CN114119379A - 基于深度学习的图像校正方法及系统 - Google Patents

基于深度学习的图像校正方法及系统 Download PDF

Info

Publication number
CN114119379A
CN114119379A CN202011241410.7A CN202011241410A CN114119379A CN 114119379 A CN114119379 A CN 114119379A CN 202011241410 A CN202011241410 A CN 202011241410A CN 114119379 A CN114119379 A CN 114119379A
Authority
CN
China
Prior art keywords
image
perspective transformation
transformation matrix
word
deep learning
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.)
Pending
Application number
CN202011241410.7A
Other languages
English (en)
Inventor
李冠德
黄名嘉
林宏轩
李宇哲
罗佳玲
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.)
Industrial Technology Research Institute ITRI
Original Assignee
Industrial Technology Research Institute ITRI
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 Industrial Technology Research Institute ITRI filed Critical Industrial Technology Research Institute ITRI
Publication of CN114119379A publication Critical patent/CN114119379A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • G06V20/625—License plates
    • 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
    • G06V30/146—Aligning or centring of the image pick-up or image-field
    • G06V30/1463—Orientation detection or correction, e.g. rotation of multiples of 90 degrees
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • H04N5/2625—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects for obtaining an image which is composed of images from a temporal image sequence, e.g. for a stroboscopic effect
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • H04N5/2628—Alteration of picture size, shape, position or orientation, e.g. zooming, rotation, rolling, perspective, translation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker
    • G06T2207/30208—Marker matrix

Landscapes

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

Abstract

一种基于深度学习的图像校正方法及系统。图像校正方法包括以下步骤。通过深度学习模型接收具有至少一字的图像，并根据图像产生透视变换矩阵。根据透视变换矩阵对图像执行透视变换，以获得包含此至少一字的正面视角的校正图像。根据图像产生包含此至少一字的正面视角的最佳校正图像。获得对应图像与最佳校正图像的最佳透视变换矩阵。计算最佳透视变换矩阵与透视变换矩阵之间的损失值。使用损失值更新深度学习模型。

Description

基于深度学习的图像校正方法及系统
技术领域
本发明涉及一种图像校正方法及系统，且特别涉及一种基于深度学习的图像校正方法及系统。
背景技术
在图像辨识领域中，特别是图像中的字辨识，通常需要在图像中先找出具有字的区域图像，并将此区域图像校正成正面视角的图像，以便后续的辨识模型进行字辨识。图像校正程序可将各种不同视角、距离的图像，转成同一角度与距离的正面视角的图像，此程序可加快辨识模型的学习以及提高辨识正确率。
然而，在目前的技术中，图像校正程序仍需依靠传统图像处理方法，以人工找出旋转参数，并反复调整参数才可提升图像校正程序的正确率。此外，图像校正程序也可由人工智能(AI)执行，但是仅能找出顺时针/逆时针旋转角度，无法适用于复杂的图像缩放、位移、倾斜等。
因此，如何有效率地并正确地将各种图像校正成正面视角的图像，已成为产业界致力研究的一项目标。
发明内容
本发明涉及一种基于深度学习的图像校正方法及系统，其利用深度学习模型找出图像校正程序中的透视变换参数以有效率地将各种图像校正成正面视角的图像，并通过损失值更新深度学习模型以提高正确率。
根据本发明的一实施例，提出一种基于深度学习的图像校正方法。图像校正方法包括以下步骤。通过深度学习模型接收具有至少一字的图像，并根据图像产生透视变换矩阵。根据透视变换矩阵对图像执行透视变换，以获得包含此至少一字的正面视角的校正图像。根据图像产生包含此至少一字的正面视角的最佳校正图像。获得对应图像与最佳校正图像之最佳透视变换矩阵。计算最佳透视变换矩阵与透视变换矩阵之间的损失值。使用损失值更新深度学习模型。
根据本发明的另一实施例，提出一种基于深度学习的图像校正系统。图像校正系统包括深度学习模型、处理单元及模型调整单元。深度学习模型用以接收具有至少一字的图像，并根据图像产生透视变换矩阵。处理单元用以接收图像及透视变换矩阵，并根据透视变换矩阵对图像执行透视变换，以获得包含此至少一字的正面视角的校正图像。模型训练单元用以接收图像、根据图像产生包含此至少一字的正面视角的最佳校正图像、获得对应图像与最佳校正图像的最佳透视变换矩阵、计算最佳透视变换矩阵与透视变换矩阵之间的损失值、并使用损失值更新深度学习模型。
为了对本发明的上述及其他方面有更佳的了解，下文特举实施例，并配合附图详细说明如下：
附图说明
图1绘示根据本发明一实施例的基于深度学习的图像校正系统的示意图；
图2绘示根据本发明一实施例的基于深度学习的图像校正方法的流程图；
图3绘示根据本发明一实施例的具有车牌的图像的示意图；
图4绘示根据本发明另一实施例的具有路标的图像的示意图；
图5绘示根据本发明一实施例的校正图像的示意图；
图6绘示根据本发明一实施例的步骤S130的子步骤的流程图；
图7绘示根据本发明一实施例的图像上的标记的示意图；
图8绘示根据本发明一实施例的图像及延伸图像的示意图；
图9绘示根据本发明一实施例的最佳校正图像的示意图；
图10绘示根据本发明一实施例的基于深度学习的图像校正系统的示意图；及
图11绘示根据本发明另一实施例的基于深度学习的图像校正方法的流程图。
【符号说明】
100，1100:图像校正系统
110，1110:深度学习模型
120，1120:处理单元
130，1130:模型调整单元
1140:图像提取单元
IMG1，IMG3，IMG5:图像
IMG2，IMG6:校正图像
IMG4:延伸图像
L，L’:损失值
T，T’:透视变换矩阵
S110，S120，S130，S131，S132，S133，S134，S135，S1110，S1120，S1130，S1140，S1150:步骤
A，B，C，D，A’，B’，C’，D’:标记点
R，R’:标记范围
BLK:空白图像
SI:拍摄信息
具体实施方式
请参照图1，其绘示根据本发明一实施例的基于深度学习的图像校正系统100的示意图。图像校正系统100包括一深度学习模型110、一处理单元120及一模型调整单元130。深度学习模型110例如是卷积神经网络模型(CNN)。处理单元120及模型调整单元130例如是一芯片、一电路板或一电路。
请同时参照图1及2。图2绘示根据本发明一实施例的基于深度学习的图像校正方法的流程图。
步骤S110，通过深度学习模型110接收具有至少一字的图像IMG1，并根据图像IMG1产生透视变换矩阵T。图像IMG1可为包含一车牌、一路标、一序号或一招牌等任何具有至少一字的图像。字例如包括数字、英文字、横杠、标点符号或上述的组合。请参照图3及4。图3绘示根据本发明一实施例的具有车牌的图像IMG1的示意图。在图3中，图像IMG1具有字“ABC-5555”。图4绘示根据本发明另一实施例的具有路标的图像IMG1的示意图。在图4中，图像IMG1中具有字“WuXing St.”。深度学习模型110为已预先训练的模型，可以图像IMG1作为深度学习模型110的输入，接着深度学习模型110输出对应图像IMG1的透视变换矩阵T。透视变换矩阵T包含多个透视变换参数T11、T12、T13、T21、T22、T23、T31、T32以及1，如式一所示。
Figure BDA0002768524670000041
步骤S120，处理单元120根据透视变换矩阵T对图像IMG1执行一透视变换，以获得包含此至少一字的正面视角的校正图像IMG2。处理单元120根据透视变换矩阵T对图像IMG1执行透视变换，以将图像IMG1转换成包含此至少一字的正面视角的校正图像IMG2。请参照图5，其绘示根据本发明一实施例的校正图像IMG2的示意图。以图3的具有车牌的图像IMG1为例，根据透视变换矩阵T对图像IMG1执行透视变换之后，可获得如图5所示的校正图像IMG2。
步骤S130，模型调整单元130使用损失值L更新深度学习模型110。请参照图6，其绘示根据本发明一实施例的步骤S130的子步骤的流程图。步骤S130包括步骤S131至S135。
步骤S131，模型调整单元130标记图像IMG1，此标记具有涵盖字的一标记范围。请参照图7，其绘示根据本发明一实施例的图像IMG1上的标记的示意图。图像IMG1上的标记包括标记点A、B、C及D，且标记点A、B、C及D可形成标记范围R涵盖字。在此实施例中，图像IMG1为具有车牌的图像，标记点A、B、C及D可位于车牌的四个角落，且标记范围R为一四边形。在另一实施例中，若图像IMG1为如图4所示的具有路标的图像，标记点A、B、C及D可位于路标的四个角落，且标记范围为一四边形。在另一实施例中，若图像IMG1中的字并非位于如车牌、路标等几何图形的物件上时，则模型调整单元130只需使标记范围涵盖字即可。在另一实施例中，模型调整单元130也可直接接收已标记的图像，而不执行标记。
请参照图8，其绘示根据本发明一实施例的图像IMG3及延伸图像IMG4的示意图。在一实施例中，当无法通过标记范围涵盖图像IMG3中的字时，或是当图像IMG3中的字部分超出图像IMG3时，模型调整单元130延伸图像IMG3以获得延伸图像IMG4，并标记延伸图像IMG4，使标记范围R’涵盖字。在此实施例中，模型调整单元130增加空白图像BLK至图像IMG3以获得延伸图像IMG4。
请再次参照图7。接着，步骤S132，模型调整单元130根据图像IMG1产生包含字的正面视角的最佳校正图像。在此实施例中，模型调整单元130将图像IMG1上位于标记点A、B、C及D的像素分别对齐至图像的四个角落以获得最佳校正图像。请参照图9，其绘示根据本发明一实施例的最佳校正图像的示意图。如图9所示，最佳校正图像具有字的正面视角。
步骤S133，模型调整单元130获得对应图像IMG1与最佳校正图像的一最佳透视变换矩阵。由于图像IMG1与最佳校正图像之间具有透视变换的关系，因此模型调整单元130可由图像IMG1与最佳校正图像推算一透视变换矩阵作为最佳透视变换矩阵。
步骤S134，模型调整单元130计算最佳透视变换矩阵与透视变换矩阵T之间的一损失值L。接着，步骤S135，模型调整单元130使用损失值L更新深度学习模型110。如图5所示，由于根据透视变换矩阵T对图像IMG1执行透视变换所获得的校正图像IMG2未达到一最佳结果，因此可通过模型调整单元130使用损失值L对深度学习模型110进行更新。
如此一来，本申请所公开的深度学习的图像校正系统100及方法，可利用深度学习模型找出图像校正程序中的透视变换参数以有效率地将各种图像校正成正面视角的图像，并通过损失值更新深度学习模型以提高正确率。
请参考图10，其绘示根据本发明一实施例的基于深度学习的图像校正系统1100的示意图。图像校正系统1100与图像校正系统100不同的是还包括一图像提取单元1140。图像提取单元1140例如是一相机。请同时参照第10及11图。图11绘示根据本发明另一实施例的基于深度学习的图像校正方法的流程图。
步骤S1110，通过图像提取单元1140拍摄具有至少一字的图像IMG5。
步骤S1120，通过深度学习模型1110接收图像IMG5，并根据图像IMG5产生透视变换矩阵T’。步骤S1120类似于图2的步骤S110，在此不多赘述。
步骤S1130，通过深度学习模型1110接收拍摄信息SI，并依据拍摄信息SI限缩透视变换矩阵T’的多个透视变换参数。拍摄信息SI为一拍摄位置、一拍摄方向及一拍摄角度。拍摄位置、拍摄方向及拍摄角度可分别由3个参数、2个参数及1个参数表示。透视变换矩阵T’包含多个透视变换参数T’11、T’12、T’13、T’21、T’22、T’23、T’31、T’32以及1，如式二所示。其中透视变换参数T’11、T’12、T’13、T’21、T’22、T’23、T’31、T’32可由拍摄位置、拍摄方向及拍摄角度的6个参数所决定。
Figure BDA0002768524670000061
首先，深度学习模型1110给定拍摄位置、拍摄方向及拍摄角度的6个参数的合理范围，并以网格搜寻算法计算透视变换参数T’mn，并得到T’mn的最大值Lmn及最小值Smn。接着，深度学习模型1110通过式三计算每个透视变换参数T’mn。
T’mn＝Smn+(Lmn-Smn)σ(Zmn) (式三)
其中Zmn为无范围限制的数值，以及σ为值域介于0到1的逻辑函数。如此，深度学习模型1110可确保透视变换参数T’11、T’12、T’13、T’21、T’22、T’23、T’31、T’32落于合理范围。
步骤S1140，处理单元1120根据透视变换矩阵T’对图像IMG5执行一透视变换，以获得包含此至少一字的正面视角的校正图像IMG6。步骤S1140类似于图2的步骤S120，在此不多赘述。
步骤S1150，使用损失值L’更新深度学习模型1110。步骤S1150类似于图2的步骤S130，在此不多赘述。
如此一来，本申请所公开的深度学习的图像校正系统1100及方法，可利用拍摄信息SI限缩透视变换参数的范围，以提高深度学习模型1110的正确率，以及使深度学习模型1110更易于训练。
综上所述，虽然本发明已以实施例公开如上，然其并非用以限定本发明。本发明所属领域技术人员，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视所附权利要求书界定范围为准。

Claims (10)

1.一种基于深度学习的图像校正方法，包括：
通过深度学习模型接收具有至少一字的图像，并根据该图像产生透视变换矩阵；
根据该透视变换矩阵对该图像执行透视变换，以获得包含该至少一字的正面视角的校正图像；
根据该图像产生包含该至少一字的正面视角的最佳校正图像；
获得对应该图像与该最佳校正图像的最佳透视变换矩阵；
计算该最佳透视变换矩阵与该透视变换矩阵之间的损失值；以及
使用该损失值更新该深度学习模型。
2.如权利要求1所述的图像校正方法，其中在根据该图像产生包含该至少一字的正面视角的该最佳校正图像的步骤中包括：
标记该图像，该标记具有涵盖该至少一字的标记范围。
3.如权利要求1所述的图像校正方法，其中还包括：
当标记范围无法涵盖该至少一字时，延伸该图像以获得延伸图像；以及
标记该延伸图像，使该标记范围涵盖该至少一字。
4.如权利要求1所述的图像校正方法，其中还包括：
通过图像提取单元提取该图像；以及
根据该图像提取单元的拍摄信息限缩该透视变换矩阵的多个透视变换参数。
5.如权利要求4所述的图像校正方法，其中该拍摄信息包括拍摄位置、拍摄方向及拍摄角度。
6.一种基于深度学习的图像校正系统，包括：
深度学习模型，接收具有至少一字的图像，并根据该图像产生透视变换矩阵；
处理单元，接收该图像及该透视变换矩阵，并根据该透视变换矩阵对该图像执行透视变换，以获得包含该至少一字的正面视角的校正图像；以及
模型调整单元，接收该图像、根据该图像产生包含该至少一字的正面视角的最佳校正图像、获得对应该图像与该最佳校正图像的最佳透视变换矩阵、计算该最佳透视变换矩阵与该透视变换矩阵之间的损失值、并使用该损失值更新该深度学习模型。
7.如权利要求6所述的图像校正系统，其中该模型调整单元还标记该图像，该标记具有涵盖该至少一字的标记范围。
8.如权利要求6所述的图像校正系统，其中当标记范围无法涵盖该至少一字时，该模型调整单元还延伸该图像以获得延伸图像，并标记该延伸图像，使该标记范围涵盖该至少一字。
9.如权利要求6所述的图像校正系统，其中还包括：
图像提取单元，用以提取该图像；
其中该处理单元根据该图像提取单元的拍摄信息限缩该透视变换矩阵的多个透视变换参数。
10.如权利要求9所述的图像校正系统，其中该拍摄信息包括拍摄位置、拍摄方向及拍摄角度。
CN202011241410.7A 2020-08-26 2020-11-09 基于深度学习的图像校正方法及系统 Pending CN114119379A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW109129193 2020-08-26
TW109129193A TWI790471B (zh) 2020-08-26 2020-08-26 基於深度學習的影像校正方法及系統

Publications (1)

Publication Number Publication Date
CN114119379A true CN114119379A (zh) 2022-03-01

Family

ID=80221137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011241410.7A Pending CN114119379A (zh) 2020-08-26 2020-11-09 基于深度学习的图像校正方法及系统

Country Status (7)

Country Link
US (1) US20220067881A1 (zh)
JP (1) JP7163356B2 (zh)
CN (1) CN114119379A (zh)
DE (1) DE102020134888A1 (zh)
IL (1) IL279443B1 (zh)
NO (1) NO20210058A1 (zh)
TW (1) TWI790471B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409736A (zh) * 2022-09-16 2022-11-29 深圳市宝润科技有限公司 Dr的几何校正方法、装置、计算机设备及存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11908100B2 (en) * 2021-03-15 2024-02-20 Qualcomm Incorporated Transform matrix learning for multi-sensor image capture devices
WO2024130515A1 (en) 2022-12-19 2024-06-27 Maplebear Inc. Subregion transformation for label decoding by an automated checkout system

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2135240A1 (en) * 1993-12-01 1995-06-02 James F. Frazier Automated license plate locator and reader
CN101398894B (zh) * 2008-06-17 2011-12-07 浙江师范大学 机动车车牌自动识别方法及其实现装置
WO2010077316A1 (en) * 2008-12-17 2010-07-08 Winkler Thomas D Multiple object speed tracking system
US9317764B2 (en) * 2012-12-13 2016-04-19 Qualcomm Incorporated Text image quality based feedback for improving OCR
US9785855B2 (en) * 2015-12-17 2017-10-10 Conduent Business Services, Llc Coarse-to-fine cascade adaptations for license plate recognition with convolutional neural networks
CN107169489B (zh) * 2017-05-08 2020-03-31 北京京东金融科技控股有限公司 倾斜图像校正的方法和装置
US10810465B2 (en) * 2017-06-30 2020-10-20 Datalogic Usa, Inc. Systems and methods for robust industrial optical character recognition
CN108229470B (zh) * 2017-12-22 2022-04-01 北京市商汤科技开发有限公司 文字图像处理方法、装置、设备及存储介质
CN108229474B (zh) * 2017-12-29 2019-10-01 北京旷视科技有限公司 车牌识别方法、装置及电子设备
EP3912338B1 (en) * 2019-01-14 2024-04-10 Dolby Laboratories Licensing Corporation Sharing physical writing surfaces in videoconferencing
US20200388068A1 (en) * 2019-06-10 2020-12-10 Fai Yeung System and apparatus for user controlled virtual camera for volumetric video
US11544916B2 (en) * 2019-11-13 2023-01-03 Battelle Energy Alliance, Llc Automated gauge reading and related systems, methods, and devices
CN111223065B (zh) * 2020-01-13 2023-08-01 中国科学院重庆绿色智能技术研究院 图像矫正方法、不规则文本识别方法、装置、存储介质和设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409736A (zh) * 2022-09-16 2022-11-29 深圳市宝润科技有限公司 Dr的几何校正方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
NO20210058A1 (en) 2022-02-28
DE102020134888A1 (de) 2022-03-03
TW202209175A (zh) 2022-03-01
IL279443B1 (en) 2024-09-01
JP2022039895A (ja) 2022-03-10
JP7163356B2 (ja) 2022-10-31
IL279443A (en) 2022-03-01
US20220067881A1 (en) 2022-03-03
TWI790471B (zh) 2023-01-21

Similar Documents

Publication Publication Date Title
CN114119379A (zh) 基于深度学习的图像校正方法及系统
CN112200771B (zh) 一种高度测量方法、装置、设备和介质
US20030002751A1 (en) Method of correcting an image with perspective distortion and producing an artificial image with perspective distortion
CN111291753B (zh) 基于图像的文本识别方法、装置及存储介质
JP2017091079A (ja) 入力データから検出対象物の像を検出する画像処理装置および方法
CN110796201A (zh) 一种标注框的修正方法、电子设备及存储介质
CN108197567B (zh) 用于图像处理的方法、装置和计算机可读介质
CN112233189B (zh) 多深度相机外部参数标定方法、装置及存储介质
JP3021278B2 (ja) 均一幅線の生成装置及び均一幅線の生成方法
CN108496354B (zh) 照相机校正装置和照相机校正方法
CN113486879B (zh) 图像区域建议框检测方法、装置、设备及存储介质
CN113269728B (zh) 视觉巡边方法、设备、可读存储介质及程序产品
JP5080416B2 (ja) 入力画像から検出対象物の像を検出する画像処理装置
JP4639044B2 (ja) 輪郭形状抽出装置
CN113065535B (zh) 关键点检测及检测网络训练的方法、电子设备和存储介质
CN115457628A (zh) 一种定向攻击人脸识别的对抗样本生成方法和装置、电子设备
CN112613372B (zh) 一种室外环境视觉惯性slam方法及装置
CN113537351B (zh) 面向移动设备拍摄的遥感图像坐标匹配方法
CN114757846A (zh) 图像矫正方法及装置、存储介质、电子装置
JP3625245B2 (ja) 画像処理方法及び画像処理装置
CN115147797B (zh) 一种电子外后视镜视野智能调整方法、系统和介质
CN114842049B (zh) 一种红外目标跟踪方法
CN112053406B (zh) 成像装置参数标定方法、装置及电子设备
CN117315050B (zh) 一种摄像机标定方法
WO2024100777A1 (ja) 推論装置、学習装置、推論方法、学習方法、及びコンピュータプログラム

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