CN107798325A - 卡片识别方法和设备、计算机存储介质 - Google Patents
卡片识别方法和设备、计算机存储介质 Download PDFInfo
- Publication number
- CN107798325A CN107798325A CN201710711914.2A CN201710711914A CN107798325A CN 107798325 A CN107798325 A CN 107798325A CN 201710711914 A CN201710711914 A CN 201710711914A CN 107798325 A CN107798325 A CN 107798325A
- Authority
- CN
- China
- Prior art keywords
- features
- color
- picture
- card
- feature
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 238000013519 translation Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 abstract description 3
- 230000005484 gravity Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种卡片识别方法，该方法包括：获得待识别的卡片的图片；对图片进行特征提取，以便获得该图片的纹理特征以及颜色特征；将纹理特征与颜色特征与模板库中的特征分别进行匹配；以及根据纹理特征和颜色特征的匹配结果，对该卡片进行识别。本发明还提供了一种卡片识别设备以及计算机存储介质。本发明的方案对透视、位移、缩放、旋转等变形具有一定的鲁棒性。
Description
技术领域
本发明涉及基于内容的模式识别，如图像识别领域。具体来说，本发明涉及一种卡片识别方案。
背景技术
随着科技、技术的快速发展，移动支付已经逐渐普及到生活的方方面面。同时，为满足个人和集体对个性化的需求，银行也推出了各式各样(包括丰富的卡面特征，以及各具特色的权益)的银行卡。为了实现移动支付与丰富的卡产品之间的有效连接，需要一种行之有效的基于卡面的卡产品识别技术。
但是当前的各种图像识别方法(如人脸识别中的特征脸、LBP等) 存在各种问题，不能直接适用到卡产品的识别中。主要原因是在卡产品识别中场景比较复杂，存在如形变、透视、光照影响等因素需要精细化比较纹理；同时也存在纹理相同，只能通过颜色判断区别的情况。
因此，需要一种改进的卡产品识别技术。
以上公开于本发明背景部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
鉴于此，本发明提供一种根据银行卡卡面图片进行卡产品识别的方案，该方案对透视、位移、缩放、旋转等变形以及光照变化具有一定的鲁棒性。
根据本发明的一个方面，提供了一种卡片识别方法，该方法包括：获得待识别的卡片的图片；对该图片进行特征提取，以便获得所述图片的纹理特征以及颜色特征；将所述纹理特征与所述颜色特征与模板库中的特征分别进行匹配；以及根据所述纹理特征和所述颜色特征的匹配结果，对所述卡片进行识别，其中，所述纹理特征对图片的平移、旋转、尺度缩放、亮度变化、遮挡和噪声具有良好的不变性，所述颜色特征包括一个或多个色域特征值。
优选地，该识别方法还包括：在进行匹配之前，将所述图片的纹理特征进行预降维。预降维的方法包括，但不限于，主成分分析(PCA)、线性判别(LDA)、奇异值分解(svd)以及因子分析(FA)。
优选地，该识别方法还包括：获得待识别的卡片的卡号；以及根据所述卡号确定所述模板库。
优选地，在上述识别方法中，通过移动终端获取待识别的卡片的照片。
优选地，在上述识别方法中，使用与所述模板库对应的投影算子来将所述图片的纹理特征进行PCA降维。
优选地，在上述识别方法中，将所述纹理特征与所述颜色特征与模板库中的特征分别进行匹配包括：在所述模板库中利用匹配算法找出与所述纹理特征匹配的第一特征集合；以及根据所述第一特征集合在所述图片中的位置，筛选出所述第一特征满足位置限定的匹配特征，并记录其数量N。
优选地，在上述识别方法中，所述颜色特征包括四种色域特征值，即全局色域中心、局部最大色域中心、最多色域值以及全局色域方差，其中，
所述全局色域中心由如下公式进行定义：
其中，所述x表示色域值，取值范围为[0,256)，f(x)表示对应颜色的统计量；
所述局部最大色域中心由如下公式进行定义：
其中，φ表示权重函数，
所述最多色域值由如下公式进行定义：
以及所述全局色域方差由如下公式进行定义：
其中，即为所述全局色域中心Cglobal。
优选地，在上述识别方法中，对应颜色的统计量f(x)满足如下周期性关系式：f(x+256)＝f(x)。
优选地，在上述识别方法中，所述纹理特征为sift特征。
优选地，在上述识别方法中，所述纹理特征为surf特征或orb特征。
优选地，在上述识别方法中，将所述纹理特征与所述颜色特征与模板库中的特征分别进行匹配还包括根据下面的公式进行颜色相似度Sc判断：
其中，下标1指代待识别的卡片的图片，下标2指代模板库，B1 为色域值带宽，B2为色域方差带宽。
优选地，在上述识别方法中，所述B1等于20，所述B2等于800。
优选地，在上述识别方法中，所述匹配结果通过下式来表示：
其中，N表示所述模板库中匹配的纹理特征的数量，Nmax表示所述模板库中匹配的纹理特征的最大数量，η表示颜色相似度在所述匹配结果中的权重。
根据本发明的另一个方面，提供了一种卡片识别设备，该设备包括：获取单元，用于获得待识别的卡片的图片；特征提取单元，用于对所述图片进行特征提取，以便获得所述图片的纹理特征以及颜色特征；匹配单元，用于将所述纹理特征与所述颜色特征与模板库中的特征分别进行匹配；以及识别单元，用于根据所述纹理特征和所述颜色特征的匹配结果，对所述卡片进行识别，其中，所述纹理特征对图片的平移、旋转、尺度缩放、亮度变化、遮挡和噪声具有良好的不变性，所述颜色特征包括一个或多个色域特征值。
根据本发明的又一个方面，提供了一种计算机存储介质，所述存储介质包括一个或多个指令，所述一个或多个指令在运行时使计算机执行下列步骤：获得待识别的卡片的图片；对所述图片进行特征提取，以便获得所述图片的纹理特征以及颜色特征；将所述纹理特征与所述颜色特征与模板库中的特征分别进行匹配；以及根据所述纹理特征和所述颜色特征的匹配结果，对所述卡片进行识别，其中，所述纹理特征对图片的平移、旋转、尺度缩放、亮度变化、遮挡和噪声具有良好的不变性，所述颜色特征包括一个或多个色域特征值。
与现有技术相比，本发明所提出的方案提供了一种更为准确、行之有效的卡产品识别技术。通过纳入本文的附图以及随后与附图一起用于说明本发明的某些原理的具体实施方式，本发明的方法和装置所具有的其它特征和优点将更为具体地变得清楚或得以阐明。
附图说明
图1是表示本发明的一个实施例的卡片识别方法的流程图；
图2是表示本发明的一个实施例的卡片识别设备的结构示意图；
图3是表示本发明的一个实施例的银行卡识别的示意流程图；
图4示意示出了本发明的一个实施例的银行卡图片的颜色信息的直方图；以及
图5示意示出了模板库中的照片与通过手机拍照获得的银行卡照片。
具体实施方式
以下说明描述了本发明的特定实施方式以教导本领域技术人员如何制造和使用本发明的最佳模式。为了教导发明原理，已简化或省略了一些常规方面。本领域技术人员应该理解源自这些实施方式的变型将落在本发明的范围内。本领域技术人员应该理解下述特征能够以各种方式接合以形成本发明的多个变型。由此，本发明并不局限于下述特定实施方式，而仅由权利要求和它们的等同物限定。
在下文中，为了方便描述，仅仅针对银行卡的识别进行介绍。但本领域技术人员理解，该识别技术也同等适用于其他卡产品，包括但不限于，交通卡、电话卡以及购物卡等。
图1是表示本发明的一个实施例的卡片识别方法1000的流程图。
在步骤110中，获得待识别的卡片的图片；
在步骤120中，对该图片进行特征提取，以便获得所述图片的纹理特征以及颜色特征；
在步骤130中，将所述纹理特征与所述颜色特征与模板库中的特征分别进行匹配；
在步骤140中，根据所述纹理特征和所述颜色特征的匹配结果，对所述卡片进行识别，其中，所述纹理特征对图片的平移、旋转、尺度缩放、亮度变化、遮挡和噪声具有良好的不变性，所述颜色特征包括一个或多个色域特征值。接收来自用户的指令。
参考图2，图2是表示本发明的一个实施例的卡片识别设备2000 的结构示意图。
如图2所示，卡片识别设备2000可包括获取单元210、特征提取单元220、匹配单元230以及识别单元240。在卡片设备2000中，获取单元210用于获得待识别的卡片的图片。特征提取单元220用于对所述图片进行特征提取，以便获得所述图片的纹理特征以及颜色特征。匹配单元230用于将所述纹理特征与所述颜色特征与模板库中的特征分别进行匹配。识别单元240用于根据所述纹理特征和所述颜色特征的匹配结果，对所述卡片进行识别，其中，所述纹理特征对图片的平移、旋转、尺度缩放、亮度变化、遮挡和噪声具有良好的不变性，所述颜色特征包括一个或多个色域特征值。
在图1和图2所描述的卡片识别方案中，由于选用的纹理特征对图片的平移、旋转、尺度缩放、亮度变化、遮挡和噪声具有良好的不变性，因此本发明的卡片识别方案对各种图片的变形具有一定的鲁棒性。另外，本发明采用了包括一个或多个色域特征值的颜色特征提取和匹配的技术手段，提高了卡片识别的准确率。
以下结合图3来描述根据本发明的一个实施例的银行卡识别的示意流程图。
银行卡产品识别的原理是，比较待检测银行卡图片与现有模板库中图片的相似度，以相似度最高的模板图片对应的卡产品作为结果返回。整个流程包括模板库加载阶段和识别阶段，如图3所示。为了提高准确率，我们采用特征提取的方式获得图片的纹理特征和颜色特征。
特征提取
1.纹理特征提取
首先，考虑到照片获得的图片大都带有不同程度的旋转、透视变形，所以为了保证获得的特征对这些变形具有一定的鲁棒性，我们选择使用sift特征作为我们的纹理特征。sift特征是图像的局部特征，对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性，对视觉变化、仿射变换也保持一定程度的稳定性。
在一个实施例中，sift特征也可以替换为surf特征或orb特征。
在一个实施例中，sift特征计算借用opencv的detectAndCompute 方法。在计算所得的结果中，我们主要关注的为128维的sift特征以及特征所在的位置。
2.颜色特征提取
某一部分纹理相同的银行卡选择使用颜色来区分等级，比如用蓝色色调表示普卡，金色色调表示特殊卡(例如vip卡)。对于这一类银行卡，在纹理的区别度上将大打折扣，故需要采取颜色区分的方式以实现精确识别。在一个实施例中，采用的颜色特征包括四种：全局色域重心，局部最大色域重心，最多色域值，全局色域方差。
在一个实施例中，求出银行卡卡片信息的颜色直方图，这个直方图可以类比为一个一维的密度不均匀分布的杆，再利用重心的概念即可求出几个特征。一维物体的重心计算公式为：
其中x表示杆的坐标，ρ(x)表示杆的密度是位置的函数， M＝∫ρ(x)dx表示杆的总质量。
在一个实施例中，将RGB表示的图片转换到HSV空间，并对H 通道进行直方图计算。则一副银行卡图片的颜色信息可以用直方图表示，如图4所示，其中横坐标x表示色域值，取值范围为[0,256)。柱高度表示对应颜色的统计量(数量)。可见的是，该直方图与密度不均匀的一维杆十分相似。在本发明的上下文中，设计出了下面四种色域特征值。
(1)全局色域重心
全局色域重心与普通重心概念相同，此处的计算公式为：
由于统计直方图一般采用离散值，积分转化为求和。
(2)局部最大色域重心
全局色域重心在图片包含两个主色调，并且两个主色调距离较远时将出现较大偏差。此时采用局部最大色域重心，局部色域最大重心的求解方法为：
其中φ表示核函数(权重函数)。由于此处求得坐标为满足最大值的坐标，故与重心计算稍有差别，不需要归一化。
(3)最多色域值
最多色域值表示出现次数最多的颜色值，计算公式为：
(4)全局色域方差
当颜色方差都相近时，色域值的分散程度即全局色域方差将能起到比较好的区分效果，计算公式为：
其中即为所述全局色域中心Cglobal。
另外，在计算Cglobal、Clocal、Cmost时需要将x的周期性f(x+256)＝f(x) 一并加入考虑，否则在C接近0或者256时可能出现偏差。
模板库加载阶段
模板库加载阶段如图3的模板库加载部分所示，主要包括特征提取与PCA降维两部分。由于识别的原理是通过与模板库中的图片比较相似度，取相似度最高的图片作为结果，所以减小模板库的大小有利于加快识别速度，同时也可以提高识别的准确度。
1.特征提取：以银行为单位，对模板库图片按照第一部分特征提取所描述的方式提取特征，提取的特征包括纹理特征、颜色特征。
2.PCA降维：纹理特征的数据维度较高，例如sift特征的维度为 128维，这个特点使得匹配时计算量过多，影响计算速度，故此处采用 PCA降维的方法将128维的纹理特征降维至32维。PCA降维是以当前银行的所有模板图片特征为基础的，在降维完成以后需要把降维投影算子保存，以供识别阶段使用，如图3中“投影算子”处所示。
经过以上两步处理后的模板库特征保存在内存中，以供识别阶段调取和比较。
识别阶段
识别阶段流程如图3中识别阶段部分所示，其中包括特征提取、降维、相似度计算三部分。
1.为了保证识别的准确率，在本发明的一个实施例中，以银行为单位存储模板库。这样，在识别阶段也需要以银行为索引找到指定的模板库进行比较。通过手机端获取待识别银行卡的卡号及银行卡照片，依据卡号识别银行卡所属银行，并将银行卡照片作为待识别的银行卡照片。通过手机拍照获取的银行卡照片如图5b所示,其对应的模板库照片如图5a所示。
2.根据特征提取部分所述方法提取待识别银行卡卡面特征，使用对应银行的投影算子对纹理进行降维，得到降维后的银行卡图片纹理特征及颜色特征。
3.计算待检测图片与模板库图片中相似度
(1)纹理特征的相似度。首先使用opencv中的knnMatch算法找出模板库中图片与待检测图片的相似特征，并判断特征是否为匹配度较高的特征。其次，虽然从手机摄像头获取的照片具有一定的透视、位移、缩放形变，但图片特征的位置排列次序应该满足相同并且差别不大的位置次序。通过匹配点位置筛选匹配点的阈值定义为：
th＝min(width,height)/3
其中width表示图片宽度，height表示图片高度。当匹配特征点距离小于th时，保留匹配点，否则删除匹配点。
将满足以上两点的纹理特征选为模板库与待检测图片相匹配的纹理特征，并记录其数量，选出包含匹配纹理数量最多的N张银行卡图片进入下一步检测。
(2)颜色相似度。在纹理相似度的基础上，对图片根据颜色相似度进行判断，颜色相似度的定义为：
其中下标1表示待检测图片，2表示模板库图片。B1表示色域值带宽，B2表示色域方差带宽。在一个实施例中，B1＝20，B2＝800。本领域技术人员容易明白，可根据实际情况，将B1和B2设置为不同的值。
(3)综合相似度。通过结合纹理匹配特征及颜色相似度，即可得到最终的相似度：
其中，N表示所述模板库中匹配的纹理特征的数量，Nmax表示所述模板库中匹配的纹理特征的最大数量，η表示颜色相似度在所述匹配结果中的权重。在一个实施例中，η取值为0.2。本领域技术人员容易明白，可根据实际情况，将η设置为不同的值。
在得到最终相似度后，相似度最高的图片对应的卡产品即为待识别的银行卡对应的卡产品。
以下示出了使用三种不同的特征获得的匹配效果，如下表所示：
| 特征 | 正确率 |
| 纹理特征 | 81％ |
| 纹理特征+特征位置关系 | 86％ |
| 纹理特征+特征位置关系+颜色特征 | 92％ |
综上所述，根据本发明的一个或多个实施例，本发明的技术方案提出了对纹理特征匹配中使用位置关系定义其为正确匹配的方法。另外，根据本发明的一个或多个实施例，本发明的技术方案提出了在纹理匹配之前使用PCA方法对纹理特征进行降维以提高匹配速度。再者，根据本发明的一个或多个实施例，本发明的技术方案提出了多种颜色重心的计算方法。此外，根据本发明的一个或多个实施例，本发明的技术方案提出了针对颜色重心的相似度计算方法。最后，根据本发明的一个或多个实施例，本发明的技术方案提出了融合纹理相似度与颜色相似度并返回结果，从而进一步改进匹配的准确率。
以上例子主要说明了本发明的卡片识别方法和设备、计算机存储介质。尽管只对其中一些本发明的具体实施方式进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此，所展示的例子与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。
Claims (16)
1.一种卡片识别方法，其特征在于，所述方法包括：
获得待识别的卡片的图片；
对所述图片进行特征提取，以便获得所述图片的纹理特征以及颜色特征；
将所述纹理特征与所述颜色特征与模板库中的特征分别进行匹配；以及
根据所述纹理特征和所述颜色特征的匹配结果，对所述卡片进行识别，
其中，所述纹理特征对图片的平移、旋转、尺度缩放、亮度变化、遮挡和噪声具有良好的不变性，所述颜色特征包括一个或多个色域特征值。
2.如权利要求1所述的识别方法，还包括：
在进行匹配之前，将所述图片的纹理特征进行预降维。
3.如权利要求1所述的识别方法，还包括：
获得待识别的卡片的卡号；以及
根据所述卡号确定所述模板库。
4.如权利要求1所述的识别方法，其中，通过移动终端获取待识别的卡片的照片。
5.如权利要求3所述的识别方法，其中，使用与所述模板库对应的投影算子来将所述图片的纹理特征进行降维。
6.如权利要求1所述的识别方法，其中，将所述纹理特征与所述颜色特征与模板库中的特征分别进行匹配包括：
在所述模板库中利用匹配算法找出与所述纹理特征匹配的第一特征集合；以及
根据所述第一特征集合在所述图片中的位置，筛选出所述第一特征集合中的满足位置限定的匹配特征，并记录其数量N。
7.如权利要求1所述的识别方法，其中，所述颜色特征包括四种色域特征值，即全局色域中心、局部最大色域中心、最多色域值以及全局色域方差，其中，
所述全局色域中心由如下公式进行定义：
其中，所述x表示色域值，取值范围为[0,256)，f(x)表示对应颜色的统计量；
所述局部最大色域中心由如下公式进行定义：
其中，φ表示权重函数，
所述最多色域值由如下公式进行定义：
以及所述全局色域方差由如下公式进行定义：
其中，即为所述全局色域中心Cglobal。
8.如权利要求7所述的识别方法，其中，对应颜色的统计量f(x)满足如下周期性关系式：
f(x+256)＝f(x)。
9.如权利要求1所述的识别方法，其中，所述纹理特征为sift特征。
10.如权利要求1所述的识别方法，其中，所述纹理特征为surf特征或orb特征。
11.如权利要求7或8所述的识别方法，其中，将所述纹理特征与所述颜色特征与模板库中的特征分别进行匹配还包括：
根据下面的公式进行颜色相似度Sc判断：
其中，下标1指代待识别的卡片的图片，下标2指代模板库，B1为色域值带宽，B2为色域方差带宽。
12.如权利要求11所述的识别方法，其中，所述B1等于20，所述B2等于800。
13.如权利要求11所述的识别方法，其中，所述匹配结果通过下式来表示：
其中，N表示所述模板库中匹配的纹理特征的数量，Nmax表示所述模板库中匹配的纹理特征的最大数量，η表示颜色相似度在所述匹配结果中的权重。
14.如权利要求2所述的识别方法，其中，所述预降维通过以下所列的任一种方法来进行：主成分分析(PCA)、线性判别(LDA)、奇异值分解(svd)以及因子分析(FA)。
15.一种卡片识别设备，其特征在于，所述设备包括：
获取单元，用于获得待识别的卡片的图片；
特征提取单元，用于对所述图片进行特征提取，以便获得所述图片的纹理特征以及颜色特征；
匹配单元，用于将所述纹理特征与所述颜色特征与模板库中的特征分别进行匹配；以及
识别单元，用于根据所述纹理特征和所述颜色特征的匹配结果，对所述卡片进行识别，
其中，所述纹理特征对图片的平移、旋转、尺度缩放、亮度变化、遮挡和噪声具有良好的不变性，所述颜色特征包括一个或多个色域特征值。
16.一种计算机存储介质，所述存储介质包括一个或多个指令，所述一个或多个指令在运行时使计算机执行下列步骤：
获得待识别的卡片的图片；
对所述图片进行特征提取，以便获得所述图片的纹理特征以及颜色特征；
将所述纹理特征与所述颜色特征与模板库中的特征分别进行匹配；以及
根据所述纹理特征和所述颜色特征的匹配结果，对所述卡片进行识别，其中，所述纹理特征对图片的平移、旋转、尺度缩放、亮度变化、遮挡和噪声具有良好的不变性，所述颜色特征包括一个或多个色域特征值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710711914.2A CN107798325B (zh) | 2017-08-18 | 2017-08-18 | 卡片识别方法和设备、计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710711914.2A CN107798325B (zh) | 2017-08-18 | 2017-08-18 | 卡片识别方法和设备、计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107798325A true CN107798325A (zh) | 2018-03-13 |
| CN107798325B CN107798325B (zh) | 2021-04-16 |
Family
ID=61531617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710711914.2A Active CN107798325B (zh) | 2017-08-18 | 2017-08-18 | 卡片识别方法和设备、计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107798325B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111415243A (zh) * | 2020-03-24 | 2020-07-14 | 支付宝(杭州)信息技术有限公司 | 辅助国际银行卡审核的方法及其装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1685365A (zh) * | 2002-11-20 | 2005-10-19 | 富士通株式会社 | 图像检索程序 |
| US20090048842A1 (en) * | 2007-04-30 | 2009-02-19 | K-Nfb Reading Technology, Inc. | Generalized Object Recognition for Portable Reading Machine |
| CN101807257A (zh) * | 2010-05-12 | 2010-08-18 | 上海交通大学 | 图像标签信息识别方法 |
| CN103440652A (zh) * | 2013-08-27 | 2013-12-11 | 电子科技大学 | 一种基于一二阶合并的目标检测区域特征描述方法 |
| 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 |
| 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 |
| CN105095900A (zh) * | 2014-05-04 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 一种提取标准卡片中特定信息的方法和装置 |
| CN105426462A (zh) * | 2015-11-13 | 2016-03-23 | 深圳码隆科技有限公司 | 一种基于图像元素的图像搜索方法和装置 |
| CN106408533A (zh) * | 2016-09-12 | 2017-02-15 | 大连海事大学 | 一种卡片图像提取方法及系统 |
-
2017
- 2017-08-18 CN CN201710711914.2A patent/CN107798325B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1685365A (zh) * | 2002-11-20 | 2005-10-19 | 富士通株式会社 | 图像检索程序 |
| US20090048842A1 (en) * | 2007-04-30 | 2009-02-19 | K-Nfb Reading Technology, Inc. | Generalized Object Recognition for Portable Reading Machine |
| CN101807257A (zh) * | 2010-05-12 | 2010-08-18 | 上海交通大学 | 图像标签信息识别方法 |
| 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 |
| CN103440652A (zh) * | 2013-08-27 | 2013-12-11 | 电子科技大学 | 一种基于一二阶合并的目标检测区域特征描述方法 |
| CN105095900A (zh) * | 2014-05-04 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 一种提取标准卡片中特定信息的方法和装置 |
| 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 |
| CN105426462A (zh) * | 2015-11-13 | 2016-03-23 | 深圳码隆科技有限公司 | 一种基于图像元素的图像搜索方法和装置 |
| CN106408533A (zh) * | 2016-09-12 | 2017-02-15 | 大连海事大学 | 一种卡片图像提取方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111415243A (zh) * | 2020-03-24 | 2020-07-14 | 支付宝(杭州)信息技术有限公司 | 辅助国际银行卡审核的方法及其装置 |
| WO2021190018A1 (zh) * | 2020-03-24 | 2021-09-30 | 支付宝(杭州)信息技术有限公司 | 辅助国际银行卡审核的方法及其装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107798325B (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bianco et al. | Single and multiple illuminant estimation using convolutional neural networks | |
| Shivakumara et al. | Multioriented video scene text detection through Bayesian classification and boundary growing | |
| Wong et al. | Saliency-enhanced image aesthetics class prediction | |
| Faraji et al. | Face recognition under varying illuminations using logarithmic fractal dimension-based complete eight local directional patterns | |
| US20190362193A1 (en) | Eyeglass positioning method, apparatus and storage medium | |
| CN111191655B (zh) | 对象识别方法和装置 | |
| CN107967482A (zh) | 图标识别方法及装置 | |
| Takayama et al. | Face detection and face recognition of cartoon characters using feature extraction | |
| CN110427972B (zh) | 证件视频特征提取方法、装置、计算机设备和存储介质 | |
| US20120308141A1 (en) | Information processing apparatus and method of processing information, storage medium and program | |
| Zhou et al. | Digital image modification detection using color information and its histograms | |
| US10134149B2 (en) | Image processing | |
| Liu et al. | Local histogram specification for face recognition under varying lighting conditions | |
| Kiani Galoogahi et al. | Face photo retrieval by sketch example | |
| CN110991389A (zh) | 判断目标行人在非重叠相机视角中出现的匹配方法 | |
| Potje et al. | Extracting deformation-aware local features by learning to deform | |
| Alavi et al. | Multi-shot person re-identification via relational stein divergence | |
| CN108491883B (zh) | 一种基于条件随机场的显著性检测优化方法 | |
| CN107798325B (zh) | 卡片识别方法和设备、计算机存储介质 | |
| CN112070116B (zh) | 一种基于支持向量机的艺术画作自动分类系统及方法 | |
| CN112132054A (zh) | 一种基于深度学习的文档定位和分割方法 | |
| CN116415210A (zh) | 图像侵权检测方法、装置及存储介质 | |
| Henderson et al. | Robust feature matching in long-running poor-quality videos | |
| Chen et al. | Illumination-invariant video cut-out using octagon sensitive optimization | |
| Lin et al. | New face detection method based on multi-scale histograms |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |