隨著信息化社會的快速發(fā)展,民眾在提升自身素質(zhì)的同時對知識的渴求也與日俱增,圖書館便成為人們尋求知識的優(yōu)先選擇。圖書館中書籍?dāng)?shù)量及閱覽人流量的增加,圖書館普遍采用開架閱覽方式前提下,使用后書籍錯序擺放是常見現(xiàn)象。將錯序圖書進(jìn)行重新擺放成為圖書館日常必須面對的難題。傳統(tǒng)的圖書整理靠人工完成,耗時、浪費人力、易出錯的缺點顯而易見。隨著機器視覺技術(shù)的發(fā)展和應(yīng)用普及,智能技術(shù)的廣泛應(yīng)用及軟硬件性能的不斷提升,使基于機器視覺的錯序圖書自動識別和整理成為可能,本文研究目的是設(shè)計并實現(xiàn)基于機器視覺智能圖書識別檢測系統(tǒng),以提高錯序圖書整理的自動化程度。本文圍繞機器視覺在錯序圖書識別中的關(guān)鍵問題展開研究,針對圖書邊緣為直線的先驗條件,采用邊緣算子結(jié)合直線檢測算法對圖書圖像進(jìn)行書脊提取,基于Faster-RCNN的目標(biāo)檢測算法,對索書號區(qū)域進(jìn)行定位提取,以達(dá)到提高索書號提取準(zhǔn)確率的目的。并對提取得到的索書號區(qū)域中的字符分割技術(shù)進(jìn)行研究,為了提高系統(tǒng)對字符分割的準(zhǔn)確率,采用基于連通域分割算法對索書號進(jìn)行分割。再將分割后的字符進(jìn)行基于卷積神經(jīng)網(wǎng)絡(luò)的字符識別操作,識別出的索書號信息與系統(tǒng)數(shù)據(jù)庫中預(yù)存圖書順序信息進(jìn)... 

【文章來源】：沈陽工業(yè)大學(xué)遼寧省

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

智能圖書識別檢測系統(tǒng)工作流程

第2章相關(guān)理論與技術(shù)7圖2.1Sobel算子矩陣模板Fig.2.1Sobeloperatormatrixtemplate2.2.2Canny算子邊緣檢測Canny算子廣泛應(yīng)用于各種視覺環(huán)境中的邊緣檢測并具有定位準(zhǔn)確、錯誤率低、單邊響應(yīng)等優(yōu)點。兼具實現(xiàn)過程簡單和全部符合檢測標(biāo)準(zhǔn)的優(yōu)勢，是邊緣檢測中廣泛使用的算法之一。Canny邊緣檢測效果的準(zhǔn)則包括信噪比準(zhǔn)則、定位精度準(zhǔn)則和單邊緣響應(yīng)準(zhǔn)則3個。（1）信噪比準(zhǔn)則。信噪比為圖像邊緣響應(yīng)函數(shù)與噪聲響應(yīng)平方根之商，其值越高代表提取的邊緣效果越好，表達(dá)式為：（2.2）式中，n0為高斯噪聲的均方根；f(x)為范圍大小為[]的濾波器脈沖響應(yīng)；G（-x）為邊緣函數(shù)。（2）定位精度準(zhǔn)則。已定位的邊緣要與真實邊緣相近，即將被標(biāo)記為邊緣的點與真實邊緣的中心點距離控制為最校Localization越大則定位精度越高，表達(dá)式為:（2.3）（3）單邊緣響應(yīng)準(zhǔn)則。單一邊緣點有且僅有一個，表達(dá)式為：21"")()()(2=++dxxfdxxffD（2.4）2.2.3Laplace算子邊緣檢測拉普拉斯算子是最簡單的各向同性微分算子之一，具有旋轉(zhuǎn)不變性。在拉普拉斯算子檢測時，圖像的噪聲會產(chǎn)生很強的響應(yīng)，可導(dǎo)致圖像邊緣檢測錯誤現(xiàn)象發(fā)生。因此，使用拉普拉斯算子檢測時有必要對圖像去噪處理。++=dxxfndxxfxGSNR)()()(2-0--+，dxxfndxxfxGL)()()(nocalizatio2"0""++=

沈陽工業(yè)大學(xué)碩士學(xué)位論文8拉普拉斯算子是常用的二階導(dǎo)數(shù)算子。平滑過的階躍邊緣二階導(dǎo)數(shù)是一個在邊緣點處過零的函數(shù)。函數(shù)f（x,y）的拉普拉斯算子公式為：（2.5）以點為中心的近似式為：（2.6）（2.7）將（2.6）和（2.7）兩式合并為一個算子，用近似的拉普拉斯算子模板表示：（2.8）圖2.2不同邊緣檢測算子處理后的效果圖Fig.2.2EffectofdifferentedgedetectionoperatorsSobel邊緣算子抗噪性好，計算量小，噪聲低的圖像邊緣有較好的邊緣檢測檢測效果，混合度高且噪聲多的圖像邊緣定位精度不夠高效果不理想。Laplace邊緣算子對邊緣敏感，可能有些是噪聲的邊緣，也被計算到邊緣范圍。圖像邊緣檢測過程，使得噪聲部分得到加強，易丟失邊緣信息，邊緣檢測結(jié)果較容易出現(xiàn)不連續(xù)性。22222yfxff+=ji),()1,(),(2)1,(22++=jifjifjifxf),1(),(2),1(22jifjifjifyf++==0101410102

【參考文獻(xiàn)】：
期刊論文
[1]基于Faster-RCNN的車牌檢測[J]. 艾曼.  計算機與數(shù)字工程. 2020(01)
[2]基于Faster RCNN的車牌檢測算法[J]. 秦麗娟,趙宇輝.  電子世界. 2019(24)
[3]物聯(lián)網(wǎng)技術(shù)在智慧圖書館中的應(yīng)用研究[J]. 郭曉柯.  無線互聯(lián)科技. 2019(22)
[4]基于Faster RCNN的交通目標(biāo)檢測方法[J]. 張琦,丁新濤,王萬軍,周文.  皖西學(xué)院學(xué)報. 2019(05)
[5]基于混合神經(jīng)網(wǎng)絡(luò)的車牌字符識別技術(shù)[J]. 張長青,楊楠.  電子科技. 2019(09)
[6]卷積神經(jīng)網(wǎng)絡(luò)在手寫字符識別中的應(yīng)用[J]. 丁蒙,戴曙光,于恒.  軟件導(dǎo)刊. 2020(01)
[7]卷積神經(jīng)網(wǎng)絡(luò)在車牌字符識別中的應(yīng)用[J]. 童朝娣.  電子技術(shù)與軟件工程. 2019(01)
[8]基于深度卷積網(wǎng)絡(luò)的目標(biāo)檢測綜述[J]. 吳帥,徐勇,趙東寧.  模式識別與人工智能. 2018(04)
[9]基于SSD卷積網(wǎng)絡(luò)的視頻目標(biāo)檢測研究[J]. 楊潔,陳明志,吳智秦,陳靈娜,林穎.  南華大學(xué)學(xué)報(自然科學(xué)版). 2018(01)
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的自然背景字符識別[J]. 郁松,彭志文.  計算機應(yīng)用與軟件. 2017(12)

博士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的場景文本定位及多方向字符識別研究[D]. 朱安娜.華中科技大學(xué) 2016

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的手寫字符識別[D]. 王松.長安大學(xué) 2019
[2]自然場景下的車牌檢測與識別算法研究[D]. 牛博雅.北京交通大學(xué) 2015
[3]基于OCR視頻字符識別技術(shù)研究與實現(xiàn)[D]. 黃遙.北京交通大學(xué) 2014
[4]直線提取算法研究[D]. 王旭.國防科學(xué)技術(shù)大學(xué) 2013
[5]復(fù)雜背景下的快速車牌識別技術(shù)研究[D]. 查志強.南京理工大學(xué) 2013
[6]層次聚類算法的研究及應(yīng)用[D]. 段明秀.中南大學(xué) 2009



本文編號：3307023