CN108764230A - 一种基于卷积神经网络的银行卡号自动识别方法 - Google Patents
一种基于卷积神经网络的银行卡号自动识别方法 Download PDFInfo
- Publication number
- CN108764230A CN108764230A CN201810542091.XA CN201810542091A CN108764230A CN 108764230 A CN108764230 A CN 108764230A CN 201810542091 A CN201810542091 A CN 201810542091A CN 108764230 A CN108764230 A CN 108764230A
- Authority
- CN
- China
- Prior art keywords
- card number
- image
- convolutional neural
- neural networks
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明涉及一种基于卷积神经网络的银行卡号自动识别方法,包括:步骤S1:获取银行卡的图像;步骤S2:对图像进行预处理;步骤S3:在处理后的图像中对卡号进行定位,并提取卡号的子图像;步骤S4:根据字符信息对子图像切分;步骤S5:采用训练好的卷积神经网络分类器识别得到各切分部分的字符内容。与现有技术相比,本发明依次经过预处理、卡号定位、字符切分后,用训练好的卷积神经网络分类器识别具体字符内容,大大提高定位精度。
Description
技术领域
本发明涉及一种图像识别技术,尤其是涉及一种基于卷积神经网络的银行卡号自动识别方法。
背景技术
传统的字符识别技术多使用模板匹配法,其中模板就是若干副已知的小图像,而模板匹配就是在一副大图像中搜寻目标,已知该图中有要找的目标,且该目标同模板有相同的尺寸、方向和图像元素,将目标与模板逐一匹配,通过一定的算法可以在图中找到目标,或取匹配效果最佳的视为目标,确定其坐标位置,并得出识别结论。缺点在于任何干扰对准确度都有影响,原图像中的匹配目标不得存在旋转、改变大小、或花纹干扰,所以传统的模板匹配法精度低,不适用于众多彩色、立体、多字体的银行卡号。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于卷积神经网络的银行卡号自动识别方法。
本发明的目的可以通过以下技术方案来实现:
一种基于卷积神经网络的银行卡号自动识别方法,包括:
步骤S1:获取银行卡的图像;
步骤S2:对所述图像进行预处理;
步骤S3:在处理后的图像中对卡号进行定位,并提取卡号的子图像;
步骤S4:根据字符信息对所述子图像切分;
步骤S5:采用训练好的卷积神经网络分类器识别得到各切分部分的字符内容。
所述步骤S2具体包括步骤:
步骤S21:对所述图像进行灰度处理;
步骤S22:对灰度处理后的图像进行二值化处理;
步骤S23:对灰度处理后的图像进行去噪处理。
所述步骤S3具体包括:
步骤S31:对预处理后的图像,检测其边缘,得到卡面部分;
步骤S32:对卡面部分进行膨胀处理;
步骤S33:对膨胀处理的卡面部分,提取轮廓后归一化处理得到并提取卡号的子图像。
所述步骤S4具体包括:
步骤S41:对子图像进行背景检测;得到字符信息;
步骤S42:根据背景检测设定字符块区域大小,并对子图像进行切分。
所述卷积神经网络分类器的训练和识别过程包括:
步骤S51:对样本图像进行预处理;
步骤S52:将样本图像进行分类;
步骤S53:采用训练好的分类器识别得到各切分部分的字符内容。
步骤S54:根据识别结果和该样本图像的实际卡号进行纠正。
所述步骤S41具体包括:
步骤S411:将子图像由RGB转为YUV模型;
步骤S412:根据YUV模型的模型分量提取背景信息,并剔除。
与现有技术相比,本发明具有以下有益效果:
1)依次经过预处理、卡号定位、字符切分后,用训练好的卷积神经网络分类器识别具体字符内容,大大提高定位精度。
2)基于卷积神经网络的银行卡号识别技术可应用于立体或平面卡号,亦不限定卡号格式或背景,识别迅速准确高效,加强移动互联网金融便捷性的体验。
3)对于银行卡号的定位,使用多个结果梯度拟合的方法,得到最终结果,大大提高定位精度;
4)对于立体银行卡号的背景检测,使用图像RGB模型转换YUV模型的方法,提取背景元素,再剔除背景元素,解决了光线干扰、数字粘连、无法准确分割的问题。
5)对于数字字符的切分,精确设定检测区块尺寸,和较小的检测步长,由CNN分类器识别字符结果,判断结果质量,剔除干扰项,得到高精度结果。
6)使用基于搜索引擎的网络爬虫算法,获取众多目标图片,增加训练集,并扩大训练集的特征范围,提高分类器的准确性和鲁棒性。
附图说明
图1为本发明方法的主要步骤流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种基于卷积神经网络的银行卡号自动识别方法,如图1所示,包括:
步骤S1:获取银行卡的图像;
步骤S2:对图像进行预处理,采用灰度化、二值化、去噪声等算法对图像进行预处理,优化图像质量,简化图像元素,提高运算效率,具体包括步骤:
步骤S21:对图像进行灰度处理,具体可以采用对每一个像素点计算其灰度值来实现灰度处理;
步骤S22:对灰度处理后的图像进行二值化处理,即将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果的过程;
步骤S23:对灰度处理后的图像进行去噪处理,图像去噪是指减少数字图像中噪声的过程,现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响,称为含噪图像或噪声图像,去噪过程可以采用均值滤波器、自适应维纳滤波器、中值滤波器、形态学噪声滤除器、小波去噪等。
步骤S3:在处理后的图像中对卡号进行定位,并提取卡号的子图像,具体包括:
步骤S31:对预处理后的图像,检测其边缘,得到卡面部分,边缘检测识别明显交界处,本实施例中采用Canny算法检测边缘;
步骤S32:对卡面部分进行膨胀处理,可以放大内容部分;
步骤S33:对膨胀处理的卡面部分,提取轮廓后归一化处理得到标准格式的卡号子图像,并提取卡号的子图像。
步骤S4:根据字符信息对子图像切分,具体包括:
步骤S41:对子图像进行背景检测;得到字符信息,具体包括:
步骤S411:将子图像由RGB转为YUV模型;
步骤S412:根据YUV模型的模型分量提取背景信息,并剔除。
步骤S42:根据背景检测设定字符块区域大小,并对子图像进行切分。
再精确设定字符区块尺寸,和较小的识别步长,由CNN分类器识别字符结果,判断结果质量,剔除干扰项,得到高精度结果;另一方面,优化训练集,并训练CNN模型进行数字字符识别。
步骤S5:采用训练好的卷积神经网络分类器识别得到各切分部分的字符内容,其中,卷积神经网络分类器的训练和识别过程包括:
步骤S51:对样本图像进行预处理;
步骤S52:将样本图像进行分类;
步骤S53:采用训练好的分类器识别得到各切分部分的字符内容。
步骤S54:根据识别结果和该样本图像的实际卡号进行纠正。
Claims (6)
1.一种基于卷积神经网络的银行卡号自动识别方法,其特征在于,包括:
步骤S1:获取银行卡的图像;
步骤S2:对所述图像进行预处理;
步骤S3:在处理后的图像中对卡号进行定位,并提取卡号的子图像;
步骤S4:根据字符信息对所述子图像切分;
步骤S5:采用训练好的卷积神经网络分类器识别得到各切分部分的字符内容。
2.根据权利要求1所述的一种基于卷积神经网络的银行卡号自动识别方法,其特征在于,所述步骤S2具体包括步骤:
步骤S21:对所述图像进行灰度处理;
步骤S22:对灰度处理后的图像进行二值化处理;
步骤S23:对灰度处理后的图像进行去噪处理。
3.根据权利要求1所述的一种基于卷积神经网络的银行卡号自动识别方法,其特征在于,所述步骤S3具体包括:
步骤S31:对预处理后的图像,检测其边缘,得到卡面部分;
步骤S32:对卡面部分进行膨胀处理;
步骤S33:对膨胀处理的卡面部分,提取轮廓后归一化处理得到并提取卡号的子图像。
4.根据权利要求1所述的一种基于卷积神经网络的银行卡号自动识别方法,其特征在于,所述步骤S4具体包括:
步骤S41:对子图像进行背景检测;得到字符信息;
步骤S42:根据背景检测设定字符块区域大小,并对子图像进行切分。
5.根据权利要求1所述的一种基于卷积神经网络的银行卡号自动识别方法,其特征在于,所述卷积神经网络分类器的训练和识别过程包括:
步骤S51:对样本图像进行预处理;
步骤S52:将样本图像进行分类;
步骤S53:采用训练好的分类器识别得到各切分部分的字符内容。
步骤S54:根据识别结果和该样本图像的实际卡号进行纠正。
6.根据权利要求4所述的一种基于卷积神经网络的银行卡号自动识别方法,其特征在于,所述步骤S41具体包括:
步骤S411:将子图像由RGB转为YUV模型;
步骤S412:根据YUV模型的模型分量提取背景信息,并剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810542091.XA CN108764230A (zh) | 2018-05-30 | 2018-05-30 | 一种基于卷积神经网络的银行卡号自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810542091.XA CN108764230A (zh) | 2018-05-30 | 2018-05-30 | 一种基于卷积神经网络的银行卡号自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764230A true CN108764230A (zh) | 2018-11-06 |
Family
ID=64004369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810542091.XA Pending CN108764230A (zh) | 2018-05-30 | 2018-05-30 | 一种基于卷积神经网络的银行卡号自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764230A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447080A (zh) * | 2018-11-12 | 2019-03-08 | 北京奇艺世纪科技有限公司 | 一种字符识别方法及装置 |
CN110610174A (zh) * | 2019-07-16 | 2019-12-24 | 北京工业大学 | 复杂条件下银行卡号识别方法 |
WO2020181834A1 (zh) * | 2019-03-14 | 2020-09-17 | 北京三快在线科技有限公司 | 识别卡号 |
CN113657530A (zh) * | 2021-08-24 | 2021-11-16 | 凌云光技术股份有限公司 | 一种采用检测及分类模型对多目标大图像进行处理的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20150347860A1 (en) * | 2014-05-30 | 2015-12-03 | Apple Inc. | Systems And Methods For Character Sequence Recognition With No Explicit Segmentation |
CN106203415A (zh) * | 2016-06-30 | 2016-12-07 | 三峡大学 | 一种基于数字图像处理的银行卡号自动识别装置 |
CN107657251A (zh) * | 2016-07-26 | 2018-02-02 | 阿里巴巴集团控股有限公司 | 确定身份证件显示表面的设备及方法,图像识别方法 |
CN107742120A (zh) * | 2017-10-17 | 2018-02-27 | 北京小米移动软件有限公司 | 银行卡卡号的识别方法及装置 |
-
2018
- 2018-05-30 CN CN201810542091.XA patent/CN108764230A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20150347860A1 (en) * | 2014-05-30 | 2015-12-03 | Apple Inc. | Systems And Methods For Character Sequence Recognition With No Explicit Segmentation |
CN106203415A (zh) * | 2016-06-30 | 2016-12-07 | 三峡大学 | 一种基于数字图像处理的银行卡号自动识别装置 |
CN107657251A (zh) * | 2016-07-26 | 2018-02-02 | 阿里巴巴集团控股有限公司 | 确定身份证件显示表面的设备及方法,图像识别方法 |
CN107742120A (zh) * | 2017-10-17 | 2018-02-27 | 北京小米移动软件有限公司 | 银行卡卡号的识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
涂亚飞: "银行卡号字符的分割与识别算法研究", 《国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447080A (zh) * | 2018-11-12 | 2019-03-08 | 北京奇艺世纪科技有限公司 | 一种字符识别方法及装置 |
CN109447080B (zh) * | 2018-11-12 | 2020-04-17 | 北京奇艺世纪科技有限公司 | 一种字符识别方法及装置 |
WO2020181834A1 (zh) * | 2019-03-14 | 2020-09-17 | 北京三快在线科技有限公司 | 识别卡号 |
CN110610174A (zh) * | 2019-07-16 | 2019-12-24 | 北京工业大学 | 复杂条件下银行卡号识别方法 |
CN113657530A (zh) * | 2021-08-24 | 2021-11-16 | 凌云光技术股份有限公司 | 一种采用检测及分类模型对多目标大图像进行处理的方法及装置 |
CN113657530B (zh) * | 2021-08-24 | 2024-04-05 | 凌云光技术股份有限公司 | 一种采用检测及分类模型对多目标大图像进行处理的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764230A (zh) | 一种基于卷积神经网络的银行卡号自动识别方法 | |
CN103824091B (zh) | 一种用于智能交通系统的车牌识别方法 | |
CA2369285A1 (en) | Automatic image pattern detection | |
CN104143185A (zh) | 一种污点区域检测方法 | |
CN114359998B (zh) | 一种人脸口罩佩戴状态下的识别方法 | |
CN109426814A (zh) | 一种发票图片特定板块的定位、识别方法、系统、设备 | |
CN105718552A (zh) | 基于服装手绘草图的服装图像检索方法 | |
CN116071763B (zh) | 基于文字识别的教辅图书智能校编系统 | |
CN104517101A (zh) | 一种基于像素平方差匹配的游戏扑克牌识别方法 | |
Jaberi et al. | Improving the detection and localization of duplicated regions in copy-move image forgery | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN111460884A (zh) | 基于人体跟踪的多人脸识别方法 | |
CN106504225A (zh) | 一种规则多边形的识别方法和装置 | |
CN110119724A (zh) | 一种指静脉识别方法 | |
CN114359538A (zh) | 一种水表读数定位与识别方法 | |
CN110569764B (zh) | 一种基于卷积神经网络的手机型号识别方法 | |
CN108257153A (zh) | 一种基于方向梯度统计特征的目标跟踪方法 | |
CN116563306A (zh) | 自适应火灾痕迹光谱图像分割方法及系统 | |
CN107220612B (zh) | 以关键点局部邻域的高频分析为核心的模糊人脸判别方法 | |
CN114926635B (zh) | 与深度学习方法相结合的多焦图像中目标分割方法 | |
JP2018013887A (ja) | 特徴選択装置、タグ関連領域抽出装置、方法、及びプログラム | |
CN111274858A (zh) | 网络交易监管中营业执照识别方法 | |
CN112733670B (zh) | 指纹特征提取方法、装置、电子设备及存储介质 | |
CN108960243A (zh) | 车牌定位方法 | |
WO2017219562A1 (zh) | 一种二维码生成方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |