Nothing Special   »   [go: up one dir, main page]

RU2016110434A - Способ и устройство для идентификации области - Google Patents

Способ и устройство для идентификации области Download PDF

Info

Publication number
RU2016110434A
RU2016110434A RU2016110434A RU2016110434A RU2016110434A RU 2016110434 A RU2016110434 A RU 2016110434A RU 2016110434 A RU2016110434 A RU 2016110434A RU 2016110434 A RU2016110434 A RU 2016110434A RU 2016110434 A RU2016110434 A RU 2016110434A
Authority
RU
Russia
Prior art keywords
abscissa
histogram
threshold value
abscissas
word
Prior art date
Application number
RU2016110434A
Other languages
English (en)
Other versions
RU2639668C2 (ru
Inventor
Фэй Лун
Тао Чжан
Чжицзюнь ЧЭНЬ
Original Assignee
Сяоми Инк.
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 Сяоми Инк. filed Critical Сяоми Инк.
Publication of RU2016110434A publication Critical patent/RU2016110434A/ru
Application granted granted Critical
Publication of RU2639668C2 publication Critical patent/RU2639668C2/ru

Links

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
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/414—Extracting the geometrical structure, e.g. layout tree; Block segmentation, e.g. bounding boxes for graphics or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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
    • G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
    • G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06V30/28—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet
    • G06V30/287—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet of Kanji, Hiragana or Katakana characters

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Character Input (AREA)
  • Image Analysis (AREA)

Claims (69)

1. Способ идентификации области, включающий:
бинаризацию области слова для получения бинаризованной области слова, при этом область слова включает несколько слов, принадлежащих одному ряду;
расчет гистограммы в вертикальном направлении для бинаризованной области слова, при этом гистограмма включает абсциссы пикселей в каждом столбце и накопленное значение пикселей цвета на переднем плане пикселей в каждом столбце;
идентификацию символьной области каждого слова в области слова согласно информации распределения накопленных значений в гистограмме.

2. Способ по п. 1, где идентификация включает:
определение нескольких наборов абсцисс согласно информации распределения накопленных значений на гистограмме, при этом каждый из нескольких наборов абсцисс включает первую и вторую абсциссу, расположенные справа от первой абсциссы; при этом накопленные значения, относящиеся соответственно к первой абсциссе и абсциссе справа от прилегающей к первой абсциссе, больше первого порогового значения, а накопленное значение, относящееся к абсциссе слева и прилегающей к первой абсциссе, меньше второго порогового значения; накопленные значения, относящиеся соответственно ко второй абсциссе и абсциссе слева и прилегающей ко второй абсциссе, больше первого порогового значения, а накопленное значение, относящееся к абсциссе справа и прилегающей ко второй абсциссе, меньше второго порогового значения;
для каждого из нескольких наборов абсцисс определение столбца пикселей, где первая абсцисса является левой границей символьной области, и определение столбца пикселей, где вторая абсцисса является правой границей символьной области.

3. Способ по п. 2, где определение нескольких наборов абсцисс согласно информации распределения накопленных значений в гистограмме включает:
определение третьей абсциссы на гистограмме согласно информации распределения накопленных значений, при этом третья абсцисса – это абсцисса на гистограмме, относящаяся к левой границе символьной области первого действительного слова среди нескольких слов, или абсцисса на гистограмме, относящаяся к правой границе символьной области последнего действительного слова среди нескольких слов;
поиск нескольких наборов абсцисс, начиная с третьей абсциссы в заранее определенном направлении и основываясь на информации распределения накопленных значений.

4. Способ по п. 3, при этом, если третья абсцисса – это абсцисса на гистограмме, относящаяся к левой границе символьной области первого действительного слова среди нескольких слов, поиск нескольких абсцисс, начиная с третьей абсциссы в заранее определенном направлении и основываясь на информации распределения накопленных значений, включает:
для i-го набора абсцисс – поиск четвертой абсциссы, начиная с первой абсциссы в i-м наборе абсцисс в гистограмме и в направлении вправо, при этом накопленные значения, относящиеся соответственно к четвертой абсциссе и абсциссе слева и прилегающей к четвертой абсциссе, больше первого порогового значения, а накопленное значение, относящееся к абсциссе справа и прилегающей к четвертой абсциссе, может быть меньше второго порогового значения; при этом
Figure 00000001
, где i – это положительное целое число, начальное значение которого 1, n – это количество действительных слов среди нескольких слов; и первая абсцисса в первом наборе абсцисс – это третья абсцисса;
определение четвертой абсциссы как второй абсциссы в i-м наборе абсцисс;
поиск пятой абсциссы, начиная с четвертой абсциссы в гистограмме и в направлении вправо, если i<n, при этом накопленные значения, относящиеся соответственно к пятой абсциссе и абсциссе справа и прилегающей к пятой абсциссе, больше первого порогового значения, а накопленное значение, относящееся к абсциссе слева и прилегающей к пятой абсциссе, меньше второго порогового значения;
установление i, равным i+1, и определение пятой абсциссы как первой абсциссы в i-м наборе абсцисс;

5. Способ по п. 3, при этом, если третья абсцисса – это абсцисса на гистограмме, относящаяся к правой границе символьной области последнего действительного слова среди нескольких слов, поиск нескольких абсцисс, начиная с третьей абсциссы в заранее определенном направлении и основываясь на информации распределения накопленных значений, включает:
для j-го набора абсцисс – поиск шестой абсциссы, начиная со второй абсциссы в j-м наборе абсцисс в гистограмме, и в направлении влево, при этом накопленные значения, относящиеся соответственно к шестой абсциссе и абсциссе справа и прилегающей к шестой абсциссе, больше первого порогового значения, а накопленное значение, относящееся к абсциссе слева и прилегающей к шестой абсциссе, меньше второго порогового значения; при этом
Figure 00000002
, где j – это положительное целое число, начальное значение которого n, n – это количество действительных слов среди нескольких слов; и вторая абсцисса в n-м наборе абсцисс – это третья абсцисса;
определение шестой абсциссы как первой абсциссы в j-м наборе абсцисс;
поиск седьмой абсциссы, начиная с шестой абсциссы в гистограмме, и в направлении влево, если j>0, при этом накопленные значения, относящиеся соответственно к седьмой абсциссе и абсциссе слева и прилегающей к седьмой абсциссе, больше первого порогового значения, а накопленное значение, относящееся к абсциссе справа и прилегающей к седьмой абсциссе, меньше второго порогового значения;
установление j, равным j-1, и определение седьмой абсциссы как второй абсциссы в j-м наборе абсцисс.

6. Способ по п. 3, при этом, если третья абсцисса – это абсцисса на гистограмме, относящаяся к левой границе символьной области первого действительного слова среди нескольких слов, идентификация третьей абсциссы на гистограмме согласно информации распределения накопленных значений включает:
если несколько слов включают и действительные, и недействительные слова, и первое расстояние между действительным и недействительным словом больше второго расстояния между двумя соседними действительными словами, поиск, начиная с предварительно определенной абсциссы на гистограмме и в направлении влево, интервала, являющегося первым интервалом, ширина которого больше второго расстояния; и определение абсциссы справа от интервала, для которой накопленное значение пикселей цвета переднего плана больше первого порогового значения, как третьей абсциссы; при этом предварительно определенная абсцисса может принадлежать предварительно определенному диапазону, заданному согласно эмпирическому значению; накопленное значение пикселей цвета переднего плана в интервале меньше второго порогового значения;
если все несколько слов являются действительными, определение первой абсциссы с левой стороны гистограммы, для которой накопленное значение пикселей цвета переднего плана больше первого порогового значения, как третьей абсциссы.

7. Способ по п. 3, если третья абсцисса – это абсцисса на гистограмме, относящаяся к правой границе символьной области последнего действительного слова среди нескольких слов, идентификация третьей абсциссы на гистограмме согласно информации распределения накопленных значений включает:
если несколько слов включают и действительные, и недействительные слова, и первое расстояние между действительным и недействительным словом больше второго расстояния между двумя соседними действительными словами, поиск, начиная с предварительно определенной абсциссы на гистограмме и в направлении вправо, интервала, ширина которого больше второго расстояния; и определение абсциссы слева от интервала, для которой накопленное значение пикселей цвета переднего плана больше первого порогового значения, как третьей абсциссы; при этом предварительно определенная абсцисса может принадлежать предварительно определенному диапазону, заданному согласно эмпирическому значению; накопленное значение пикселей цвета переднего плана в интервале меньше второго порогового значения;
если все несколько слов являются действительными, определение первой абсциссы с правой стороны гистограммы, для которой накопленное значение пикселей цвета переднего плана больше первого порогового значения, как третьей абсциссы.

8. Способ по любому из пп. 1-7, дополнительно включающий:
бинаризацию целевой области изображения для получения бинаризованной целевой области изображения;
расчет в горизонтальном направлении горизонтальной гистограммы для бинаризованной целевой области изображения, при этом горизонтальная гистограмма включает: ординаты пикселей в каждом ряду и накопленное значение пикселей цвета на переднем плане пикселей в каждом ряду;
определение нескольких наборов ординат согласно информации распределения накопленных значений на горизонтальной гистограмме, где каждый из нескольких наборов ординат включает первую и вторую ординату, расположенные под первой ординатой; для каждого из нескольких наборов ординат определение ряда пикселей, при этом первая ордината является верхней границей ряда слов, и определение ряда пикселей, где вторая ордината является нижней границей ряда слов; накопленные значения, относящиеся соответственно к первой ординате и ординате снизу и прилегающей к первой абсциссе, больше первого порогового значения, а накопленное значение, относящееся к ординате сверху и прилегающей к первой ординате, меньше второго порогового значения; накопленные значения, относящиеся соответственно ко второй ординате и ординате сверху и прилегающей ко второй абсциссе, больше первого порогового значения, а накопленное значение, относящееся к ординате снизу и прилегающей ко второй абсциссе, меньше второго порогового значения;
для k-го ряда в области слова выполнение этапа бинаризации области слова, при этом
Figure 00000003
, k – это положительное целое число, m – это общее количество идентифицированных рядов.

9. Устройство для идентификации области, включающее:
первый модуль бинаризации, выполненный с возможностью бинаризации области слова для получения бинаризованной области слова, при этом область слова включает несколько слов, принадлежащих одному ряду;
первый модуль расчета, выполненный с возможностью расчета в вертикальном направлении гистограммы для бинаризованной области слова, при этом гистограмма включает абсциссы пикселей в каждом столбце и накопленное значение пикселей цвета на переднем плане пикселей в каждом столбце;
модуля идентификации области, сконфигурированного для идентификации символьной области каждого слова в области слова согласно информации распределения накопленных значений на гистограмме.

10. Устройство по п. 9, где модуль идентификации области включает:
подмодуль определения координат, выполненный с возможностью определения нескольких наборов абсцисс согласно информации распределения накопленных значений на гистограмме, при этом каждый из нескольких наборов абсцисс включает первую и вторую абсциссу, расположенные справа от первой абсциссы; при этом накопленные значения, относящиеся соответственно к первой абсциссе и абсциссе справа от прилегающей к первой абсциссе, больше первого порогового значения, а накопленное значение, относящееся к абсциссе слева и прилегающей к первой абсциссе, меньше второго порогового значения; накопленные значения, относящиеся соответственно ко второй абсциссе и абсциссе слева и прилегающей ко второй абсциссе, больше первого порогового значения, а накопленное значение, относящееся к абсциссе справа и прилегающей ко второй абсциссе, меньше второго порогового значения;
подмодуль идентификации области, выполненный с возможностью идентификации для каждого набора абсцисс столбца пикселей, где находится первая абсцисса, как левой границы символьной области, и столбца пикселей, где находится вторая абсцисса, как правой границы символьной области.

11. Устройство по п. 10, где подмодуль определения координат включает:
подмодуль идентификации координат, выполненный с возможностью определения третьей абсциссы на гистограмме согласно информации распределения накопленных значений, при этом третья абсцисса – это абсцисса на гистограмме, относящаяся к левой границе символьной области первого действительного слова среди нескольких слов, или абсцисса на гистограмме, относящаяся к правой границе символьной области последнего действительного слова среди нескольких слов;
подмодуль поиска координат, выполненный с возможностью поиска нескольких наборов абсцисс, начиная с третьей абсциссы в заранее определенном направлении и основываясь на информации распределения накопленных значений.

12. Устройство по п. 11, при этом, если третья абсцисса – это абсцисса на гистограмме, относящаяся к левой границе символьной области первого действительного слова среди нескольких слов, подмодуль поиска координат дополнительно имеет возможность:
для i-го набора абсцисс – поиска четвертой абсциссы, начиная с первой абсциссы в i-м наборе абсцисс в гистограмме и в направлении вправо, при этом накопленные значения, относящиеся соответственно к четвертой абсциссе и абсциссе слева и прилегающей к четвертой абсциссе, больше первого порогового значения, а накопленное значение, относящееся к абсциссе справа и прилегающей к четвертой абсциссе, может быть меньше второго порогового значения; при этом
Figure 00000001
, где i – это положительное целое число, начальное значение которого 1, n – это количество действительных слов среди нескольких слов; и первая абсцисса в первом наборе абсцисс – это третья абсцисса;
определения четвертой абсциссы как второй абсциссы в i-м наборе абсцисс;
поиска пятой абсциссы, начиная с четвертой абсциссы в гистограмме и в направлении вправо, если i<n, при этом накопленные значения, относящиеся соответственно к пятой абсциссе и абсциссе справа и прилегающей к пятой абсциссе, больше первого порогового значения, а накопленное значение, относящееся к абсциссе слева и прилегающей к пятой абсциссе, меньше второго порогового значения;
установления i, равным i+1, и определения пятой абсциссы как первой абсциссы в i-м наборе абсцисс.

13. Устройство по п. 11, при этом, если третья абсцисса – это абсцисса на гистограмме, относящаяся к правой границе символьной области последнего действительного слова среди нескольких слов, подмодуль поиска координат дополнительно имеет возможность:
для j-го набора абсцисс – поиска шестой абсциссы, начиная со второй абсциссы в j-м наборе абсцисс в гистограмме, и в направлении влево, при этом накопленные значения, относящиеся соответственно к шестой абсциссе и абсциссе справа и прилегающей к шестой абсциссе, больше первого порогового значения, а накопленное значение, относящееся к абсциссе слева и прилегающей к шестой абсциссе, меньше второго порогового значения; при этом
Figure 00000002
, где j – это положительное целое число, начальное значение которого n, n – это количество действительных слов среди нескольких слов; и вторая абсцисса в n-м наборе абсцисс – это третья абсцисса;
определения шестой абсциссы как первой абсциссы в j-м наборе абсцисс;
поиска седьмой абсциссы, начиная с шестой абсциссы в гистограмме, и в направлении влево, если j>0, при этом накопленные значения, относящиеся соответственно к седьмой абсциссе и абсциссе слева и прилегающей к седьмой абсциссе, больше первого порогового значения, а накопленное значение, относящееся к абсциссе справа и прилегающей к седьмой абсциссе, меньше второго порогового значения;
установления j, равным j-1, и определения седьмой абсциссы как второй абсциссы в j-м наборе абсцисс.

14. Устройство по п. 11, при этом, если третья абсцисса – это абсцисса на гистограмме, относящаяся к левой границе символьной области первого действительного слова среди нескольких слов, подмодуль идентификации координат дополнительно имеет возможность:
если несколько слов включают и действительные, и недействительные слова, и первое расстояние между действительным и недействительным словом больше второго расстояния между двумя соседними действительными словами, поиска, начиная с предварительно определенной абсциссы на гистограмме и в направлении влево, интервала, являющегося первым интервалом, ширина которого больше второго расстояния; и определения абсциссы справа от интервала, для которой накопленное значение пикселей цвета переднего плана больше первого порогового значения, как третьей абсциссы; при этом предварительно определенная абсцисса может принадлежать предварительно определенному диапазону, заданному согласно эмпирическому значению; накопленное значение пикселей цвета переднего плана в интервале меньше второго порогового значения;
если все несколько слов являются действительными, определения первой абсциссы с левой стороны гистограммы, для которой накопленное значение пикселей цвета переднего плана больше первого порогового значения, как третьей абсциссы.

15. Устройство по п. 11, при этом, если третья абсцисса – это абсцисса на гистограмме, относящаяся к правой границе символьной области последнего действительного слова среди нескольких слов, подмодуль идентификации координат дополнительно имеет возможность:
если несколько слов включают и действительные, и недействительные слова, и первое расстояние между действительным и недействительным словом больше второго расстояния между двумя соседними действительными словами, поиска, начиная с предварительно определенной абсциссы на гистограмме и в направлении вправо, интервала, ширина которого больше второго расстояния; и определения абсциссы слева от интервала, для которой накопленное значение пикселей цвета переднего плана больше первого порогового значения, как третьей абсциссы; при этом предварительно определенная абсцисса может принадлежать предварительно определенному диапазону, заданному согласно эмпирическому значению; накопленное значение пикселей цвета переднего плана в интервале меньше второго порогового значения;
если все несколько слов являются действительными, определения первой абсциссы с правой стороны гистограммы, для которой накопленное значение пикселей цвета переднего плана больше первого порогового значения, как третьей абсциссы.

16. Устройство по любому из пп. 9-15, дополнительно включающее:
второй модуль бинаризации, выполненный с возможностью бинаризации целевой области изображения для получения бинаризованной целевой области изображения;
второй модуль расчета, выполненный с возможностью расчета в горизонтальном направлении горизонтальной гистограммы для бинаризованной целевой области изображения, при этом горизонтальная гистограмма включает: ординаты пикселей в каждом ряду и накопленное значение пикселей цвета на переднем плане пикселей в каждом ряду;
модуль определения границы, выполненный с возможностью определения нескольких наборов ординат согласно информации распределения накопленных значений на горизонтальной гистограмме, где каждый из нескольких наборов ординат включает первую и вторую ординату, расположенные под первой ординатой; для каждого из нескольких наборов ординат определения ряда пикселей, при этом первая ордината является верхней границей ряда слов, и определения ряда пикселей, где вторая ордината является нижней границей ряда слов; накопленные значения, относящиеся соответственно к первой ординате и ординате снизу и прилегающей к первой абсциссе, больше первого порогового значения, а накопленное значение, относящееся к ординате сверху и прилегающей к первой ординате, меньше второго порогового значения; накопленные значения, относящиеся соответственно ко второй ординате и ординате сверху и прилегающей ко второй абсциссе, больше первого порогового значения, а накопленное значение, относящееся к ординате снизу и прилегающей ко второй абсциссе, меньше второго порогового значения;
первый модуль бинаризации с дополнительной возможностью для k-го ряда в области слова выполнять бинаризацию области слова, при этом
Figure 00000003
, где k – это положительное целое число, m – это общее количество идентифицированных рядов.

17. Устройство для идентификации области, включающее:
процессор;
память для хранения инструкций, исполняемых процессором;
при этом процессор выполнен с возможностью:
бинаризации области слова для получения бинаризованной области слова, при этом область слова включает несколько слов, принадлежащих одному ряду;
расчета гистограммы в вертикальном направлении для бинаризованной области слова, при этом гистограмма включает абсциссы пикселей в каждом столбце и накопленное значение пикселей цвета на переднем плане пикселей в каждом столбце;
идентификации символьной области каждого слова в области слова согласно информации распределения накопленных значений в гистограмме.
RU2016110434A 2015-10-30 2015-12-29 Способ и устройство для идентификации области RU2639668C2 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201510726153.9A CN105528606B (zh) 2015-10-30 2015-10-30 区域识别方法及装置
CN201510726153.9 2015-10-30
PCT/CN2015/099299 WO2017071063A1 (zh) 2015-10-30 2015-12-29 区域识别方法及装置

Publications (2)

Publication Number Publication Date
RU2016110434A true RU2016110434A (ru) 2017-09-26
RU2639668C2 RU2639668C2 (ru) 2017-12-21

Family

ID=55770820

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2016110434A RU2639668C2 (ru) 2015-10-30 2015-12-29 Способ и устройство для идентификации области

Country Status (8)

Country Link
US (1) US10157326B2 (ru)
EP (1) EP3163502A1 (ru)
JP (1) JP6392468B2 (ru)
KR (1) KR101805090B1 (ru)
CN (1) CN105528606B (ru)
MX (1) MX2016003679A (ru)
RU (1) RU2639668C2 (ru)
WO (1) WO2017071063A1 (ru)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8708227B1 (en) 2006-10-31 2014-04-29 United Services Automobile Association (Usaa) Systems and methods for remote deposit of checks
US7873200B1 (en) 2006-10-31 2011-01-18 United Services Automobile Association (Usaa) Systems and methods for remote deposit of checks
US9058512B1 (en) 2007-09-28 2015-06-16 United Services Automobile Association (Usaa) Systems and methods for digital signature detection
US9159101B1 (en) 2007-10-23 2015-10-13 United Services Automobile Association (Usaa) Image processing
US10380562B1 (en) 2008-02-07 2019-08-13 United Services Automobile Association (Usaa) Systems and methods for mobile deposit of negotiable instruments
US10504185B1 (en) 2008-09-08 2019-12-10 United Services Automobile Association (Usaa) Systems and methods for live video financial deposit
US8452689B1 (en) 2009-02-18 2013-05-28 United Services Automobile Association (Usaa) Systems and methods of check detection
US10956728B1 (en) 2009-03-04 2021-03-23 United Services Automobile Association (Usaa) Systems and methods of check processing with background removal
US9779392B1 (en) 2009-08-19 2017-10-03 United Services Automobile Association (Usaa) Apparatuses, methods and systems for a publishing and subscribing platform of depositing negotiable instruments
US8977571B1 (en) 2009-08-21 2015-03-10 United Services Automobile Association (Usaa) Systems and methods for image monitoring of check during mobile deposit
US8699779B1 (en) 2009-08-28 2014-04-15 United Services Automobile Association (Usaa) Systems and methods for alignment of check during mobile deposit
US9129340B1 (en) 2010-06-08 2015-09-08 United Services Automobile Association (Usaa) Apparatuses, methods and systems for remote deposit capture with enhanced image detection
US10380565B1 (en) 2012-01-05 2019-08-13 United Services Automobile Association (Usaa) System and method for storefront bank deposits
US9286514B1 (en) * 2013-10-17 2016-03-15 United Services Automobile Association (Usaa) Character count determination for a digital image
US10506281B1 (en) 2015-12-22 2019-12-10 United Services Automobile Association (Usaa) System and method for capturing audio or video data
US11030752B1 (en) 2018-04-27 2021-06-08 United Services Automobile Association (Usaa) System, computing device, and method for document detection
CN109145891B (zh) * 2018-06-27 2022-08-02 上海携程商务有限公司 客户端及其识别身份证的方法、识别身份证的系统
CN109635807A (zh) * 2018-10-16 2019-04-16 深圳壹账通智能科技有限公司 信息录入方法、装置、设备及计算机可读存储介质
CN111104940A (zh) * 2018-10-26 2020-05-05 深圳怡化电脑股份有限公司 图像旋转校正方法、装置、电子设备及存储介质
CN111223104B (zh) * 2018-11-23 2023-10-10 杭州海康威视数字技术股份有限公司 一种包裹提取及跟踪方法、装置及电子设备
CN110533030B (zh) * 2019-08-19 2023-07-14 三峡大学 基于深度学习的太阳胶片图像时间戳信息提取方法
CN111291750B (zh) * 2020-01-21 2023-03-24 河南大学 一种基于空间近邻关系的甲骨文自动标注方法
CN111898602B (zh) * 2020-08-10 2024-04-16 赞同科技股份有限公司 一种图像中的凭证号码区域识别方法、装置及设备
US11900755B1 (en) 2020-11-30 2024-02-13 United Services Automobile Association (Usaa) System, computing device, and method for document detection and deposit processing
CN113723301B (zh) * 2021-08-31 2024-08-30 广州新丝路信息科技有限公司 一种进口货物报关单ocr识别分行处理方法及装置
CN117351438B (zh) * 2023-10-24 2024-06-04 武汉无线飞翔科技有限公司 一种基于图像识别的车辆实时位置跟踪方法及系统
CN117274267B (zh) * 2023-11-22 2024-04-05 合肥晶合集成电路股份有限公司 掩膜版图的自动检测方法、装置、处理器以及电子设备
CN117727059B (zh) * 2024-02-18 2024-05-03 蓝色火焰科技成都有限公司 汽车金融发票信息核验方法、装置、电子设备及存储介质

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0186172B1 (ko) 1995-12-06 1999-05-15 구자홍 문자 인식장치의 접촉문자 분리 및 특징 추출방법
JP3452774B2 (ja) * 1997-10-16 2003-09-29 富士通株式会社 文字認識方法
WO2003051031A2 (en) * 2001-12-06 2003-06-19 The Trustees Of Columbia University In The City Of New York Method and apparatus for planarization of a material by growing and removing a sacrificial film
RU2234126C2 (ru) 2002-09-09 2004-08-10 Аби Софтвер Лтд. Способ распознавания текста с применением настраиваемого классификатора
US7302098B2 (en) * 2004-12-03 2007-11-27 Motorola, Inc. Character segmentation method and apparatus
JP2007206985A (ja) * 2006-02-01 2007-08-16 Sharp Corp 文字列抽出装置、文字列抽出方法、そのプログラムおよび記録媒体
JP4991411B2 (ja) * 2006-07-28 2012-08-01 キヤノン株式会社 画像処理方法
CN101408933A (zh) * 2008-05-21 2009-04-15 浙江师范大学 基于粗网格特征提取和bp神经网络的车牌字符识别方法
JP5334042B2 (ja) * 2008-11-23 2013-11-06 日本電産サンキョー株式会社 文字列認識方法及び文字列認識装置
KR20110087620A (ko) 2010-01-26 2011-08-03 광주과학기술원 레이아웃 기반의 인쇄매체 페이지 인식방법
JP5591578B2 (ja) 2010-04-19 2014-09-17 日本電産サンキョー株式会社 文字列認識装置および文字列認識方法
CN102184399A (zh) * 2011-03-31 2011-09-14 上海名图信息技术有限公司 基于水平投影和连通域分析的字符分割方法
CN103310435B (zh) * 2012-03-21 2016-04-06 华中科技大学 将垂直投影和最优路径相结合对车牌字符进行分割的方法
JP6080259B2 (ja) * 2013-02-06 2017-02-15 日本電産サンキョー株式会社 文字切り出し装置及び文字切り出し方法
JP6161484B2 (ja) * 2013-09-19 2017-07-12 株式会社Pfu 画像処理装置、画像処理方法及びコンピュータプログラム
CN104156704A (zh) * 2014-08-04 2014-11-19 胡艳艳 一种新的车牌识别方法及系统

Also Published As

Publication number Publication date
JP2018500705A (ja) 2018-01-11
EP3163502A1 (en) 2017-05-03
MX2016003679A (es) 2018-06-22
RU2639668C2 (ru) 2017-12-21
US20170124414A1 (en) 2017-05-04
CN105528606A (zh) 2016-04-27
US10157326B2 (en) 2018-12-18
KR101805090B1 (ko) 2017-12-05
WO2017071063A1 (zh) 2017-05-04
JP6392468B2 (ja) 2018-09-19
CN105528606B (zh) 2019-08-06
KR20170061631A (ko) 2017-06-05

Similar Documents

Publication Publication Date Title
RU2016110434A (ru) Способ и устройство для идентификации области
US10192107B2 (en) Object detection method and object detection apparatus
RU2016109047A (ru) Способ и устройство для идентификации области
Chung et al. Efficient shadow detection of color aerial images based on successive thresholding scheme
RU2016110142A (ru) Способ и устройство для идентификации области
CN104794421B (zh) 一种qr码定位及识别方法
CN104376575B (zh) 一种基于多摄像头监控的行人计数方法和装置
CN109558908B (zh) 一种给定区域最优边缘的确定方法
RU2014110361A (ru) Процессор изображений, сконфигурированный для эффективной оценки и устранения информации переднего плана на изображениях
CN103258201A (zh) 一种融合全局和局部信息的表格线提取方法
US11074443B2 (en) Method and device for acquiring slant value of slant image, terminal and storage medium
CN105447834A (zh) 一种基于特征分类的麻将图像光照不均校正方法
CN103500453A (zh) 基于伽玛分布和邻域信息的sar图像显著性区域检测方法
RU2013104895A (ru) Процессор изображений с функциональностью выбора контуров
RU2013111635A (ru) Cпособ автоматического распознавания объектов на изображении
US10460198B2 (en) Image processing system
CN109145906B (zh) 目标对象的图像确定方法、装置、设备及存储介质
RU2013148582A (ru) Процессор обработки изображений, содержащий систему распознавания жестов с вычислительно-эффективным распознаванием неподвижной позы руки
Hung et al. Skyline localization for mountain images
JP2016012304A (ja) 対象物認識装置
CN104036514A (zh) 一种基于直方图峰值搜索的圆检测方法
Powbunthorn et al. Assessment of the severity of brown leaf spot disease in cassava using image analysis
Marzan et al. Towards tobacco leaf detection using Haar cascade classifier and image processing techniques
KR101407070B1 (ko) 영상기반 사람 검출을 위한 특징 추출 방법 및 장치
Ouyang et al. The classification of pavement crack image based on beamlet algorithm