一种基于中文字符图像识别的位置获取系统和方法技术方案

本发明专利技术涉及一种基于中文字符图像识别的位置获取系统和方法，该方法是采集员工佩戴的卡牌上被识别的中文图像字符；提取采集的中文字符图像信息；使用深度学习网络模型进行对象检测；利用切割中文字符的位置坐标信息得出的中文字符间距及二值化下图像极值，判断文字边缘，做出切割和识别动作终止的决定；将识别结果与图像采集设备位置信息绑定并记录。本发明专利技术利用中文字符间距及图像字符切割算法，将偏旁部首的中文字准确有效的进行逐个切割，切割出的字符传输到识别模型并输出识别结果。的字符传输到识别模型并输出识别结果。的字符传输到识别模型并输出识别结果。

【技术实现步骤摘要】
一种基于中文字符图像识别的位置获取系统和方法


[0001]本专利技术属于图像识别领域，具体涉及一种基于中文字符图像识别的位置获取系统和方法。

技术介绍

[0002]随着工业的发展，工业园区的生产安全越来越得到重视，随着“工业园区安全生产管理基本要求”的发布实施，引导企业牢固梳理安全发展观念，人作为生产的主体，更是需要把人的生命安全放在首位，以人为本，把人的安全作为工业园区发展的前提、基础和保证。由于工业园区面积较大，生产设备较多，通过传统的监控设备，对员工的安全管理起来很不容易，特别下现在这个大环境下，员工戴上口罩之后，一般的人脸识别等设备起不到很好的作用，而且一般的警示、警告标识对部分员工没有效果，不能识别出员工的信息、位置，不能对其惩处，不能达到园区安全管理的目的。
[0003]在园区的远程监控系统完善，员工着装管理规范的情况下，园区员工定位的方式有很多种，比如装有RFID员工卡的安全帽，但由于园区大，成本较高，受到的干扰较大，识别距离较近，不利于实际应用，且部分位置区域不要求戴安全帽，让员工的定位变得很困难。
[0004]图像识别技术是人工智能的一个重要领域，人工智能的发展也这一难题提供了可行的方法，为了编制模拟人类图像识别活动的计算机程序，人们提出了不同的图像识别模型。例如模板匹配模型。这种模型认为，识别某个图像，必须在过去的经验中有这个图像的记忆模式，又叫模板。当前的刺激如果能与大脑中的模板相匹配，这个图像也就被识别了。
[0005]识别中文较难的部分是如割分辨出单个中文字符，园区内要求全员穿戴缝制有员工单位和姓名的工装，当员工在监控区域内走动时，图像采集设备采集员工工装上的中文字符信息，并进行预处理，如何利用深度学习技术识别中文字符图像，将识别结果与监控设备位置信息绑定并记录，提高了企业的安全管理能力，是值得研究的。

技术实现思路

[0006]针对中文字符图像，无法使用一般的中文字符识算法，且传统中文图像处理技术不能很好切割出具有偏旁部首的中文字或将有部首的字切割成几部分，本专利技术一种基于中文字符图像识别的位置获取系统和方法，提出融合切割算法和字符间距特征和深度学习技术相结合的图像智能识别方法。
[0007]本专利技术的技术方案具体如下：
[0008]一种基于中文字符图像识别的位置获取系统，包括图像采集设备，与图像采集设备连接的计算机，图像采集设备采集员工佩戴的卡牌上被识别的中文图像字符；
[0009]计算机包括图像采集模块、对象检测模块、切割和字符间距检测模块、数字中文字符分类模块和边缘计算模块；
[0010]图像采集模块提取图像采集设备采集的中文字符图像信息；
[0011]对象检测模块使用深度学习网络模型进行对象检测，首先创建出一个对象，并对
该对象指定面积的文字大小进行检测，当检测出这一对象便使用外接矩形框框选该区域；
[0012]中文字符分类模块通过卷积神经网络对中文字符图像进行预测实现最终识别；
[0013]边缘计算模块利用切割中文字符的位置坐标信息得出的中文字符间距及二值化下图像极值，判断文字边缘，做出切割和识别动作终止的决定；
[0014]将识别结果与图像采集设备位置信息绑定并记录。
[0015]进一步地，图像采集模块根据颜色一致性测量保留与数字中文字符近似的像素实现分割；再分别通过opencv、边缘检测、傅里叶算法进行四类图像特征的提取，分别为亮度特征、色度特征、纹理特征、以及光流场动态纹理特征。
[0016]进一步地，对象检测模块使用深度学习网络模型来进行对象检测时，创建MSER对象，3000表示检测到的组块面积的大小，当检测到大小为3000的区域时，将检测出来的对象使用外接矩形来表示，外接矩形左上角给出对象的名称和可信度，可信度高于60可认为是该对象。
[0017]进一步地，字符间距检测和字符切割模块通过下列算法进行字符间距检测和字符切割：
[0018]步骤(1)字符间距检测算法如下：
[0019]统计所有字符间距值，放入数组；并找出这组数据中出现次数最多的中数值Mo，用一定的方法推算众数的近似值，计算公式为：
[0020][0021][0022]公式中：
[0023]L—众数所在组下限；U—众数所在组上限；
△1—众数所在组次数与其下限的邻组次数之差；
△2—众数所在组次数与其上限的邻组次数之差；d—众数所在组组距；
[0024]步骤(2)字符切割采用阈值分割算法，图像f(x，y)由暗对象和亮对象这两类具有不同灰度级的区域组成，如报纸和书本。图像的亮暗部分可以在直方图中清楚的分辨出，故可选择一个阈值用于将亮暗峰区分开；
[0025]T＝T[x，y，p(x，y)，f(x，y)][0026]其中，x、y表示像素的横纵坐标，p(x，y)表示像素的局部特性，f(x，y)表示像素灰度值。经阈值化处理后的图像定义为
[0027][0028]灰度标记为1的像素对应于关注的对象，标记为0的像素对应于背景，且有：
[0029]若T仅取决于f(x，y)，阈值是全局的；
[0030]若T取决于f(x，y)和p(x，y)，阈值就是局部的；
[0031]若T取决于坐标(x，y)，阈值是自适应。
[0032]本专利技术还涉及的一种基于中文字符图像识别的位置获取方法，采集员工佩戴的卡牌上被识别的中文图像字符；
[0033]提取采集的中文字符图像信息；
[0034]使用深度学习网络模型进行对象检测，首先创建出一个对象，并对该对象指定面积的文字大小进行检测，当检测出这一对象便使用外接矩形框框选该区域；
[0035]利用切割中文字符的位置坐标信息得出的中文字符间距及二值化下图像极值，判断文字边缘，做出切割和识别动作终止的决定；
[0036]将识别结果与图像采集设备位置信息绑定并记录。
[0037]进一步地，根据颜色一致性测量保留与数字中文字符近似的像素实现分割；再分别通过opencv、边缘检测、傅里叶算法进行四类图像特征的提取，分别为亮度特征、色度特征、纹理特征、以及光流场动态纹理特征。
[0038]进一步地，对象检测时，创建MSER对象，3000表示检测到的组块面积的大小，当检测到大小为3000的区域时，将检测出来的对象使用外接矩形来表示，外接矩形左上角给出对象的名称和可信度，可信度高于60可认为是该对象。
[0039]进一步地，字符间距检测和字符切割模块通过下列算法进行字符间距检测和字符切割：
[0040]步骤(1)字符间距检测算法如下：
[0041]统计所有字符间距值，放入数组；并找出这组数据中出现次数最多的中数值Mo，用一定的方法推算众数的近似值，计算公式为：
[0042][0043][0044]公式中：
[0045]L—众数所在组下限；U—众数所在组上限；
△1—众数所在组次数与其下限的邻组次数之差；
△2—众数所在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于中文字符图像识别的位置获取系统，其特征在于：包括图像采集设备，与图像采集设备连接的计算机，图像采集设备采集员工佩戴的卡牌上被识别的中文图像字符；计算机包括图像采集模块、对象检测模块、切割和字符间距检测模块、数字中文字符分类模块和边缘计算模块；图像采集模块提取图像采集设备采集的中文字符图像信息；对象检测模块使用深度学习网络模型进行对象检测，首先创建出一个对象，并对该对象指定面积的文字大小进行检测，当检测出这一对象便使用外接矩形框框选该区域；中文字符分类模块通过卷积神经网络对中文字符图像进行预测实现最终识别；边缘计算模块利用切割中文字符的位置坐标信息得出的中文字符间距及二值化下图像极值，判断文字边缘，做出切割和识别动作终止的决定；将识别结果与图像采集设备位置信息绑定并记录。2.根据权利要求1所述的系统，其特征在于：图像采集模块根据颜色一致性测量保留与数字中文字符近似的像素实现分割；再分别通过opencv、边缘检测、傅里叶算法进行四类图像特征的提取，分别为亮度特征、色度特征、纹理特征、以及光流场动态纹理特征。3.根据权利要求1所述的系统，其特征在于：对象检测模块使用深度学习网络模型来进行对象检测时，创建MSER对象，3000表示检测到的组块面积的大小，当检测到大小为3000的区域时，将检测出来的对象使用外接矩形来表示，外接矩形左上角给出对象的名称和可信度，可信度高于60可认为是该对象。4.根据权利要求1所述的系统，其特征在于：字符间距检测和字符切割模块通过下列算法进行字符间距检测和字符切割：步骤(1)字符间距检测算法如下：统计所有字符间距值，放入数组；并找出这组数据中出现次数最多的中数值Mo，用一定的方法推算众数的近似值，计算公式为：计算公式为：公式中：L—众数所在组下限；U—众数所在组上限；
△1—众数所在组次数与其下限的邻组次数之差；
△2—众数所在组次数与其上限的邻组次数之差；d—众数所在组组距；步骤(2)字符切割采用阈值分割算法，图像f(x，y)由暗对象和亮对象这两类具有不同灰度级的区域组成，如报纸和书本。图像的亮暗部分可以在直方图中清楚的分辨出，故可选择一个阈值用于将亮暗峰区分开；T＝T[x，y，p(x，y)，f(x，y)]其中，x、y表示像素的横纵坐标，p(x，y)表示像素的局部特性，f(x，y)表示像素灰度值。经阈值化处理后的图像定义为
灰度标记为1的像素对应于关注的对象，标记为0的像...

【专利技术属性】
技术研发人员：杨奇，李云财，尹业华，陈甫刚，肖彦龙，
申请(专利权)人：云南昆钢电子信息科技有限公司，
类型：发明
国别省市：