×单字符平均高度)，剔除的外接矩形为宽、高均小于预设尺寸的外接矩形。
3.如权利要求1或2所述粘连VIN码分割方法，其特征在于：步骤三中预设宽度A为：(1.2～1.6)×单字符平均宽度。
4.如权利要求1或2所述粘连VIN码分割方法，其特征在于：步骤六中预设宽度B为：(1.1～1.3)×单字符平均宽度。
5.如权利要求1所述粘连VIN码分割方法，其特征在于：步骤一还包括对VIN码所在区域图像进行滤波、旋转校正，使字符处于水平状态，再进行二值化、形态学处理。
6.如权利要求1所述粘连VIN码分割方法，其特征在于：在步骤四中通过垂直投影直方图获取当前矩形区域每列的前景像素点数量。
7.如权利要求1所述粘连VIN码分割方法，其特征在于：步骤四中，矩形区域左边缘为距离矩形区域最左端L范围内的区域，矩形区域右边缘为距离矩形区域最右端L范围内的区域；其中L＝(0.1～0.3)×单个字符的宽度。
8.如权利要求1所述粘连VIN码分割方法，其特征在于：步骤五，所述字符识别模型为识别单字符的SVM分类模型或神经网络模型，其通过普通字符预先训练获得。
9.如权利要求1或8所述粘连VIN码分割方法，其特征在于：所述字符识别模型为识别单字符SVM分类模型，其通过以下规则识别字符：
将输入的字符图像与字符库中的每个字符计算相似程度，并输出分数，将分数值大于预设分数值所对应的字符保留，再利用每个被保留的字符对输入字符图像投票，计算输入字符图像对应某字符的置信度，将置信度满足要求的字符结果输出，当存在多个满足要求的字符结果时，将置信度最高的字符结果输出。
CN202110948051.7A 2021-08-18 2021-08-18 一种粘连vin码分割方法 Active CN113591855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110948051.7A CN113591855B (zh) 2021-08-18 2021-08-18 一种粘连vin码分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110948051.7A CN113591855B (zh) 2021-08-18 2021-08-18 一种粘连vin码分割方法

Publications (2)

Publication Number Publication Date
CN113591855A true CN113591855A (zh) 2021-11-02
CN113591855B CN113591855B (zh) 2023-07-04

Family

ID=78238448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110948051.7A Active CN113591855B (zh) 2021-08-18 2021-08-18 一种粘连vin码分割方法

Country Status (1)

Country Link
CN (1) CN113591855B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05250518A (ja) * 1992-03-10 1993-09-28 Hitachi Ltd 文字認識方法
WO2018028306A1 (zh) * 2016-08-11 2018-02-15 杭州海康威视数字技术股份有限公司 一种车牌号码识别方法及装置
CN110490885A (zh) * 2019-08-26 2019-11-22 易思维（杭州）科技有限公司 改进的自适应阈值二值化方法及vin码字符分割方法
CN111508032A (zh) * 2020-04-17 2020-08-07 易思维（杭州）科技有限公司 相机标定过程中的特征点排序方法
WO2021042562A1 (zh) * 2019-09-06 2021-03-11 平安科技（深圳）有限公司 基于手写签名的用户身份识别方法、装置及终端设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05250518A (ja) * 1992-03-10 1993-09-28 Hitachi Ltd 文字認識方法
WO2018028306A1 (zh) * 2016-08-11 2018-02-15 杭州海康威视数字技术股份有限公司 一种车牌号码识别方法及装置
CN110490885A (zh) * 2019-08-26 2019-11-22 易思维（杭州）科技有限公司 改进的自适应阈值二值化方法及vin码字符分割方法
WO2021042562A1 (zh) * 2019-09-06 2021-03-11 平安科技（深圳）有限公司 基于手写签名的用户身份识别方法、装置及终端设备
CN111508032A (zh) * 2020-04-17 2020-08-07 易思维（杭州）科技有限公司 相机标定过程中的特征点排序方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴慧莹: "复杂背景下的工业字符分割与识别研究", 《CNKI硕士电子期刊》 *

Also Published As

Publication number Publication date
CN113591855B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
Kennard et al. Separating lines of text in free-form handwritten historical documents
CN105373794B (zh) 一种车牌识别方法
Farooq et al. Pre-processing methods for handwritten Arabic documents
CN102332096B (zh) 一种视频字幕文本提取和识别的方法
Nikolaou et al. Segmentation of historical machine-printed documents using adaptive run length smoothing and skeleton segmentation paths
Ye et al. Stroke-model-based character extraction from gray-level document images
Lee et al. Automatic extraction of characters in complex scene images
Lelore et al. FAIR: a fast algorithm for document image restoration
CN109800752B (zh) 一种基于机器视觉的汽车车牌字符分割识别算法
CN111160352A (zh) 一种基于图像分割的工件金属表面文字识别方法及系统
CN101122953A (zh) 一种图片文字分割的方法
Zahour et al. Text line segmentation of historical arabic documents
CN112507876B (zh) 一种基于语义分割的有线表格图片解析方法和装置
CN105760891A (zh) 一种中文字符验证码的识别方法
CN113435240A (zh) 一种端到端的表格检测和结构识别方法及系统
CN110516673B (zh) 基于连通分量和回归式字切分的彝文古籍字符检测方法
CN113191358B (zh) 金属零件表面文本检测方法和系统
Pandya et al. Morphology based approach to recognize number plates in India
Çavdaroğlu et al. A character segmentation method to increase character recognition accuracy for Turkish number plates
Sahu et al. A comparative analysis of deep learning approach for automatic number plate recognition
CN117558019B (zh) 从pdf格式元器件手册中自动提取符号图参数的方法
CN113724322A (zh) 一种用于无人叉车的货物托盘定位方法及系统
CN110046618B (zh) 基于机器学习和最大极值稳定区域的车牌识别方法
Xu et al. Tolerance Information Extraction for Mechanical Engineering Drawings–A Digital Image Processing and Deep Learning-based Model
CN113591855B (zh) 一种粘连vin码分割方法

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
CP01 Change in the name or title of a patent holder

Address after: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051

Patentee after: Yi Si Si (Hangzhou) Technology Co.,Ltd.

Address before: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051

Patentee before: ISVISION (HANGZHOU) TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder