面向彩印标签的手机数码识别及应用

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (23): 164-168.

面向彩印标签的手机数码识别及应用

何云1，2，李国和1，2，3，林仁杰1，2，成一功1，2，吴卫江1，2，3，洪云峰3

1.中国石油大学（北京）地球物理与信息工程学院，北京 102249
2.中国石油大学（北京）油气数据挖掘北京市重点实验室，北京 102249
3.石大兆信数字身份管理与物联网技术研究院，北京 100029

出版日期:2015-12-01 发布日期:2015-12-14

Numeral recognition and application of mobile for color-printed label

HE Yun1，2, LI Guohe1，2，3, LIN Renjie1，2, CHENG Yigong1，2, WU Weijiang1，2，3, HONG Yunfeng3

1.College of Geophysics and Information Engineering, China University of Petroleum, Beijing 102249, China
2.Beijing Key Lab of Data Mining for Petroleum Data, China University of Petroleum, Beijing 102249, China
3.PanPass Institute of Digital Identification Management and Internet of Things, Beijing 100029, China

Online:2015-12-01 Published:2015-12-14

摘要/Abstract

摘要： 针对Android手机拍摄标签数字码实时识别的需要，以及拍摄图像具有分辨率低、亮度不均匀、背景复杂等特点，由手机拍摄直接获得灰度图像后，通过数字区域投影定位，获取只包含数字的图像;采用二值化进行灰度图像到黑白图像的变换;通过投影及归一化处理进行数字码图像分割，并对每个数字码图像进行细化获取细化数字码;基于统计学抽取数字码的特征;建立数字码模式特征后，采用最近邻域判别函数进行数字码识别，取得了良好的识别效果。

关键词: 数字码, 标签, 手机, 图像处理, 数字识别

Abstract: For the need of real-time identification of numerical label code and the problems of low resolution, uneven brightness and complicated background of the grayscale images taken directly by Android mobile, the numerical images are obtained after the grayscale images are projected and then the numerical area is located. The grayscale images are transformed into the black-and-white images. The numerical images are split by using projection and normalization processing. And each numerical image is thinned to obtain the thinned numerical code. Then the features of each numerical code are extracted based on the statistical method. After each numerical code pattern is established, the numerical code is recognized by using the nearest-neighbor classification function which achieves very good results.

Key words: numerical code, label, mobile phone, image processing, numeral recognition

何云1，2，李国和1，2，3，林仁杰1，2，成一功1，2，吴卫江1，2，3，洪云峰3. 面向彩印标签的手机数码识别及应用[J]. 计算机工程与应用, 2015, 51(23): 164-168.

HE Yun1，2, LI Guohe1，2，3, LIN Renjie1，2, CHENG Yigong1，2, WU Weijiang1，2，3, HONG Yunfeng3. Numeral recognition and application of mobile for color-printed label[J]. Computer Engineering and Applications, 2015, 51(23): 164-168.

[1]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[2]	张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法[J]. 计算机工程与应用, 2021, 57(9): 89-95.
[3]	张韩钰，吴志昊，徐勇，陈斌. 增强卷积神经网络的人脸篡改检测方法[J]. 计算机工程与应用, 2021, 57(8): 220-224.
[4]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[5]	杨培伟，周余红，邢岗，田智强，许夏瑜. 卷积神经网络在生物医学图像上的应用进展[J]. 计算机工程与应用, 2021, 57(7): 44-58.
[6]	云旭，宋焕生，梁浩翔，侯景严，戴喆. 基于深度学习的关键岗位人员行为分析系统[J]. 计算机工程与应用, 2021, 57(6): 225-231.
[7]	吕浩，张盛兵，王佳，刘硕，景德胜. 卷积神经网络SIP微系统实现[J]. 计算机工程与应用, 2021, 57(5): 216-221.
[8]	倪明，钱思源，杨善林. 废旧智能手机回收再利用业务流程仿真与优化[J]. 计算机工程与应用, 2021, 57(5): 258-263.
[9]	吴迪，张梦甜，生龙，黄竹韵，顾明星. 改进在线词对主题模型的微博热点话题演化[J]. 计算机工程与应用, 2021, 57(24): 179-184.
[10]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.
[11]	张德，林青宇，郭茂祖. 单幅图像超分辨重建的深度学习方法综述[J]. 计算机工程与应用, 2021, 57(22): 28-41.
[12]	李祥霞，谢娴，李彬，尹华，许波，郑心炜. 生成对抗网络在医学图像处理中的应用[J]. 计算机工程与应用, 2021, 57(18): 24-37.
[13]	张述睿，张伯政，张福鑫，杨万春. 面向ICD疾病分类的深度学习方法研究[J]. 计算机工程与应用, 2021, 57(18): 172-180.
[14]	林本丰，王呈，孙悦程. 融合LSD算法与深度学习的开关状态检测方法[J]. 计算机工程与应用, 2021, 57(17): 181-189.
[15]	许洋洋，李伟，王杰. 利用事件和期限驱动对机器人延时的优化[J]. 计算机工程与应用, 2021, 57(17): 260-268.