[发明专利]一种基于定位点的旋转数字识别方法及系统

说明书

本发明公开了一种基于定位点的旋转数字识别方法及系统，方法包括：S1、对输入的视频帧图像进行预处理，得到相应的灰度图像；S2、对灰度图像进行轮廓提取，得到灰度图像中的色块的定位点位置、宽度和长度；S3、根据定位点位置对灰度图像进行旋转矫正，得到矫正图像和矫正定位点位置；S4、根据矫正定位点位置、色块的宽度和长度对矫正图像进行图像分割，得到只包含数字部分的数字图像；S5、对数字图像进行灰度化，通过深度学习模型和分类器得到数字图像中的数字。本发明产生的有益效果是：保证了定位点和矫正角度的准确性，识别率高，参数设置较简单，训练速度快，实际使用时可以直接载入训练好的网络进行使用。

技术领域

本发明涉及图像矫正和识别技术领域，尤其涉及一种基于定位点的旋转数字识别方法及系统。

背景技术

王雄华等人在论文《快速定位的QR码校正方法》中提出一种基于图像特征的QR码校正算法，该方法使用多方向扫描像素点的方法找到条码各个顶点坐标，采用逆投影变换完成图像的几何校正，但是该方法搜索定位点容易受到背景环境的干扰，而且受图像质量影响明显。

李莹等人在论文《采用特征点提取算法的车牌倾斜校正方法研究》中提出基于非线性双边滤波器的Harris算法，然后提取出车牌区域的字符角点信息，再结合惯性主轴算法对倾斜车牌进行矫正。该方法中容易出现伪角点，导致惯性主轴并不准确，进而导致矫正存在偏差。

李彦等人在《基于SIFT特征匹配的车牌识别方法》中提出了一种基于SIFT特征匹配的车牌识别方法，该方法使用超分辨率重建图像，然后对重建图像进行SIFT特征匹配识别。该方法的匹配速度较快，但是准确率不高。

彭博等人在《基于深度学习的车标识别方法研究》中采用PCA对车标进行特征提取和过滤噪声，然后使用卷积神经网络(CNN)来识别视频中的车标。该方法充分利用了卷积神经网络多层次的提取深层的隐式特征，能够有效地表达字符的组合构成。然而，该方法的参数调整非常复杂，训练样本量大，各层参数个数多，并且训练速度慢，这不利于非专业人员在各种硬件性能有限的车牌识别设备上扩展使用。

发明内容

本发明要解决的技术问题在于针对现有技术中定位矫正准确率低以及识别准确率低的缺陷，提供一种基于定位点的旋转数字识别方法及系统。

一种基于定位点的旋转数字识别方法，该方法包括：

S1、对输入的视频帧图像进行预处理，得到相应的灰度图像；

S2、对所述灰度图像进行轮廓提取，得到所述灰度图像中的色块的定位点位置、宽度和长度；

S3、根据所述定位点位置对所述灰度图像进行旋转矫正，得到矫正图像和矫正定位点位置；

S4、根据所述矫正定位点位置、所述色块的宽度和长度对所述矫正图像进行图像分割，得到只包含数字部分的数字图像；

S5、对所述数字图像进行灰度化，通过深度学习模型和分类器得到所述数字图像中的数字。

本发明所述的旋转数字识别方法，步骤S2包括：

S21、对所述灰度图像进行轮廓提取，并通过道格拉斯-普克算法对提取到的轮廓进行四边形逼近处理，得到相应的色块；

S22、当确定存在三个色块时，计算得到该三个色块的中心点位置、宽度和长度，将该三个中心点位置分别作为三个色块的定位点位置。

本发明所述的旋转数字识别方法，步骤S3包括：

S31、根据三个定位点构成三角形的几何特征，确定旋转矫正的旋转角；

S32、根据所述旋转角以所述灰度图像的中心为旋转原点对所述灰度图像进行旋转矫正，得到矫正图像和矫正定位点位置。