CN107256384A - 一种基于图像与信号处理的卡片识别与计数方法 - Google Patents
一种基于图像与信号处理的卡片识别与计数方法 Download PDFInfo
- Publication number
- CN107256384A CN107256384A CN201710368472.6A CN201710368472A CN107256384A CN 107256384 A CN107256384 A CN 107256384A CN 201710368472 A CN201710368472 A CN 201710368472A CN 107256384 A CN107256384 A CN 107256384A
- Authority
- CN
- China
- Prior art keywords
- card
- signal
- image
- waveform
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06M—COUNTING MECHANISMS; COUNTING OF OBJECTS NOT OTHERWISE PROVIDED FOR
- G06M7/00—Counting of objects carried by a conveyor
- G06M7/08—Counting of objects carried by a conveyor wherein the direction of movement of the objects is changed at the station where they are sensed
- G06M7/10—Counting of flat overlapped articles, e.g. of cards
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于图像与信号处理的卡片识别与计数方法,采用了图像处理与目标识别技术、小波分析技术、深度卷积神经网络技术、信号相关检测技术和信号训练等复杂信号处理技术,实现对各种卡的准确识别与计数。本发明包含卡片识别与卡片计数两个模块。包括以下步骤:卡片识别模块首先利用摄像装置采集卡片图像,而后将图像输入到训练好的模型系统进行识别测试,最后将识别结果输出的到显示终端。卡片计数模块首先利用光栅扫描装置采集卡片的波形,然后对波形信号进行一系列处理,最后将计数结果也输出到显示终端。本发明克服了在大批量卡片需要清点的背景下传统的人工清点速度慢错误率高等缺点,实现了大批量卡片高效准确的识别与计数。
Description
技术领域
本发明涉及图像与信号处理、目标识别领域,尤其涉及一种基于图像与信号处理的卡片识别与计数方法。
背景技术
随着IC智能卡的发展,智能卡在人们的生活中已经越来越普遍和重要,如身份证、银行卡、交通卡和高速公路卡等使用IC智能卡给我们的生活带来了极大的便利和提高效率。卡片识别与计数是生产智能卡的企业必备的技术之一,但是传统的图像识别技术都特别依赖于人工设计的特征提取器,它们提取的特征是比较低级的特征,如尺度不变特征变换(SIFT)只能提取一些浅显的边缘特征,并且这些特征提取器耗时耗内存。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于图像与信号处理的卡片识别与计数方法。可实现大批量卡片高效准确的识别与计数,克服传统的人工清点速度慢错误率高等缺点。
为了解决上述技术问题,本发明实施例提供了一种基于图像与信号处理的卡片识别与计数方法,包括以下步骤:
1)使用摄像头和光栅扫描分别采集卡片图像及波形信号;
2)对采集的图像和波形进行预处理;
3)训练卷积神经网络模型;
4)将预处理的卡片图像和波形信号分别输入所述卷积神经网络模型与卡片计数模型。
进一步地,所述预处理包括以下步骤:
对卡片图像进行包括滤波去噪、倾斜矫正、边缘检测、类型标注的操作;对波形信号中两端向中间扫描,截去波形两端幅值较小的数据得到实际有效的数据。
更进一步地,所述训练卷积神经网络模型的步骤包括:
构建多个子神经网络,对卡片的初步特征进行提取,得到分类结果;再构建子网络评分层对先前构建的子网络进行评分,得出最终的分类结果;其中子网络评分层的函数公式如下:
其中x表示卡片图像,yi表示子网络输出矩阵,wi表示子网络输出矩阵的权重,n表示子网络的数目,max函数表示求解矩阵中最大值的位置,f表示子网络评分层函数。
更进一步地,所述输入片计数模型的步骤包括:对预处理好的卡片波形信号采取小波分析技术,形成第一信号;然后同样是对已经预处理的信号进行相关检测,以获得信号周期形成第二信号;最后合成信号计数单元,合成第一信号与第二信号并计数,从而获得卡片数量。
实施本发明实施例,具有如下有益效果:本发明克服了在大批量卡片需要清点的背景下传统的人工清点速度慢错误率高等缺点,实现了大批量卡片高效准确的识别与计数。
附图说明
图1是本发明的整体流程结构示意图;
图2是本发明卷积神经网络模型的结构示意图
图3是卡片波形原始数据波形;
图4是滤掉均值和两端无效数据后的有效数据波形;
图5是有效数据的自相关曲线的波形;
图6是有效数据的频谱的波形;
图7是滤掉高频及零频率处的频谱增强的波形;
图8是处理后的数据曲线的波形。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
参照图1所示的结构示意图。
本发明实施例的一种基于图像与信号处理的卡片识别与计数方法,包括以下步骤:
1)摄像头和光栅扫描以采集卡片图像及波形信号;
2)对卡片图像进行滤波去噪、倾斜矫正、边缘检测、类型标注等操作;对波形信号中两端向中间扫描,截去波形两端幅值较小的数据得到实际有效的数据。
3)构建多个子神经网络,对卡片的初步特征进行提取,得到分类结果;再构建评分层对先前构建的子网络进行评分,得出最终的分类结果;上述两个网络构成了卷积神经网络;其中子网络评分层的函数公式如下:
其中x表示卡片图像,yi表示子网络输出矩阵,wi表示子网络输出矩阵的权重,n表示子网络的数目,max函数表示求解矩阵中最大值的位置,f表示子网络评分层函数。
将卡片图像输入到卷积神经网络进行训练,其中采用梯度下降法来调节网络参数,当参数小于设定阈值10-6时,卷积神经网络训练完毕。将带识别的卡片图像输入到卷积神经网络,获得卡片的类型。
4)对预处理好的卡片波形信号采取小波分析技术,形成第一信号;然后同样是对已经预处理的信号进行相关检测,以获得信号周期形成第二信号;最后合成信号计数单元,合成第一信号与第二信号并计数,从而获得卡片数量。
训练卷积神经网络模型的步骤如下:
采集卡片图像数据集,分为训练集和测试集,并为所有卡片图像样本进行标注,来训练卷积神经网络模型。
将大小为256×256的卡片图像输入到卷积层Conv1,此卷积层有8个卷积核,其大小为3×3,移动步长为1个像素。输出8张大小为256×256的特征图。
将卷积层Conv1输出的8张特征图输入到池化层Pool1,池化块的选取max pooling操作,其大小为2×2,步长为2。输出为8张大小为128×128的特征图。
将池化层Pool1输出的特征图输入到卷积层Conv2,此卷积层有16个卷积核,其大小为3×3,移动步长为1个像素。输出16张大小为128×128的特征图。
将卷积层Conv2输出的特征图输入到池化层Pool2,池化快依旧选取max pooling操作,其大小为2×2,步长为2。输出为16张大小为64×64的特征图。
将池化层Pool2输出的特征图输入到卷积层Conv3,此卷积层有32个卷积核,其大小为3×3,移动步长为1个像素。输出32张大小为64×64的特征图。
将卷积层Conv3输出的特征图输入到池化层Pool3,池化快依旧选取max pooling操作,其大小为2×2,步长为2。输出为32张大小为32×32的特征图。
将池化层Pool3输出的32张特征图输入到全连接层再到Softmax分类层进行分类。
卡片波形处理步骤如下:
读入原始数据文件,得到原始数据如图3所示;
从数据两端向中间扫描,截去数据两端幅值较小的数据得到实际的有效数据,如图4所示。
由于卡片的厚度相同,有效数据具有很强的周期性,从而有效数据的自相关函数的波峰也有较强的周期性,如图5所示。求出自相关曲线的最高波峰和次高波峰之间的点距,这个点距就是有效数据的周期。
用FFT求出有效信号的频谱,如图6所示。由图6可以看出,由于有效数据有较强的相关性,其频谱在周期对应的频率及该频率的倍频处都有峰值出现,第一个峰值的位置可用根据有效数据的周期得出(由于频谱中的最大值的点不一定出现在Freq0处,有可能出现在Freq0的倍频处,所以通过用自相关曲线求周期来换算,可以一次性得出Freq0的位置)。
比Freq0更高的频率分量代表了图4中波形有效突起间的无效突起带来的干扰,同时波形的有效突起可能会因为波形畸变给计数带来干扰。为了解决这两个问题,将有效数据的频谱高于Freq0×factor1的频率分量置0,同时将Freq0处的频谱值增大将有效数据的周期性进一步增强以减少其它因素造成的干扰(可将Freq0处的频谱值增大factor2倍来实现)。经过第5)步处理后的有效数据的频谱如图7所示。
对处理后的频谱做IFFT并取实部分量得到处理后的数据,如图8所示,由图8可以看出原始有效数据经过频域的处理(实际上相当于低频滤波和频率点增强),数据变得非常光滑,周期性也很明显。处理后数据在原始有效数据波形较好的位置幅值较大,在原始有效数据波形较差的位置幅值较小。通过计算图8曲线的波峰个数就可以得出卡片的张数(图中为20张)。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (4)
1.一种基于图像与信号处理的卡片识别与计数方法,其特征在于,包括以下步骤:
1)使用摄像头和光栅扫描分别采集卡片图像及波形信号;
2)对采集的图像和波形进行预处理;
3)训练卷积神经网络模型;
4)将预处理的卡片图像和波形信号分别输入所述卷积神经网络模型与卡片计数模型。
2.根据权利要求1所述的基于图像与信号处理的卡片识别与计数方法,其特征在于,所述预处理包括以下步骤:
对卡片图像进行包括滤波去噪、倾斜矫正、边缘检测、类型标注的操作;对波形信号中两端向中间扫描,截去波形两端幅值较小的数据得到实际有效的数据。
3.根据权利要求2所述的基于图像与信号处理的卡片识别与计数方法,其特征在于,所述训练卷积神经网络模型的步骤包括:
构建多个子神经网络,对卡片的初步特征进行提取,得到分类结果;再构建子网络评分层对先前构建的子网络进行评分,得出最终的分类结果;其中子网络评分层的函数公式如下:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中x表示卡片图像,yi表示子网络输出矩阵,wi表示子网络输出矩阵的权重,n表示子网络的数目,max函数表示求解矩阵中最大值的位置,f表示子网络评分层函数。
4.根据权利要求3所述的基于图像与信号处理的卡片识别与计数方法,其特征在于,所述输入片计数模型的步骤包括:对预处理好的卡片波形信号采取小波分析技术,形成第一信号;然后同样是对已经预处理的信号进行相关检测,以获得信号周期形成第二信号;最后合成信号计数单元,合成第一信号与第二信号并计数,从而获得卡片数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710368472.6A CN107256384A (zh) | 2017-05-22 | 2017-05-22 | 一种基于图像与信号处理的卡片识别与计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710368472.6A CN107256384A (zh) | 2017-05-22 | 2017-05-22 | 一种基于图像与信号处理的卡片识别与计数方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107256384A true CN107256384A (zh) | 2017-10-17 |
Family
ID=60027969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710368472.6A Pending CN107256384A (zh) | 2017-05-22 | 2017-05-22 | 一种基于图像与信号处理的卡片识别与计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107256384A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446631A (zh) * | 2018-03-20 | 2018-08-24 | 北京邮电大学 | 基于卷积神经网络的深度学习的智能频谱图分析方法 |
CN110348559A (zh) * | 2019-07-15 | 2019-10-18 | 武汉铭远智通科技有限公司 | 一种可变增益信号采集及数字算法实现的手持数卡器 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1770180A (zh) * | 2004-11-04 | 2006-05-10 | 数据卡公司 | 用于计数叠置的产品的装置 |
CN101739600A (zh) * | 2009-12-10 | 2010-06-16 | 汕头大学 | 基于信号分析的卡自动计数系统及方法 |
CN103593642A (zh) * | 2012-08-16 | 2014-02-19 | 阿里巴巴集团控股有限公司 | 一种卡信息获取方法和系统 |
CN103984959A (zh) * | 2014-05-26 | 2014-08-13 | 中国科学院自动化研究所 | 一种基于数据与任务驱动的图像分类方法 |
CN104217203A (zh) * | 2013-06-03 | 2014-12-17 | 支付宝(中国)网络技术有限公司 | 复杂背景卡面信息识别方法及系统 |
CN105426917A (zh) * | 2015-11-23 | 2016-03-23 | 广州视源电子科技股份有限公司 | 一种元件分类方法及装置 |
CN106096607A (zh) * | 2016-06-12 | 2016-11-09 | 湘潭大学 | 一种车牌识别方法 |
-
2017
- 2017-05-22 CN CN201710368472.6A patent/CN107256384A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1770180A (zh) * | 2004-11-04 | 2006-05-10 | 数据卡公司 | 用于计数叠置的产品的装置 |
CN101739600A (zh) * | 2009-12-10 | 2010-06-16 | 汕头大学 | 基于信号分析的卡自动计数系统及方法 |
CN103593642A (zh) * | 2012-08-16 | 2014-02-19 | 阿里巴巴集团控股有限公司 | 一种卡信息获取方法和系统 |
CN104217203A (zh) * | 2013-06-03 | 2014-12-17 | 支付宝(中国)网络技术有限公司 | 复杂背景卡面信息识别方法及系统 |
CN103984959A (zh) * | 2014-05-26 | 2014-08-13 | 中国科学院自动化研究所 | 一种基于数据与任务驱动的图像分类方法 |
CN105426917A (zh) * | 2015-11-23 | 2016-03-23 | 广州视源电子科技股份有限公司 | 一种元件分类方法及装置 |
CN106096607A (zh) * | 2016-06-12 | 2016-11-09 | 湘潭大学 | 一种车牌识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446631A (zh) * | 2018-03-20 | 2018-08-24 | 北京邮电大学 | 基于卷积神经网络的深度学习的智能频谱图分析方法 |
CN110348559A (zh) * | 2019-07-15 | 2019-10-18 | 武汉铭远智通科技有限公司 | 一种可变增益信号采集及数字算法实现的手持数卡器 |
CN110348559B (zh) * | 2019-07-15 | 2023-06-23 | 武汉铭远智通科技有限公司 | 一种可变增益信号采集及数字算法实现的手持数卡器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062973B (zh) | 基于目标特征敏感性和深度学习的车辆跟踪方法 | |
CN107680077A (zh) | 一种基于多阶梯度特征的无参考图像质量评价方法 | |
CN105335716A (zh) | 一种基于改进udn提取联合特征的行人检测方法 | |
CN110245720B (zh) | 一种基于深度学习的柑橘病虫害智能诊断方法及系统 | |
CN108520212A (zh) | 基于改进的卷积神经网络的交通标志检测方法 | |
CN101763502A (zh) | 一种高效的敏感图像检测方法及其系统 | |
Liu et al. | Crop disease recognition based on modified light-weight CNN with attention mechanism | |
CN107679453A (zh) | 基于支持向量机的天气雷达电磁干扰回波识别方法 | |
CN108597003A (zh) | 一种文章封面生成方法、装置、处理服务器及存储介质 | |
CN111368825A (zh) | 一种基于语义分割的指针定位方法 | |
CN103093208A (zh) | 一种果蔬识别的方法及系统 | |
CN107392142A (zh) | 一种真伪人脸识别方法及其装置 | |
CN106991428A (zh) | 基于自适应池化模型的害虫图像识别方法 | |
CN109635637A (zh) | 一种车牌识别方法、装置和计算设备 | |
CN109903270A (zh) | 牲畜群体数目监测方法及装置 | |
CN110048978A (zh) | 一种信号调制识别方法 | |
CN106702870A (zh) | 一种道路裂缝检测系统 | |
CN107256384A (zh) | 一种基于图像与信号处理的卡片识别与计数方法 | |
CN113283331A (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
CN104156628A (zh) | 一种基于多核学习判别分析的舰船辐射信号识别方法 | |
CN114596274A (zh) | 基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法 | |
CN101964055B (zh) | 一种模仿视觉感知机制的自然场景类型辨识方法 | |
CN109472307A (zh) | 一种训练图像分类模型的方法和装置 | |
CN101436299A (zh) | 自然场景图像文字检测方法 | |
Sun et al. | Deep learning based pedestrian detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171017 |
|
WD01 | Invention patent application deemed withdrawn after publication |