CN107742120A - 银行卡卡号的识别方法及装置 - Google Patents
银行卡卡号的识别方法及装置 Download PDFInfo
- Publication number
- CN107742120A CN107742120A CN201710966829.0A CN201710966829A CN107742120A CN 107742120 A CN107742120 A CN 107742120A CN 201710966829 A CN201710966829 A CN 201710966829A CN 107742120 A CN107742120 A CN 107742120A
- Authority
- CN
- China
- Prior art keywords
- card number
- card
- subregion
- region
- bank
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于一种银行卡卡号的识别方法及装置。该方法包括:在当前图像中存在四边形以及银行卡组织标识,且所述四边形与所述银行卡组织标识的相对位置满足第一条件、相对大小满足第二条件的情况下,确定所述四边形围成的区域为银行卡区域,并从所述当前图像中截取所述银行卡区域;截取所述银行卡区域中的卡号区域;将所述卡号区域划分为多个卡号子区域;通过卷积神经网络提取各个卡号子区域的特征;将各个卡号子区域的特征输入分类器中,得到所述当前图像中的银行卡的卡号。本公开能够提高银行卡卡号识别的准确性。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及银行卡卡号的识别方法及装置。
背景技术
移动支付(Mobile Payment)是指允许用户使用其移动终端(通常是指手机)对所消费的商品或服务进行账务支付的一种方式。随着移动支付的普及,越来越多的用户在移动终端的支付应用中绑定银行卡。相关技术中,银行卡卡号的识别技术的识别准确性较低,导致用户常常需要手动校正识别的银行卡卡号。
发明内容
为克服相关技术中存在的问题,本公开提供一种银行卡卡号的识别方法及装置。
根据本公开实施例的第一方面,提供一种银行卡卡号的识别方法,包括:
在当前图像中存在四边形以及银行卡组织标识,且所述四边形与所述银行卡组织标识的相对位置满足第一条件、相对大小满足第二条件的情况下,确定所述四边形围成的区域为银行卡区域,并从所述当前图像中截取所述银行卡区域;
截取所述银行卡区域中的卡号区域;
将所述卡号区域划分为多个卡号子区域;
通过卷积神经网络提取各个卡号子区域的特征;
将各个卡号子区域的特征输入分类器中,得到所述当前图像中的银行卡的卡号。
在一种可能的实现方式中,在从所述当前图像中截取所述银行卡区域之后,在截取所述银行卡区域中的卡号区域之前,所述方法还包括:
将所述银行卡区域的形状校正为矩形。
在一种可能的实现方式中,将所述卡号区域划分为多个卡号子区域,包括:
计算所述卡号区域中各个像素的梯度值;
根据所述卡号区域中各个像素的梯度值,计算所述卡号区域中每一列像素的梯度值之和;
根据所述卡号区域中各列像素的梯度值之和,确定所述卡号区域中的空白区域;
根据所述卡号区域中的空白区域,将所述卡号区域划分为多个卡号子区域。
在一种可能的实现方式中,在将所述卡号区域划分为多个卡号子区域之后,在通过卷积神经网络提取各个卡号子区域的特征之前,所述方法还包括:
将各个卡号子区域调整为指定尺寸。
在一种可能的实现方式中,将各个卡号子区域的特征输入分类器中,得到所述当前图像中的银行卡的卡号,包括:
对于每个卡号子区域,将所述卡号子区域中的N个数字对应的特征向量分别输入N个分类器中,得到所述卡号子区域中的N个数字,其中,N表示所述卡号子区域中的数字的个数,N为大于1的整数;
根据各个卡号子区域在所述卡号区域中的位置,以及各个卡号子区域中的数字,得到所述当前图像中的银行卡的卡号。
根据本公开实施例的第二方面,提供一种银行卡卡号的识别装置,包括:
第一截取模块,用于在当前图像中存在四边形以及银行卡组织标识,且所述四边形与所述银行卡组织标识的相对位置满足第一条件、相对大小满足第二条件的情况下,确定所述四边形围成的区域为银行卡区域,并从所述当前图像中截取所述银行卡区域;
第二截取模块,用于截取所述银行卡区域中的卡号区域;
划分模块,用于将所述卡号区域划分为多个卡号子区域;
提取模块,用于通过卷积神经网络提取各个卡号子区域的特征;
识别模块,用于将各个卡号子区域的特征输入分类器中,得到所述当前图像中的银行卡的卡号。
在一种可能的实现方式中,所述装置还包括:
校正模块,用于将所述银行卡区域的形状校正为矩形
在一种可能的实现方式中,所述划分模块包括:
第一计算子模块,用于计算所述卡号区域中各个像素的梯度值;
第二计算子模块,用于根据所述卡号区域中各个像素的梯度值,计算所述卡号区域中每一列像素的梯度值之和;
第一确定子模块,用于根据所述卡号区域中各列像素的梯度值之和,确定所述卡号区域中的空白区域;
划分子模块,用于根据所述卡号区域中的空白区域,将所述卡号区域划分为多个卡号子区域。
在一种可能的实现方式中,所述装置还包括:
调整模块,用于将各个卡号子区域调整为指定尺寸。
在一种可能的实现方式中,所述识别模块包括:
识别子模块,用于对于每个卡号子区域,将所述卡号子区域中的N个数字对应的特征向量分别输入N个分类器中,得到所述卡号子区域中的N个数字,其中,N表示所述卡号子区域中的数字的个数,N为大于1的整数;
第二确定子模块,用于根据各个卡号子区域在所述卡号区域中的位置,以及各个卡号子区域中的数字,得到所述当前图像中的银行卡的卡号。
根据本公开实施例的第三方面,提供一种银行卡卡号的识别装置,其特征在于,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述方法。
根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由处理器执行时,使得处理器能够执行上述方法。
本公开的实施例提供的技术方案可以包括以下有益效果:通过在当前图像中存在四边形以及银行卡组织标识,且该四边形与银行卡组织标识的相对位置满足第一条件、相对大小满足第二条件的情况下,确定该四边形围成的区域为银行卡区域,并从当前图像中截取银行卡区域,截取银行卡区域中的卡号区域,将卡号区域划分为多个卡号子区域,通过卷积神经网络提取各个卡号子区域的特征,并将各个卡号子区域的特征输入分类器中,得到当前图像中的银行卡的卡号,由此能够提高银行卡卡号识别的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种银行卡卡号的识别方法的流程图。
图2是根据一示例性实施例示出的一种银行卡卡号的识别方法中卡号区域的示意图。
图3是根据一示例性实施例示出的一种银行卡卡号的识别方法中卡号子区域的示意图。
图4是根据一示例性实施例示出的一种银行卡卡号的识别方法的一示例性的流程图。
图5是根据一示例性实施例示出的一种银行卡卡号的识别方法中校正前的银行卡区域在当前图像中的示意图。
图6是根据一示例性实施例示出的一种银行卡卡号的识别方法中校正后的银行卡区域的示意图。
图7是根据一示例性实施例示出的一种银行卡卡号的识别方法步骤S13的一示例性的流程图。
图8是根据一示例性实施例示出的一种银行卡卡号的识别方法的一示例性的流程图。
图9是根据一示例性实施例示出的一种银行卡卡号的识别方法步骤S15的一示例性的流程图。
图10是根据一示例性实施例示出的一种银行卡卡号的识别装置的框图。
图11是根据一示例性实施例示出的一种银行卡卡号的识别装置的一示例性的框图。
图12是根据一示例性实施例示出的一种用于银行卡卡号的识别的装置800的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种银行卡卡号的识别方法的流程图。该方法可以应用于手机或者平板电脑等移动终端中,也可以应用于PC(Personal Computer,个人计算机)或者笔记本电脑等终端中,在此不作限定。如图1所示,该方法包括步骤S11至步骤S15。
在步骤S11中,在当前图像中存在四边形以及银行卡组织标识,且该四边形与银行卡组织标识的相对位置满足第一条件、相对大小满足第二条件的情况下,确定该四边形围成的区域为银行卡区域,并从当前图像中截取银行卡区域。
其中,银行卡组织标识可以为银联标识、Visa(维萨)标识或者MasterCard(万事达卡)标识等,在此不作限定。
在一种可能的实现方式中,可以采用基于AdaBoost的方法或者基于Faster CNN(Faster Convolutional Neural Networks,更快速的卷积神经网络)的方法等,检测当前图像中是否存在四边形以及银行卡组织标识,并可以检测出四边形在当前图像中的位置、四边形的大小、银行卡组织标识在当前图像中的位置以及银行卡组织标识的大小。
作为本实施例的一个示例,可以在第一距离与第一边长的比值在第一区间内时,确定四边形与银行卡组织标识的相对位置满足第一条件,其中,第一距离可以等于四边形的几何中心与银行卡组织标识的几何中心之间的距离,第一边长可以为四边形的长边。
尽管以该示例介绍了四边形与银行卡组织标识的相对位置满足第一条件的判断方式如上,但本领域技术人员能够理解,本公开应不限于此。本领域技术人员可以根据实际应用场景或者个人喜好灵活设置四边形与银行卡组织标识的相对位置满足第一条件的判断方式。
作为本实施例的一个示例,可以在四边形的面积与银行卡组织标识的面积的比值在第二区间内时,确定四边形与银行卡组织标识的相对大小满足第二条件。
尽管以该示例介绍了四边形与银行卡组织标识的相对大小满足第二条件的判断方式如上,但本领域技术人员能够理解,本公开应不限于此。本领域技术人员可以根据实际应用场景或者个人喜好灵活设置四边形与银行卡组织标识的相对大小满足第二条件的判断方式。
在一种可能的实现方式中,在当前图像中检测出银行组织标识与多个四边形的情况下,可以将第一距离与第一边长的比值最接近第一预设值的四边形作为银行卡区域,其中,第一距离可以等于四边形的几何中心与银行卡组织标识的几何中心之间的距离,第一边长可以为四边形的长边。
在另一种可能的实现方式中,在当前图像中检测出银行组织标识与多个四边形的情况下,可以将四边形的面积与银行卡组织标识的面积的比值最接近第二预设值的四边形作为银行卡区域。
在步骤S12中,截取银行卡区域中的卡号区域。
由于卡号在银行卡的固定区域,因此,根据预先存储的卡号区域与银行卡区域的位置关系,可以从银行卡区域中找到卡号区域,并可以从银行卡区域中截取卡号区域。
图2是根据一示例性实施例示出的一种银行卡卡号的识别方法中卡号区域的示意图。
在步骤S13中,将卡号区域划分为多个卡号子区域。
图3是根据一示例性实施例示出的一种银行卡卡号的识别方法中卡号子区域的示意图。如图3所示,可以将卡号区域划分为4个卡号子区域,每个卡号子区域中可以包括4个数字。
在步骤S14中,通过卷积神经网络提取各个卡号子区域的特征。
在本实施例中,可以通过卷积神经网络提取各个卡号子区域的特征,得到各个卡号子区域中的各个数字对应的特征向量。
在步骤S15中,将各个卡号子区域的特征输入分类器中,得到当前图像中的银行卡的卡号。
作为本实施例的一个示例,可以将各个卡号子区域的各个数字对应的特征向量输入分类器中,得到当前图像中的银行卡的卡号。
其中,分类器可以为Softmax分类器。
本实施例通过在当前图像中存在四边形以及银行卡组织标识,且该四边形与银行卡组织标识的相对位置满足第一条件、相对大小满足第二条件的情况下,确定该四边形围成的区域为银行卡区域,并从当前图像中截取银行卡区域,截取银行卡区域中的卡号区域,将卡号区域划分为多个卡号子区域,通过卷积神经网络提取各个卡号子区域的特征,并将各个卡号子区域的特征输入分类器中,得到当前图像中的银行卡的卡号,由此能够提高银行卡卡号识别的准确性。
图4是根据一示例性实施例示出的一种银行卡卡号的识别方法的一示例性的流程图。如图4所示,该方法可以包括步骤S11、步骤S16、步骤S12、步骤S13、步骤S14和步骤S15。
在步骤S11中,在当前图像中存在四边形以及银行卡组织标识,且该四边形与银行卡组织标识的相对位置满足第一条件、相对大小满足第二条件的情况下,确定该四边形围成的区域为银行卡区域,并从当前图像中截取银行卡区域。
在步骤S16中,将银行卡区域的形状校正为矩形。
由于拍摄角度的问题,当前图像中的银行卡区域往往不是标准的矩形,而存在着一定的透视变换,这会影响对卡号区域进行定位的准确度。因此,在该示例中,在截取银行卡区域中的卡号区域之前,将银行卡区域的形状校正为矩形,以准确定位银行卡区域中的卡号区域。
作为本实施例第一个示例,可以根据当前图像中的银行卡区域的四个顶点的位置,以及银行卡区域的四个顶点的目标位置,计算出单应变换矩阵,并可以根据该单应变换矩阵,将银行卡区域的形状校正为矩形。
在步骤S12中,截取银行卡区域中的卡号区域。
在步骤S13中,将卡号区域划分为多个卡号子区域。
在步骤S14中,通过卷积神经网络提取各个卡号子区域的特征。
在步骤S15中,将各个卡号子区域的特征输入分类器中,得到当前图像中的银行卡的卡号。
图5是根据一示例性实施例示出的一种银行卡卡号的识别方法中校正前的银行卡区域在当前图像中的示意图。如图5所示,在校正前,银行卡区域不为矩形。
图6是根据一示例性实施例示出的一种银行卡卡号的识别方法中校正后的银行卡区域的示意图。如图6所示,在校正后,得到矩形的银行卡区域。
图7是根据一示例性实施例示出的一种银行卡卡号的识别方法步骤S13的一示例性的流程图。如图7所示,步骤S13可以包括步骤S131至步骤S134。
在步骤S131中,计算卡号区域中各个像素的梯度值。
在步骤S132中,根据卡号区域中各个像素的梯度值,计算卡号区域中每一列像素的梯度值之和。
若卡号区域中的某一列像素为数字所在区域,则该列像素的梯度值之和较大;若卡号区域中的某一列像素不为数字所在区域,则该列像素的梯度值之和较小。
在步骤S133中,根据卡号区域中各列像素的梯度值之和,确定卡号区域中的空白区域。
例如,若相邻的K列像素的梯度值之和分别小于阈值,则可以确定将这K列像素所在区域确定为卡号区域中的空白区域,其中,K为大于1的整数。
在步骤S134中,根据卡号区域中的空白区域,将卡号区域划分为多个卡号子区域。
在该示例中,可以从空白区域进行切割,以将多个卡号子区域划分出来。
在一种可能的实现方式中,每个卡号子区域可以包括多个数字。
图8是根据一示例性实施例示出的一种银行卡卡号的识别方法的一示例性的流程图。如图8所示,该方法可以包括步骤S11、步骤S12、步骤S13、步骤S17、步骤S14和步骤S15。
在步骤S11中,在当前图像中存在四边形以及银行卡组织标识,且该四边形与银行卡组织标识的相对位置满足第一条件、相对大小满足第二条件的情况下,确定该四边形围成的区域为银行卡区域,并从当前图像中截取银行卡区域。
在步骤S12中,截取银行卡区域中的卡号区域。
在步骤S13中,将卡号区域划分为多个卡号子区域。
在步骤S17中,将各个卡号子区域调整为指定尺寸。
在该示例中,在通过卷积神经网络提取各个卡号子区域的特征之前,将各个卡号子区域调整为指定尺寸,以便于卷积神经网络提取各个卡号子区域的特征。
在步骤S14中,通过卷积神经网络提取各个卡号子区域的特征。
在步骤S15中,将各个卡号子区域的特征输入分类器中,得到当前图像中的银行卡的卡号。
图9是根据一示例性实施例示出的一种银行卡卡号的识别方法步骤S15的一示例性的流程图。如图9所示,步骤S15可以包括步骤S151和步骤S152。
在步骤S151中,对于每个卡号子区域,将该卡号子区域中的N个数字对应的特征向量分别输入N个分类器中,得到该卡号子区域中的N个数字,其中,N表示该卡号子区域中的数字的个数,N为大于1的整数。
在该示例中,通过N个分类器分别识别卡号子区域中的N个数字,由此无需对每个数据分别进行切分,从而有效提高了卡号识别的效率。
在步骤S152中,根据各个卡号子区域在卡号区域中的位置,以及各个卡号子区域中的数字,得到当前图像中的银行卡的卡号。
图10是根据一示例性实施例示出的一种银行卡卡号的识别装置的框图。参照图10,该装置包括第一截取模块101、第二截取模块102、划分模块103、提取模块104和识别模块105。
该第一截取模块101被配置为在当前图像中存在四边形以及银行卡组织标识,且该四边形与银行卡组织标识的相对位置满足第一条件、相对大小满足第二条件的情况下,确定该四边形围成的区域为银行卡区域,并从当前图像中截取银行卡区域。
该第二截取模块102被配置为截取银行卡区域中的卡号区域。
该划分模块103被配置为将卡号区域划分为多个卡号子区域。
该提取模块104被配置为通过卷积神经网络提取各个卡号子区域的特征。
该识别模块105被配置为将各个卡号子区域的特征输入分类器中,得到当前图像中的银行卡的卡号。
图11是根据一示例性实施例示出的一种银行卡卡号的识别装置的一示例性的框图。如图11所示:
在一种可能的实现方式中,该装置还包括校正模块106。
该校正模块106被配置为将银行卡区域的形状校正为矩形。
在一种可能的实现方式中,划分模块103包括第一计算子模块1031、第二计算子模块1032、第一确定子模块1033和划分子模块1034。
该第一计算子模块1031被配置为计算卡号区域中各个像素的梯度值。
该第二计算子模块1032被配置为根据卡号区域中各个像素的梯度值,计算卡号区域中每一列像素的梯度值之和。
该第一确定子模块1033被配置为根据卡号区域中各列像素的梯度值之和,确定卡号区域中的空白区域。
该划分子模块1034被配置为根据卡号区域中的空白区域,将卡号区域划分为多个卡号子区域。
在一种可能的实现方式中,该装置还包括调整模块107。
该调整模块107被配置为将各个卡号子区域调整为指定尺寸。
在一种可能的实现方式中,识别模块105包括识别子模块1051和第二确定子模块1052。
该识别子模块1051被配置为对于每个卡号子区域,将该卡号子区域中的N个数字对应的特征向量分别输入N个分类器中,得到该卡号子区域中的N个数字,其中,N表示该卡号子区域中的数字的个数,N为大于1的整数。
该第二确定子模块1052被配置为根据各个卡号子区域在卡号区域中的位置,以及各个卡号子区域中的数字,得到当前图像中的银行卡的卡号。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本实施例通过在当前图像中存在四边形以及银行卡组织标识,且该四边形与银行卡组织标识的相对位置满足第一条件、相对大小满足第二条件的情况下,确定该四边形围成的区域为银行卡区域,并从当前图像中截取银行卡区域,截取银行卡区域中的卡号区域,将卡号区域划分为多个卡号子区域,通过卷积神经网络提取各个卡号子区域的特征,并将各个卡号子区域的特征输入分类器中,得到当前图像中的银行卡的卡号,由此能够提高银行卡卡号识别的准确性。
图12是根据一示例性实施例示出的一种用于银行卡卡号的识别的装置800的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图12,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由装置800的处理器820执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种银行卡卡号的识别方法,其特征在于,包括:
在当前图像中存在四边形以及银行卡组织标识,且所述四边形与所述银行卡组织标识的相对位置满足第一条件、相对大小满足第二条件的情况下,确定所述四边形围成的区域为银行卡区域,并从所述当前图像中截取所述银行卡区域;
截取所述银行卡区域中的卡号区域;
将所述卡号区域划分为多个卡号子区域;
通过卷积神经网络提取各个卡号子区域的特征;
将各个卡号子区域的特征输入分类器中,得到所述当前图像中的银行卡的卡号。
2.根据权利要求1所述的方法,其特征在于,在从所述当前图像中截取所述银行卡区域之后,在截取所述银行卡区域中的卡号区域之前,所述方法还包括:
将所述银行卡区域的形状校正为矩形。
3.根据权利要求1所述的方法,其特征在于,将所述卡号区域划分为多个卡号子区域,包括:
计算所述卡号区域中各个像素的梯度值;
根据所述卡号区域中各个像素的梯度值,计算所述卡号区域中每一列像素的梯度值之和;
根据所述卡号区域中各列像素的梯度值之和,确定所述卡号区域中的空白区域;
根据所述卡号区域中的空白区域,将所述卡号区域划分为多个卡号子区域。
4.根据权利要求1所述的方法,其特征在于,在将所述卡号区域划分为多个卡号子区域之后,在通过卷积神经网络提取各个卡号子区域的特征之前,所述方法还包括:
将各个卡号子区域调整为指定尺寸。
5.根据权利要求1所述的方法,其特征在于,将各个卡号子区域的特征输入分类器中,得到所述当前图像中的银行卡的卡号,包括:
对于每个卡号子区域,将所述卡号子区域中的N个数字对应的特征向量分别输入N个分类器中,得到所述卡号子区域中的N个数字,其中,N表示所述卡号子区域中的数字的个数,N为大于1的整数;
根据各个卡号子区域在所述卡号区域中的位置,以及各个卡号子区域中的数字,得到所述当前图像中的银行卡的卡号。
6.一种银行卡卡号的识别装置,其特征在于,包括:
第一截取模块,用于在当前图像中存在四边形以及银行卡组织标识,且所述四边形与所述银行卡组织标识的相对位置满足第一条件、相对大小满足第二条件的情况下,确定所述四边形围成的区域为银行卡区域,并从所述当前图像中截取所述银行卡区域;
第二截取模块,用于截取所述银行卡区域中的卡号区域;
划分模块,用于将所述卡号区域划分为多个卡号子区域;
提取模块,用于通过卷积神经网络提取各个卡号子区域的特征;
识别模块,用于将各个卡号子区域的特征输入分类器中,得到所述当前图像中的银行卡的卡号。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
校正模块,用于将所述银行卡区域的形状校正为矩形。
8.根据权利要求6所述的装置,其特征在于,所述划分模块包括:
第一计算子模块,用于计算所述卡号区域中各个像素的梯度值;
第二计算子模块,用于根据所述卡号区域中各个像素的梯度值,计算所述卡号区域中每一列像素的梯度值之和;
第一确定子模块,用于根据所述卡号区域中各列像素的梯度值之和,确定所述卡号区域中的空白区域;
划分子模块,用于根据所述卡号区域中的空白区域,将所述卡号区域划分为多个卡号子区域。
9.根据权利要求6所述的装置,其特征在于,所述装置还包括:
调整模块,用于将各个卡号子区域调整为指定尺寸。
10.根据权利要求6所述的装置,其特征在于,所述识别模块包括:
识别子模块,用于对于每个卡号子区域,将所述卡号子区域中的N个数字对应的特征向量分别输入N个分类器中,得到所述卡号子区域中的N个数字,其中,N表示所述卡号子区域中的数字的个数,N为大于1的整数;
第二确定子模块,用于根据各个卡号子区域在所述卡号区域中的位置,以及各个卡号子区域中的数字,得到所述当前图像中的银行卡的卡号。
11.一种银行卡卡号的识别装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1至5中任意一项所述的方法。
12.一种非临时性计算机可读存储介质,当所述存储介质中的指令由处理器执行时,使得处理器能够执行权利要求1至5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710966829.0A CN107742120A (zh) | 2017-10-17 | 2017-10-17 | 银行卡卡号的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710966829.0A CN107742120A (zh) | 2017-10-17 | 2017-10-17 | 银行卡卡号的识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107742120A true CN107742120A (zh) | 2018-02-27 |
Family
ID=61237631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710966829.0A Pending CN107742120A (zh) | 2017-10-17 | 2017-10-17 | 银行卡卡号的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107742120A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764230A (zh) * | 2018-05-30 | 2018-11-06 | 上海建桥学院 | 一种基于卷积神经网络的银行卡号自动识别方法 |
CN109447059A (zh) * | 2018-09-21 | 2019-03-08 | 澳新银行营运服务(成都)有限公司 | 一种银行卡卡号识别方法及装置 |
CN109460767A (zh) * | 2018-10-23 | 2019-03-12 | 福州大学 | 基于规则的凸印银行卡卡号分割与识别方法 |
CN109685074A (zh) * | 2018-10-17 | 2019-04-26 | 福州大学 | 一种基于Scharr算子的银行卡卡号行定位方法 |
CN110147787A (zh) * | 2019-05-16 | 2019-08-20 | 深圳市信联征信有限公司 | 基于深度学习的银行卡号自动识别方法及系统 |
CN111027450A (zh) * | 2019-12-04 | 2020-04-17 | 深圳市新国都金服技术有限公司 | 银行卡信息识别方法、装置、计算机设备及存储介质 |
CN111199240A (zh) * | 2018-11-16 | 2020-05-26 | 马上消费金融股份有限公司 | 银行卡识别模型的训练方法、银行卡识别方法以及装置 |
CN111339846A (zh) * | 2020-02-12 | 2020-06-26 | 深圳市商汤科技有限公司 | 图像识别方法及装置、电子设备和存储介质 |
WO2020181834A1 (zh) * | 2019-03-14 | 2020-09-17 | 北京三快在线科技有限公司 | 识别卡号 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966107A (zh) * | 2015-07-10 | 2015-10-07 | 安徽清新互联信息科技有限公司 | 一种基于机器学习的信用卡卡号识别方法 |
-
2017
- 2017-10-17 CN CN201710966829.0A patent/CN107742120A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966107A (zh) * | 2015-07-10 | 2015-10-07 | 安徽清新互联信息科技有限公司 | 一种基于机器学习的信用卡卡号识别方法 |
Non-Patent Citations (2)
Title |
---|
水天一: "基于移动电话的信用卡卡号识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈威: "一种基于梯度投影的视频文本切分方法", 《中国科技论文在线》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764230A (zh) * | 2018-05-30 | 2018-11-06 | 上海建桥学院 | 一种基于卷积神经网络的银行卡号自动识别方法 |
CN109447059A (zh) * | 2018-09-21 | 2019-03-08 | 澳新银行营运服务(成都)有限公司 | 一种银行卡卡号识别方法及装置 |
CN109685074A (zh) * | 2018-10-17 | 2019-04-26 | 福州大学 | 一种基于Scharr算子的银行卡卡号行定位方法 |
CN109685074B (zh) * | 2018-10-17 | 2022-05-10 | 福州大学 | 一种基于Scharr算子的银行卡卡号行定位方法 |
CN109460767A (zh) * | 2018-10-23 | 2019-03-12 | 福州大学 | 基于规则的凸印银行卡卡号分割与识别方法 |
CN111199240A (zh) * | 2018-11-16 | 2020-05-26 | 马上消费金融股份有限公司 | 银行卡识别模型的训练方法、银行卡识别方法以及装置 |
WO2020181834A1 (zh) * | 2019-03-14 | 2020-09-17 | 北京三快在线科技有限公司 | 识别卡号 |
CN110147787A (zh) * | 2019-05-16 | 2019-08-20 | 深圳市信联征信有限公司 | 基于深度学习的银行卡号自动识别方法及系统 |
CN111027450A (zh) * | 2019-12-04 | 2020-04-17 | 深圳市新国都金服技术有限公司 | 银行卡信息识别方法、装置、计算机设备及存储介质 |
CN111339846A (zh) * | 2020-02-12 | 2020-06-26 | 深圳市商汤科技有限公司 | 图像识别方法及装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742120A (zh) | 银行卡卡号的识别方法及装置 | |
CN105069786B (zh) | 直线检测方法及装置 | |
CN104731688B (zh) | 提示阅读进度的方法及装置 | |
CN107832741A (zh) | 人脸特征点定位的方法、装置及计算机可读存储介质 | |
CN107688781A (zh) | 人脸识别方法及装置 | |
CN104182967B (zh) | 图像处理方法、装置及终端 | |
CN107563994A (zh) | 图像的显著性检测方法及装置 | |
CN104918107A (zh) | 视频文件的标识处理方法及装置 | |
CN104123720B (zh) | 图像重定位方法、装置及终端 | |
CN108062547A (zh) | 文字检测方法及装置 | |
CN107784279A (zh) | 目标跟踪方法及装置 | |
CN107729880A (zh) | 人脸检测方法及装置 | |
CN107832746A (zh) | 表情识别方法及装置 | |
CN107241495A (zh) | 终端设备的分屏处理方法和装置 | |
CN106598429A (zh) | 移动终端的窗口调整方法及装置 | |
CN111651216A (zh) | Nfc卡片的处理方法、装置及存储介质 | |
CN111666941A (zh) | 一种文本检测方法、装置及电子设备 | |
CN107247936A (zh) | 图像识别方法及装置 | |
CN108717542A (zh) | 识别文字区域的方法、装置及计算机可读存储介质 | |
CN112200040A (zh) | 遮挡图像检测方法、装置及介质 | |
CN107544802A (zh) | 设备识别方法及装置 | |
CN107330391A (zh) | 产品信息提示方法及装置 | |
CN104933700A (zh) | 一种进行图像内容识别的方法和装置 | |
CN105512658A (zh) | 矩形物体的图像识别方法及装置 | |
CN105678296A (zh) | 确定字符倾斜角度的方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180227 |
|
RJ01 | Rejection of invention patent application after publication |