ES2306970T5 - Procedimiento para el reconocimiento óptico de envíos postales que utiliza varias binarizaciones. - Google Patents
Procedimiento para el reconocimiento óptico de envíos postales que utiliza varias binarizaciones. Download PDFInfo
- Publication number
- ES2306970T5 ES2306970T5 ES04300070T ES04300070T ES2306970T5 ES 2306970 T5 ES2306970 T5 ES 2306970T5 ES 04300070 T ES04300070 T ES 04300070T ES 04300070 T ES04300070 T ES 04300070T ES 2306970 T5 ES2306970 T5 ES 2306970T5
- Authority
- ES
- Spain
- Prior art keywords
- image
- address information
- binary image
- automatic evaluation
- statistical data
- 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.)
- Expired - Lifetime
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000003287 optical effect Effects 0.000 title 1
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000011282 treatment Methods 0.000 claims description 16
- 102100022138 Achaete-scute homolog 3 Human genes 0.000 claims description 6
- 108050003510 COP9 signalosome complex subunit 1 Proteins 0.000 claims description 6
- 102100027652 COP9 signalosome complex subunit 2 Human genes 0.000 claims description 6
- 101710153847 COP9 signalosome complex subunit 2 Proteins 0.000 claims description 6
- 238000007639 printing Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims 1
- 101100027898 Homo sapiens OCR1 gene Proteins 0.000 abstract description 12
- 102100026725 Ovarian cancer-related protein 1 Human genes 0.000 abstract description 12
- 201000006352 oculocerebrorenal syndrome Diseases 0.000 description 10
- 101150040844 Bin1 gene Proteins 0.000 description 2
- 241000030538 Thecla Species 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007648 laser printing Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06V30/16—Image preprocessing
- G06V30/162—Quantising the image signal
-
- 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
- G06V30/24—Character recognition characterised by the processing or recognition method
- G06V30/248—Character recognition characterised by the processing or recognition method involving plural approaches, e.g. verification by template match; Resolving confusion among similar patterns, e.g. "O" versus "Q"
- G06V30/2504—Coarse or fine approaches, e.g. resolution of ambiguities or multiscale approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Character Discrimination (AREA)
- Character Input (AREA)
- Sorting Of Articles (AREA)
Abstract
Un procedimiento para el tratamiento de envíos postales en un sistema automático de lectura de dirección, en el que se forma una imagen de múltiples niveles de grises (MNG) de la superficie de cada envío incluyendo una información de dirección (ADR), se transforma la imagen de múltiples niveles de grises en una imagen binaria (NB1) y se envía la imagen binaria a una unidad OCR con vistas a una primera evaluación automática de la información de dirección (OCR1), caracterizada porque se extrae de la imagen de múltiples niveles de grises y/o de la imagen binaria y/o del resultado de la evaluación automática, unos datos que constituyen una firma (SGN1, SGN2) representativa de una categoría de trazados de información de dirección, se transforma de nuevo la imagen de múltiples niveles de grises en una segunda imagen binaria (NB2) teniendo en cuenta la categoría representada por dicha firma y se envía la segunda imagen binaria a una unidad OCR con vistas a una segunda evaluación automática (OCR2).
Description
El invento se refiere a un procedimiento para el tratamiento de envíos postales en un sistema automático de lectura de dirección, en el que se forma una imagen de múltiples niveles de grises de la superficie de cada envío incluyendo la información de dirección, se transforma la imagen de múltiples niveles de grises en una primera imagen binaria y se envía la imagen binaria a una unidad OCR con vistas a una primera evaluación automática de la información de dirección.
Este procedimiento se aplica concretamente a una instalación de selección postal automatizada en la que la evaluación automática de las informaciones de dirección sirve para el encaminamiento y la distribución de los envíos postales.
En los procedimientos conocidos de tratamiento de envíos postales del género indicado anteriormente, el tratamiento de la binarización de una imagen de múltiples niveles de grises utiliza algoritmos cada vez más sofisticados para tener en cuenta la diversidad de imágenes a tratar. Más concretamente se han desarrollado algoritmos para intentar binarizar imágenes de múltiples niveles de grises en las que la información de dirección es poco legible por el hecho de un débil contraste entre el trazado de la información de dirección y el fondo de la imagen, en las que los caracteres de información de dirección están más o menos espaciados unos de otros según se trate de caracteres manuscritos o por el contrario de caracteres que provienen de una impresión por una máquina que puede ser una impresora de agujas,1 impresora láser, etc...
A pesar de las capacidades crecientes de estos algoritmos de binarización, se constata todavía en la práctica en lotes de envío postal de una instalación de selección postal automatizada, que una parte de los envíos tratados es rechazada por causa de un reconocimiento no unívoco de la información de dirección producido por la binarización o un error de lectura de la información de dirección producido por la binarización.
Por el documento de patente US-6282314, se conoce un procedimiento para analizar imágenes que pueden contener caracteres y tablas en el que se digitaliza la imagen con vistas a aislar las porciones de la imagen que contienen caracteres legibles por el OCR. Por el documento de patente US-4747149, se conoce también un procedimiento para analizar imágenes en el que se efectúa en paralelo varías binarizaciones y se aplica un tratamiento OCR sobre la mejor imagen binaria.
Por el documento de patente US-5081690, se conoce un método OCR en el cual se efectúa sucesivamente una binarización sobre una imagen MNG, después una evaluación OCR sobre la imagen binaria, después una binarización sobre la misma imagen MNG y por último una segunda evaluación OCR, la segunda binarización y la segunda evaluación OCR se repiten en tanto que no se obtenga una tasa de fiabilidad suficiente. Este método iterativo no está adaptado a las condiciones de tiempo real.
El objetivo del invento es proponer una mejora a un procedimiento de tratamiento de envíos tal y como se ha indicado anteriormente con vistas a obtener un aumento de la tasa de lectura y una reducción de la tasa de error.
A este efecto, el invento tiene como objeto un procedimiento para el tratamiento de envíos postales en un sistema automático de lectura de dirección tal como viene definido por la reivindicación 1.
En el procedimiento según en el invento, la primera transformación de la imagen de múltiples niveles de grises lleva a cabo un algoritmo de binarización llamado polivalente en el sentido en el que este algoritmo no está específicamente adaptado a una categoría particular de trazados de información de dirección. Por categorías de trazado, hay que entender categorías en las que los trazados son clasificados según se trate de un trazado manuscrito o de un trazado resultante de una impresión mediante máquina; de un trazado realizado con un contraste débil en la imagen de múltiples niveles de grises o de un trazado realizado con un gran nivel de contraste en la imagen de múltiples niveles de grises; de un trazado con caracteres impresos por una máquina de impresión de agujas o de un trazado con caracteres impresos por una máquina de impresión láser; de un trazado con caracteres disjuntos o de un trazado con caracteres encadenados, etc… El experto conoce algoritmos de binarización llamados polivalentes que funcionan de forma estadísticamente satisfactoria sobre un amplio espectro de categorías de trazados de información de dirección.
La segunda transformación de la imagen de múltiples niveles de grises lleva a cabo en cambio un algoritmo de binarización especializado en el sentido en el que este algoritmo está adaptado específicamente a una categoría de trazados de información de dirección. A modo de ejemplos no limitativos, el experto sabe que un algoritmo de binarización basado en una circunvolución de tipo Laplaciana es apropiado para imágenes de contraste débil; un algoritmo de binarización basado en un umbral estático es apropiado para imágenes de contraste fuerte; un algoritmo de binarización basado en un filtro paso bajo que promedie los valores de los píxeles cercanos es apropiado para un trazado resultante de una impresión por una máquina de impresión de agujas; etc…
Un ejemplo de ejecución del procedimiento según el invento es descrito a continuación e ilustrado por los dibujos.
La figura 1 representa en formato de diagrama de bloques el procedimiento según el invento.
La figura 2 ilustra de manera esquemática la combinación de los resultados de las dos evaluaciones automáticas.
La idea de base del invento es por tanto aplicar sobre una imagen de múltiples niveles de grises que incluye una información de dirección, después de una primera evaluación automática de la información de dirección, un segundo tratamiento de binarización más adaptado que el primer tratamiento de binarización a determinadas especificidades del trazado de la información de dirección.
En la figura 1, una imagen de múltiples niveles de grises MNG de la superficie de un envío postal que incluye una información de dirección es primeramente transformada mediante un primer tratamiento de binarización polivalente Bin1 en una primera imagen binaria NB1.
La primera imagen binaria NB1 es enviada a una unidad OCR con vistas a una primera evaluación automática OCR1 de la información de dirección.
Los datos que constituyen una firma SGN1, SGN2 son extraídos de la imagen de múltiples niveles de grises MNG y de la imagen binaria NB1 y de los resultados de la evaluación automática OCR1. La extracción de estos datos está simbolizada por las flechas E1 y E2.
La parte de firma SGN1 contiene a modo de ejemplo:
-datos extraídos de la evaluación automática OCR1 e indicativos del tipo de trazado (manuscrito /resultante de
una impresión mediante máquina) de la información de dirección;
-las coordenadas espaciales del bloque de dirección en la imagen binaria devueltas por el tratamiento OCR1;
-datos estadísticos extraídos de la imagen binaria Bin1 y de la evaluación automática OCR1 e indicativos de la
calidad de la tipografía del trazado de la información de dirección: media de las densidades de los componentes
conexos (píxeles encadenados en la imagen binaria); número de componentes conexos por carácter de
información de dirección; número de caracteres por componente conexa; número de parásitos por carácter;
medio de marcadores de reconocimiento de los mejores candidatos en todo el bloque de dirección.
La parte de firma SGN2 contiene a modo de ejemplo datos estadísticos extraídos de la imagen de múltiples niveles de grises e indicativos del nivel de contraste del trazado de la información de dirección en la imagen de múltiples niveles de grises: nivel de gris medio de los caracteres en la imagen de múltiples niveles de grises; desviación estándar del histograma de los niveles de gris de los caracteres; nivel de gris medio del fondo de la imagen de múltiples niveles de grises; desviación estándar del histograma del fondo de la imagen de múltiples niveles de grises.
Estos datos extraídos que constituyen la firma SGN1, SGN2 sirven para categorizar en cada imagen de múltiples niveles de grises MNG el trazado de la información de dirección. Los datos de categorización pueden ser aplicados a la entrada de un clasificador CLA apto para identificar la categoría del trazado de la información de dirección y por tanto el tratamiento de binarización especializado, de entre varios tratamientos de binarización especializados, el mejor adaptado a la categoría del trazado. Se somete después la imagen de múltiples niveles de grises MNG al tratamiento de binarización especializado indicado por Bin2 identificado por el clasificador CLA.
Unos algoritmos de binarización especializados tales como Bin2 para la binarización de imágenes que tenga un fondo ruidoso, imágenes en las que las informaciones de dirección están manuscritas, imágenes en las que las informaciones de dirección están mecanografiadas, etc... son conocidos por el experto. Estos algoritmos utilizan según el caso, entre otros, los contrastes adaptativos, operadores diferenciales, operadores paso bajo o también umbrales dinámicos.
La segunda imagen binaria NB2 puede ser enviada después a una unidad OCR para una segunda evaluación automática OCR2 de la información de dirección.
El clasificador CLA puede ser por ejemplo una red de neuronas de aprendizaje supervisado o un sistema experto con base de conocimiento que funciona con lógica difusa.
Con el procedimiento según el invento, se ha constatado que combinando los resultados T1 y T2 de las dos evaluaciones automáticas OCR1 y OCR2, se obtenía una tasa de lectura en la salida de esta combinación superior a la tasa de lectura en la salida de la primera evaluación automática OCR1 e igualmente superior a la tasa de lectura en la salida de la segunda evaluación automática OCR2.
Se ha constatado también que combinando los resultados T1 y T2 respectivamente en la salida de la primera evaluación automática OCR1 y de la segunda evaluación automática OCR2, se podía reducir la tasa de error global en comparación con la tasa de error particular obtenida en la salida de la primera evaluación automática y de la tasa de error obtenida en la salida de la segunda evaluación automática.
En la figura 1, el bloque con referencia CMB representa el proceso de combinación de los resultados T1 y T2. Este proceso de combinación puede consistir en la utilización de vectores resultado producidos en la salida de la unidad OCR que efectúa la primera y la segunda evaluación automática así como de las tasas de confianza asociadas a estos vectores resultado. El proceso de combinación puede igualmente utilizar un sistema experto que permite correlacionar
5 las hipótesis de direcciones utilizando los vínculos obtenidos a nivel semántico a través de la base de datos de direcciones. El interés de este proceso de combinación de los resultados T1 y T2 consiste en permitir mejorar en particular la tasa de lectura en las imágenes binarias NB2 en caso de rechazo de la información de dirección en el tratamiento OCR1; y mejorar la tasa de lectura global mediante recuperación en el tratamiento OCR2 de los resultados de clasificación del tratamiento OCR1.
10 Más concretamente haciendo referencia a la figura 2, los tratamientos OCR1 y OCR2 pueden haber extraído una o dos informaciones contextuales de dirección, incluso ninguna en caso de fallo en las dos imágenes binarias NB1, NB2. Según el invento, la combinación CMB de las informaciones contextuales de dirección T1 y T2 consiste en formar una información de dirección ADR en el caso en el que dos informaciones contextuales T1 y T2 sean leídas y
15 correlacionadas, lo que se simboliza mediante T1=T2=>ADR=T1. Si una única información contextual T1 o T2 es leída, se retiene como la información de dirección buscada, lo que se simboliza por los bloques ADR=T1 o ADR=T2. Si son leídas dos informaciones contextuales contradictorias T1 y T2, es necesario un arbitraje que tenga en cuenta las tasas de confianza respectivas de las informaciones contextuales T1 y T2 para determinar qué dirección ADR debe ser conservada, lo que se simboliza mediante T1 T2 => T1 o T2 o “rechazo” en la figura 2.
20 Finalmente, ninguna información de dirección se forma si no ha sido extraída ninguna información contextual de las imágenes binarias NB1 y NB2, lo que se corresponde con el bloque ADR= rechazo.
Claims (1)
- REIVINDICACIONES1-Un procedimiento para el tratamiento de envíos postales en un sistema automático de lectura de dirección, en el que se forma una imagen de múltiples niveles de grises (MNG) de la superficie de un envío corriente incluyendo una información de dirección (ADR), se transforma la imagen de múltiples niveles de grises en una primera imagen binaria (NB1) y se envía la imagen binaria a una unidad OCR con vistas a una primera evaluación automática de la información de dirección (OCR1), caracterizado porque dicha primera imagen binaria es transformada con la ayuda de un algoritmo de binarización polivalente, porque se extrae de la imagen de múltiples niveles de grises y de la imagen binaria y del resultado de la evaluación automática, los datos que constituyen una firma (SGN1, SGN2) para el envío corriente representativo de una categoría de trazados de información de dirección en un clasificador (CLA) dispuesto para identificar por medio de varios algoritmos de binarización diferentes posibilidades, cada uno adaptado específicamente a una categoría de trazados de información de dirección, lo que es lo más adaptado al envío corriente, y porque se transforma de nuevo la imagen de múltiples niveles de grises en una segunda imagen binaria (NB2) utilizando dicho algoritmo de binarización identificado por el clasificador, teniendo en cuenta la categoría representada por dicha firma, y porque se envía la segunda imagen binaria a una unidad OCR con vistas a una segunda evaluación automática (OCR2) y porque los resultados de la primera evaluación automática (OCR2) son combinados con vistas a obtener la información de dirección (ADR) para el envío corriente.2-El procedimiento según la reivindicación 1, en el que los datos que constituyen la firma (SGN1, SGN2) incluyen datos estadísticos de la imagen de múltiples niveles de grises, datos estadísticos de la primera imagen binaria, datos estadísticos del reconocimiento de palabras y de caracteres suministrado por la primera evaluación automática (OCR1).3-El procedimiento según la reivindicación 1 ó 2, en el que los datos que constituyen la firma (SGN1, SGN2) incluyen unos primeros datos estadísticos indicativos del nivel de contraste del trazado de la información de dirección en la imagen de múltiples niveles de grises, unos segundos datos estadísticos indicativos de la calidad de la tipografía del trazado de la información de dirección en la primera imagen binaria, unos terceros datos indicativos del tipo de trazado de la información de dirección (trazado manuscrito o trazado resultante de una impresión mediante máquina), y unos cuartos datos estadísticos sobre la calidad de reconocimiento de palabras y caracteres proporcionados por la primera evaluación automática (OCR1).4-El procedimiento según una cualquiera de las reivindicaciones precedentes, en el que el clasificador (CLA) es una red neuronal de aprendizaje supervisado.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR0301997A FR2851357B1 (fr) | 2003-02-19 | 2003-02-19 | Procede pour la reconnaissance optique d'envois postaux utilisant plusieurs images |
FR0301997 | 2003-02-19 |
Publications (2)
Publication Number | Publication Date |
---|---|
ES2306970T3 ES2306970T3 (es) | 2008-11-16 |
ES2306970T5 true ES2306970T5 (es) | 2011-06-21 |
Family
ID=32732022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES04300070T Expired - Lifetime ES2306970T5 (es) | 2003-02-19 | 2004-02-09 | Procedimiento para el reconocimiento óptico de envíos postales que utiliza varias binarizaciones. |
Country Status (9)
Country | Link |
---|---|
US (2) | US20040197009A1 (es) |
EP (1) | EP1450295B2 (es) |
CN (1) | CN100350421C (es) |
AT (1) | ATE394752T1 (es) |
CA (1) | CA2457271C (es) |
DE (1) | DE602004013476D1 (es) |
ES (1) | ES2306970T5 (es) |
FR (1) | FR2851357B1 (es) |
PT (1) | PT1450295E (es) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7480403B2 (en) * | 2004-11-16 | 2009-01-20 | International Business Machines Corporation | Apparatus, system, and method for fraud detection using multiple scan technologies |
US7796837B2 (en) * | 2005-09-22 | 2010-09-14 | Google Inc. | Processing an image map for display on computing device |
FR2899359B1 (fr) * | 2006-03-28 | 2008-09-26 | Solystic Sas | Procede utilisant la multi-resolution des images pour la reconnaissance optique d'envois postaux |
DE102006016602B4 (de) * | 2006-04-06 | 2007-12-13 | Siemens Ag | Verfahren zur Erkennung einer Postsendungsinformation |
US9202127B2 (en) | 2011-07-08 | 2015-12-01 | Qualcomm Incorporated | Parallel processing method and apparatus for determining text information from an image |
EP2806374B1 (en) * | 2013-05-24 | 2022-07-06 | Tata Consultancy Services Limited | Method and system for automatic selection of one or more image processing algorithm |
CN105550524B (zh) * | 2013-07-17 | 2018-02-13 | 中国中医科学院 | 一种临床病例数据采集系统及采集方法 |
US9940511B2 (en) * | 2014-05-30 | 2018-04-10 | Kofax, Inc. | Machine print, hand print, and signature discrimination |
US9563825B2 (en) * | 2014-11-20 | 2017-02-07 | Adobe Systems Incorporated | Convolutional neural network using a binarized convolution layer |
US9418319B2 (en) | 2014-11-21 | 2016-08-16 | Adobe Systems Incorporated | Object detection using cascaded convolutional neural networks |
US9547821B1 (en) * | 2016-02-04 | 2017-01-17 | International Business Machines Corporation | Deep learning for algorithm portfolios |
CN107220655A (zh) * | 2016-03-22 | 2017-09-29 | 华南理工大学 | 一种基于深度学习的手写、印刷文本的分类方法 |
WO2018117791A1 (es) * | 2016-12-20 | 2018-06-28 | Delgado Canez Marco Alberto | Método para el pre-procesamiento de la imagen de una firma utilizando visión artificial |
CN107833600A (zh) * | 2017-10-25 | 2018-03-23 | 医渡云(北京)技术有限公司 | 医疗数据录入核查方法及装置、存储介质、电子设备 |
US11164025B2 (en) * | 2017-11-24 | 2021-11-02 | Ecole Polytechnique Federale De Lausanne (Epfl) | Method of handwritten character recognition confirmation |
US11195172B2 (en) | 2019-07-24 | 2021-12-07 | Capital One Services, Llc | Training a neural network model for recognizing handwritten signatures based on different cursive fonts and transformations |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS62214481A (ja) * | 1986-03-17 | 1987-09-21 | Nec Corp | 画質判定装置 |
US5081690A (en) † | 1990-05-08 | 1992-01-14 | Eastman Kodak Company | Row-by-row segmentation and thresholding for optical character recognition |
TW222337B (es) † | 1992-09-02 | 1994-04-11 | Motorola Inc | |
JP3335009B2 (ja) * | 1994-09-08 | 2002-10-15 | キヤノン株式会社 | 画像処理方法及び画像処理装置 |
JP3738781B2 (ja) * | 1994-11-09 | 2006-01-25 | セイコーエプソン株式会社 | 画像処理方法および画像処理装置 |
DE19508203C2 (de) † | 1995-03-08 | 1997-02-13 | Licentia Gmbh | Verfahren zur Schräglagenkorrektur bei maschinellem Lesen von Schriften |
DE19531392C1 (de) † | 1995-08-26 | 1997-01-23 | Aeg Electrocom Gmbh | Verfahren zur Erzeugung einer Graphrepräsentation von Bildvorlagen |
DE19646522C2 (de) * | 1996-11-12 | 2000-08-10 | Siemens Ag | Verfahren und Vorrichtung zur Erkennung von Verteilinformationen auf Sendungen |
CN1154879A (zh) * | 1996-12-19 | 1997-07-23 | 邮电部第三研究所 | 信函分拣过程中邮政编码识别的处理方法及其装置 |
US5815606A (en) * | 1996-12-23 | 1998-09-29 | Pitney Bowes Inc. | Method for thresholding a gray scale matrix |
US6411737B2 (en) * | 1997-12-19 | 2002-06-25 | Ncr Corporation | Method of selecting one of a plurality of binarization programs |
JP4338155B2 (ja) * | 1998-06-12 | 2009-10-07 | キヤノン株式会社 | 画像処理装置及びその方法、コンピュータ可読メモリ |
DE19843558B4 (de) † | 1998-09-23 | 2004-07-22 | Zf Boge Elastmetall Gmbh | Hydraulisch dämpfendes Gummilager |
FR2795205B1 (fr) * | 1999-06-15 | 2001-07-27 | Mannesmann Dematic Postal Automation Sa | Procede pour binariser des images numeriques a plusieurs niveaux de gris |
US6741724B1 (en) * | 2000-03-24 | 2004-05-25 | Siemens Dematic Postal Automation, L.P. | Method and system for form processing |
CA2417663C (en) † | 2000-07-28 | 2008-09-30 | Raf Technology, Inc. | Orthogonal technology for multi-line character recognition |
US7283676B2 (en) * | 2001-11-20 | 2007-10-16 | Anoto Ab | Method and device for identifying objects in digital images |
US6970606B2 (en) * | 2002-01-16 | 2005-11-29 | Eastman Kodak Company | Automatic image quality evaluation and correction technique for digitized and thresholded document images |
-
2003
- 2003-02-19 FR FR0301997A patent/FR2851357B1/fr not_active Expired - Fee Related
-
2004
- 2004-02-09 ES ES04300070T patent/ES2306970T5/es not_active Expired - Lifetime
- 2004-02-09 PT PT04300070T patent/PT1450295E/pt unknown
- 2004-02-09 EP EP04300070A patent/EP1450295B2/fr not_active Expired - Lifetime
- 2004-02-09 DE DE602004013476T patent/DE602004013476D1/de not_active Expired - Lifetime
- 2004-02-09 AT AT04300070T patent/ATE394752T1/de not_active IP Right Cessation
- 2004-02-12 CA CA2457271A patent/CA2457271C/fr not_active Expired - Fee Related
- 2004-02-17 US US10/778,200 patent/US20040197009A1/en not_active Abandoned
- 2004-02-18 CN CNB200410043081XA patent/CN100350421C/zh not_active Expired - Fee Related
-
2008
- 2008-03-12 US US12/046,803 patent/US20080159589A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
CA2457271C (fr) | 2012-10-23 |
EP1450295A1 (fr) | 2004-08-25 |
US20040197009A1 (en) | 2004-10-07 |
FR2851357B1 (fr) | 2005-04-22 |
US20080159589A1 (en) | 2008-07-03 |
ATE394752T1 (de) | 2008-05-15 |
EP1450295B1 (fr) | 2008-05-07 |
CN100350421C (zh) | 2007-11-21 |
CA2457271A1 (fr) | 2004-08-19 |
PT1450295E (pt) | 2008-07-11 |
EP1450295B2 (fr) | 2011-02-23 |
CN1538342A (zh) | 2004-10-20 |
DE602004013476D1 (de) | 2008-06-19 |
ES2306970T3 (es) | 2008-11-16 |
FR2851357A1 (fr) | 2004-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2306970T5 (es) | Procedimiento para el reconocimiento óptico de envíos postales que utiliza varias binarizaciones. | |
US6898314B2 (en) | Grayscale image connected components segmentation | |
JP4323328B2 (ja) | 取り込み画像データから文字列を識別して抜出するシステムおよび方法 | |
US7466861B2 (en) | Method for outputting character recognition results | |
US5787194A (en) | System and method for image processing using segmentation of images and classification and merging of image segments using a cost function | |
US6587586B1 (en) | Extracting textual information from a video sequence | |
Sun et al. | Improving the performance of on-road vehicle detection by combining Gabor and wavelet features | |
KR101999985B1 (ko) | 차량 번호판 인식 방법과 시스템 | |
Felix et al. | Entry and exit monitoring using license plate recognition | |
Yoon et al. | Automatic container code recognition from multiple views | |
Guo et al. | Ensemble margin framework for image classification | |
Roomi et al. | Classification of mangoes by object features and contour modeling | |
Pedersen et al. | Quality inspection of printed texts | |
Rabelo et al. | A multi-layer perceptron approach to threshold documents with complex background | |
Hollaus et al. | MultiSpectral image binarization using GMMs | |
US8478011B2 (en) | Image segmentation method | |
Malik et al. | Euclidean distance based label noise cleaning | |
Kapoor et al. | A self-supervised feature map augmentation (FMA) loss and combined augmentations finetuning to efficiently improve the robustness of CNNs | |
EP1840799A1 (fr) | Procédé utilisant la multi-résolution des images pour la reconnaissance optique d'envois postaux | |
Roy et al. | Forensic performance on handwriting to identify forgery owing to word alteration | |
JPH11282964A (ja) | 文字認識装置、学習方法および文字認識プログラムを記録した記録媒体 | |
Kusetogullari | Unsupervised text binarization in handwritten historical documents using k-means clustering | |
Namane et al. | Sequential neural network combination for degraded machine-printed character recognition | |
Gupta et al. | License Plate Recognition System Using Machine Learning | |
Evans et al. | Vehicle Classification using Evolutionary Forests. |