[发明专利]一种字符智能识别方法及识别装置有效

专利信息
申请号: 201910149728.3 申请日: 2019-02-28
公开(公告)号: CN109919154B 公开(公告)日: 2020-10-13
发明(设计)人: 汪红兵;魏书琪;陈新坜 申请(专利权)人: 北京科技大学
主分类号: G06K9/32 分类号: G06K9/32;G06K9/62
代理公司: 北京市广友专利事务所有限责任公司 11237 代理人: 张仲波
地址: 100083*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 字符 智能 识别 方法 装置
【权利要求书】:

1.一种字符智能识别方法,其特征在于,包括:

获取含有待识别钢板字符的目标图片;

对所述目标图片进行识别,得到所述目标图片中各个待检字符的标签、位置坐标及识别置信度;

根据得到的所述目标图片中各个待检字符的位置坐标及识别置信度,确定所述目标图片中各个待检字符的位置置信度;

根据得到的位置置信度对得到的待检字符的标签进行筛选,得到所述目标图片中的钢板字符;

其中,位置置信度表示为:

其中,LOC CONFx为字符x的位置置信度,CONFx为识别置信度,α是调节因子,N为字符的数目,Lx为待检字符空间位置坐标,W是字符总宽度,ω为字符尺寸系数,i为字符序列数,为基准点空间位置坐标,Loffset为坐标偏置。

2.根据权利要求1所述的字符智能识别方法,其特征在于,所述对所述目标图片进行识别,得到所述目标图片中各个待检字符的标签、位置坐标及识别置信度包括:

利用预先确定的使用非极大值抑制的识别模型对所述目标图片进行识别,得到所述目标图片中各个待检字符的标签、位置坐标及识别置信度。

3.根据权利要求2所述的字符智能识别方法,其特征在于,所述识别模型包括:深度卷积神经网络。

4.根据权利要求1所述的字符智能识别方法,其特征在于,所述根据得到的位置置信度对得到的待检字符的标签进行筛选,得到所述目标图片中的钢板字符包括:

以位置置信度进行非极大值抑制,对交并比大于预设的交并比阈值的各组结果根据位置置信度进行排序,其中,每组结果包括:检测区域序号、组序号、待检字符的标签和位置置信度;

筛选出位置置信度大于预设的位置置信度的待检字符的标签,得到所述目标图片中的钢板字符。

5.一种字符智能识别装置,其特征在于,包括:

获取模块,用于获取含有待识别钢板字符的目标图片;

识别模块,用于对所述目标图片进行识别,得到所述目标图片中各个待检字符的标签、位置坐标及识别置信度;

确定模块,用于根据得到的所述目标图片中各个待检字符的位置坐标及识别置信度,确定所述目标图片中各个待检字符的位置置信度;

筛选模块,用于根据得到的位置置信度对得到的待检字符的标签进行筛选,得到所述目标图片中的钢板字符;

其中,位置置信度表示为:

其中,LOC CONFx为字符x的位置置信度,CONFx为识别置信度,α是调节因子,N为字符的数目,Lx为待检字符空间位置坐标,W是字符总宽度,ω为字符尺寸系数,i为字符序列数,为基准点空间位置坐标,Loffset为坐标偏置。

6.根据权利要求5所述的字符智能识别装置,其特征在于,所述识别模块,用于利用预先确定的使用非极大值抑制的识别模型对所述目标图片进行识别,得到所述目标图片中各个待检字符的标签、位置坐标及识别置信度。

7.根据权利要求6所述的字符智能识别装置,其特征在于,所述识别模型包括:深度卷积神经网络。

8.根据权利要求5所述的字符智能识别装置,其特征在于,所述筛选模块包括:

排序单元,用于以位置置信度进行非极大值抑制,对交并比大于预设的交并比阈值的各组结果根据位置置信度进行排序,其中,每组结果包括:检测区域序号、组序号、待检字符的标签和位置置信度;

筛选单元,用于筛选出位置置信度大于预设的位置置信度的待检字符的标签,得到所述目标图片中的钢板字符。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京科技大学,未经北京科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910149728.3/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top