CN109145723A

CN109145723A - 一种印章识别方法、系统、终端装置及存储介质

Info

Publication number: CN109145723A
Application number: CN201810745909.8A
Authority: CN
Inventors: 盛冠群; 裔飞; 谢凯; 郑祖兵
Original assignee: Yangtze University
Current assignee: Yangtze University
Priority date: 2018-07-09
Filing date: 2018-07-09
Publication date: 2019-01-04

Abstract

本发明公开了一种印章识别方法、终端装置及存储介质，用于识别印章。本发明提供的方法包括：收集印章图像，对所述印章图像进行小波变换后，获得所述印章图像的数据集；通过卷积神经网络对所述数据集训练；训练后的卷积神经网络匹配待识别印章图像。本发明通过卷积神经网络识别印章不仅可以提高识别速度，而且基于小波变换的印章图像能够提升识别精度，保障准确率。

Description

一种印章识别方法、系统、终端装置及存储介质

技术领域

本发明涉及人工智能领域，尤其涉及一种印章识别方法、系统、终端装置及存储介质。

背景技术

随着计算机技术的快速发展，计算机的智能化程度也越来越高。基于计算机的人工神经网络已被广泛应用到计算机视觉、语言及翻译等众多领域。计算机通过深度学习可以自动识别图像，而印章作为一种独特标志，人类的视觉有时难以区别伪造印章，这时就可以借助计算机分析区别。

目前，基于神经网络的图像识别，大多通过提取图像特征，进行训练。用于训练及识别的图像大多只经过简单去噪及边缘提取，这种处理方式对于较为清晰的图像可以识别，但对于像印章这种有时印迹较淡，或边缘特征不明显的图像，现有的识别方法识别精度较低，难以满足对印章识别的准确度的要求。

发明内容

本发明实施例提供了一种印章识别方法、系统、终端装置及存储介质，能够解决现有印章识别方法精准度不高的问题。

结合本发明实施例第一方面，提供了一种印章识别方法，包括：

收集印章图像，对所述印章图像进行小波变换后，获得所述印章图像的数据集；

通过卷积神经网络对所述数据集训练；

训练后的卷积神经网络匹配待识别印章图像。

结合本发明实施例第二方面，提供了一种印章识别系统，包括：

收集模块：用于收集印章图像，对所述印章图像进行小波变换后，获得所述印章图像的数据集；

训练模块：用于通过卷积神经网络对所述数据集训练；

匹配模块：用于训练后的卷积神经网络匹配待识别印章图像。

结合本发明实施例第三方面，提供了一种终端装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请第一方面所述方法的步骤。

结合本发明实施例第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本申请第一方面所述方法的步骤。

本发明实施例中，通过对收集的图像进行小波变换处理，再对卷积神经网络训练，通过训练后的卷积神经网络识别印章图像，通过卷积神经网络识别印章不仅可以提高识别速度，而且基于小波变换的印章图像能够提升识别精度，保障准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的印章识别方法的流程示意图；

图2为本发明实施例二提供的印章识别方法的实现流程图；

图3为本发明实施例三提供的印章识别系统的结构示意图；

图4为本发明实施例四提供的终端装置的结构示意图。

具体实施方式

本发明实施例提供了一种印章识别方法、系统、终端装置及存储介质，用于提升印章识别精度。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例一：

请参阅图1，本发明实施例提供的印章识别方法的实现流程图，包括以下步骤：

S101、收集印章图像，对所述印章图像进行小波变换后，获得所述印章图像的数据集；

所述印章图像为通过扫描、拍照等方法将纸面印章转化为以像素点表示的图像，也可以是直接得到的电子文件上的印章图像。所述小波变换是一个时间和频域变换能有效从信号中提取特征信息的方法，基于小波变换的图像去噪能够更为准确的提取到图像特征。

所述数据集为用于训练卷积神经网络的图像集合，该数据集中，图像经过去噪、去背景、二值化及边缘提取等处理，其中，所述去噪过程通过小波变换进行去噪。

S102、通过卷积神经网络对所述数据集训练；

所述卷积神经网络为一种深度前馈人工神经网络，基于卷积神经网络卷积层及子采样层，能够简化识别模型的参数，同时可实现权值共享。

所述卷积神经网络中通过Relu激活函数增加神经网络各层的非线性关系，降低运算代价。同时，利用Adam优化算法，加快识别模型的收敛，减少损失率。

S103、训练后的卷积神经网络匹配待识别印章图像。

训练后的卷积神经网络会保存训练集中印章图像的特征数据，通过对待识别印章图像进行特征提取后，与数据库中已有印章数据比对，识别是否为合法印章。

可选的，对待识别印章包括：采集待识别印章图像，并对所述待识别印章图像进行小波变换。待识别印章和训练的印章图像都会经过小波变换增强图像特征值，优选的，通过高阶统计量方法增强所述待识别印章图像特征。基于高阶统计量方法能够消除高斯噪声和有色噪声的影响，增强图像特征。

可选的，对通过所述训练后的卷积神经网络未匹配到的所述待识别印章图像，将所述待识别印章图加入到所述数据集中。当待识别图像未匹配到已识别的印章图像，则当前印章可能为伪造印章或新印章，根据数据集中印章图像与待识别印章的相似度，确定是否为伪造印章，若不是伪造印章，则将所述待识别印章加入数据集，进行特征提取并存入数据库。

上述对采集的印章及待识别印章图像进行小波变换，增强图像特征，特征提取的精确，进而能够保障识别的准确性。

实施例二：

在图1的基础上，图2示出了印章识别的具体实现流程，详述如下：

在步骤S21中，收集的印章图像经过小波变换去噪处理后，形成印章数据集，S2101中采集得到原始的印章图像，原始的印章图像应尽量保证图像清晰、各特征明显，如轮廓清晰、印章颜色鲜艳或图像对比度较高。原始印章图像除S2102小波变换外，还需要其它预处理过程，如去背景、二值化等。

在S22中，进行卷积神经网络训练(CNN)具体包括：对图像中各像素单元编号(x_i,j)，并对图像中的像素权重编号(y_m,n)，及元素编号(a_i,j),根据如下公式计算：

其中，f为激活函数(即Relu函数作为激活函数)。

对于待识别印章图像，由于印章图像的效果不可控，如印章不清晰或颜色较淡，需要对待识别的图像进行处理，通过S2302中的小波变换及高级统计方法增强图像特征，保障图像可识别特征更为明显。

根据待识别印章的特征与经过卷积神经网络提取的特征匹配，识别待识别印章，当相似度达到某一特定阈值，则识别所述待识别印章信息。若相似度在一特定阈值范围，无法匹配到对应的印章，则可判定为伪造，若相似度较低，则可识别为新印章。

对收集的印章及待识别印章分别处理，不仅能够加快训练速度，而且保障了神经网络识别的精度。

实施例三：

上面主要描述了一种印章识别系统，下面将对一种印章识别系统进行详细描述。

图3示出了本发明实施例提供的印章识别系统的结构示意图。

训练模块：用于通过卷积神经网络对所述数据集训练；

识别模块：用于训练后的卷积神经网络匹配待识别印章图像。

可选的，所述匹配模块包括：

小波变换单元：用于采集待识别印章图像，并对所述待识别印章图像进行小波变换。

可选的，所述匹配模块还包括：

增强特征单元：用于通过高阶统计量方法增强所述待识别印章图像特征。

可选的，还包括：

添加模块：用于对通过所述训练后的卷积神经网络未匹配到的所述待识别印章图像，将所述待识别印章图加入到所述数据集中。

实施例四：

图4是本发明一实施例提供的印章识别终端装置结构的示意图。所述终端设备，为具备触摸屏的移动计算机设备，包括但不限于智能手机、智能手表、笔记本、平板电脑、POS机甚至包括车载电脑。如图4所示，该实施例的终端装置4包括：存储器410、处理器420以及系统总线430，所述存储器410包括存储其上的可运行的程序4101，本领域技术人员可以理解，图4中示出的终端装置结构并不构成对终端装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图4对终端装置的各个构成部件进行具体的介绍：

存储器410可用于存储软件程序以及模块，处理器420通过运行存储在存储器410的软件程序以及模块，从而执行终端的各种功能应用以及数据处理。存储器410可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端装置的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器410可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

在存储器410上包含数据存储方法的可运行程序4101，所述可运行程序4101可以被分割成一个或多个模块/单元，所述一个或多个模块/单元被存储在所述存储器410中，并由处理器420执行，以完成通知的传递并获取通知实现过程，所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序4101在所述终端装置4中的执行过程。例如，所述计算机程序4101可以被分割为收集模块、训练模块和匹配模块。

处理器420是终端装置的控制中心，利用各种接口和线路连接整个终端设备的各个部分，通过运行或执行存储在存储器410内的软件程序和/或模块，以及调用存储在存储器410内的数据，执行终端的各种功能和处理数据，从而对终端进行整体监控。可选的，处理器420可包括一个或多个处理单元；优选的，处理器420可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器420中。

系统总线430是用来连接计算机内部各功能部件，可以传送数据信息、地址信息、控制信息，其种类可以是例如PCI总线、ISA总线、VESA总线等。处理器420的指令通过总线传递至存储器410，存储器410反馈数据给处理器420，系统总线430负责处理器420与存储器410之间的数据、指令交互。当然系统总线430还可以接入其他设备，例如网络接口、显示设备等。

所述终端装置应至少包括CPU、芯片组、内存、磁盘系统等，其他构成部件在此不再赘述。

在本发明实施例中，该终端装置所包括的处理器420执行的可运行程序具体为：

一种印章识别方法，包括：

通过卷积神经网络对所述数据集训练；

训练后的卷积神经网络匹配待识别印章图像。

进一步的，所述训练后的卷积神经网络匹配待识别印章图像之前还包括：

采集待识别印章图像，并对所述待识别印章图像进行小波变换。

进一步的，所述根采集待识别印章图像，并对所述印章图像进行小波变换还包括：

通过高阶统计量方法增强所述待识别印章图像特征。

进一步的，所述训练后的卷积神经网络匹配待识别印章图像还包括：

对通过所述训练后的卷积神经网络未匹配到的所述待识别印章图像，将所述待识别印章图加入到所述数据集中。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种印章识别方法，其特征在于，包括：

通过卷积神经网络对所述数据集训练；

训练后的卷积神经网络匹配待识别印章图像。

2.根据权利要求1所述的方法，其特征在于，所述训练后的卷积神经网络匹配待识别印章图像之前还包括：

3.根据权利要求2所述的方法，其特征在于，所述根采集待识别印章图像，并对所述印章图像进行小波变换还包括：

通过高阶统计量方法增强所述待识别印章图像特征。

4.根据权利要求1所述的方法，其特征在于，所述训练后的卷积神经网络匹配待识别印章图像还包括：

5.一种印章识别系统，其特征在于，所包括：

训练模块：用于通过卷积神经网络对所述数据集训练；

6.根据权利要求6所述的系统，其特征在于，所述匹配模块还包括：

7.根据权利要求6所述的系统，其特征在于，所述匹配模块还包括：

8.根据权利要求6所述的系统，其特征在于，所述匹配模块还包括：

9.一种印章识别的终端装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的印章识别方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述印章识别方法的步骤。