CN109815976A - 一种证件信息识别方法、装置及设备 - Google Patents

Abstract

本申请属于人工智能领域，公开了一种证件信息识别方法、装置及设备，方法包括：利用摄像头获取用户待识别证件的待识别图像信息；确定待识别证件的证件类型；当待识别证件的证件类型在成熟数据库中，则从成熟数据库中调取与待识别证件的证件类型对应的成熟证件识别方案，对待识别图像信息进行识别；当该证件类型没有在成熟数据库中，则从未成熟数据库中调取与待识别证件的证件类型对应的证件识别预测模型，对待识别图像信息进行识别；将识别出的证件信息添加至对应用户的信息数据中。本方案识别的证件类型比较全面，识别过程无需人工参与，节省了证件识别的时间，提高了证件识别的效率。

Description

一种证件信息识别方法、装置及设备

技术领域

本申请涉及人工智能技术领域，特别是涉及一种证件信息识别方法、装置及设备。

背景技术

目前，用户在业务公司处理业务时，证件信息导入方式过于繁琐，大多数信息需要用户通过文字逐一输入。一些比较复杂的信息，如工作信息，社会和商业保险单，驾照等，信息量大，输入很麻烦。在操作上，需要用户在手机上针对每一种证件进行单独拍摄并录入，且一次只能录入一种，多种证件需要多次拍摄、录入操作。繁琐的证件信息导入流程导致用户不愿意输入额外信息，导致证件信息收集不全。

业务公司的审核人员需要针对用户输入的文字信息进行电话核对，由于输入的信息量少，相应的欺诈风险很高，例如，输入的文字信息是家庭住址，只是针对家庭住址进行分析，可信度较低，存在的风险较高。并且一些业务公司进行电话核对信息，至少要一周时间才能给出审核结果，审核效率较低。如果业务公司想要购买外部商业数据源，可以从中获取更多的证件信息，来提高审核的可信度，但是，这种方式需要的成本较高，并且不够全面。

发明内容

有鉴于此，本申请提供了一种证件信息识别方法、装置及设备。主要目的在于解决目前用户在业务公司办理业务时，证件信息导入流程过于繁琐，导致证件信息收集不全，业务公司的审核人员对不够全面证件信息进行审核时，审核效率较低，且相应的欺诈风险较高的技术问题。

依据本申请的第一方面，提供了一种证件信息识别方法，所述方法包括：

利用摄像头获取用户待识别证件的待识别图像信息；

根据所述待识别图像信息确定所述待识别证件的证件类型；

判断所述待识别证件的证件类型是否在成熟数据库中；

当所述待识别证件的证件类型在成熟数据库中，则从成熟数据库的至少一个证件成熟识别方案中调取与所述待识别证件的证件类型对应的成熟证件识别方案，对所述待识别图像信息进行识别，其中，所述至少一个证件成熟识别方案均是通过网络从对应的网站下载后保存在所述成熟数据库中，每个证件成熟识别方案对应识别一类证件的证件信息；

当所述待识别证件的证件类型没有在成熟数据库中，则从未成熟数据库中的至少一个证件识别预测模型中调取与所述待识别证件的证件类型对应的证件识别预测模型，利用对应的证件识别预测模型对所述待识别图像信息进行识别，其中，所述至少一个证件识别预测模型是利用所述证件成熟识别方案无法识别的至少一类证件的证件样本数据，通过神经网络训练得到的，每个证件识别预测模型对应识别所述证件成熟识别方案无法识别的一类证件的证件信息；

将识别出的证件信息添加至对应用户的信息数据中。

依据本申请的第二方面，提供了一种证件信息识别装置，所述装置包括：

获取单元，用于利用摄像头获取用户待识别证件的待识别图像信息；

类型确定单元，用于根据所述待识别图像信息确定所述待识别证件的证件类型；

判断单元，用于判断所述待识别证件的证件类型是否在成熟数据库中；

所述判断单元，还用于当所述待识别证件的证件类型在成熟数据库中，则从成熟数据库的至少一个证件成熟识别方案中调取与所述待识别证件的证件类型对应的成熟证件识别方案，对所述待识别图像信息进行识别，其中，所述至少一个证件成熟识别方案均是通过网络从对应的网站下载后保存在所述成熟数据库中，每个证件成熟识别方案对应识别一类证件的证件信息；

所述判断单元，还用于当所述待识别证件的证件类型没有在成熟数据库中，则从未成熟数据库中的至少一个证件识别预测模型中调取与所述待识别证件的证件类型对应的证件识别预测模型，利用对应的证件识别预测模型对所述待识别图像信息进行识别，其中，所述至少一个证件识别预测模型是利用所述证件成熟识别方案无法识别的至少一类证件的证件样本数据，通过神经网络训练得到的，每个证件识别预测模型对应识别所述证件成熟识别方案无法识别的一类证件的证件信息；

添加单元，用于将识别出的证件信息添加至对应用户的信息数据中。

依据本申请的第三方面，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面所述证件信息识别方法的步骤。

依据本申请的第四方面，提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述证件信息识别的步骤。

借由上述技术方案，本申请提供的一种证件信息识别方法、装置和设备，能够根据获取的用户待识别证件的待识别图像信息，确定出待识别证件的证件类型，若该证件类型属于常用的证件类型能够在成熟数据库中找到对应的证件成熟识别方案，则利用从网络中直接获取的该证件成熟识别方案来对待识别图像信息进行识别，若该证件类型不属于常用的证件类型，需要在未成熟数据库中查找能够识别待识别图像信息中的证件信息的证件识别预测模型，利用经过对应证件类型的大量的样本数据训练得到的该证件识别预测模型对待识别图像信息进行识别，最后将识别出的证件信息添加至对应用户的信息数据中。这样就完成对用户证件的信息添加过程，本方案识别的证件类型比较全面，识别过程无需人工参与，节省了证件识别的时间，提高了证件识别的效率。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本申请的证件信息识别方法的一个实施例的流程图；

图2为本申请的证件信息识别装置的一个实施例的结构框图；

图3为本申请的计算机设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本申请实施例提供了一种证件信息识别方法，能够利用从网上获取的证件成熟识别方案或者通过神经网络训练得到的证件识别预测模型，来对获取的证件图像进行证件信息识别，这种方案识别的证件类型比较全面，识别过程无需人工参与，节省了证件识别的时间，提高了证件识别的效率。

如图1所示，本申请实施例提供了一种证件信息识别方法，包括如下步骤：

步骤101，利用摄像头获取用户待识别证件的待识别图像信息。

在该步骤中，用户将自己的证件放置在采集设备的摄像头下方，利用摄像头采集其图像作为待识别图像信息。

摄像头采集证件的图像时，会在显示屏上画出证件图像的采集区域，用户按照显示屏上显示的采集区域，放置证件，这样保证采集的证件图像足够清晰。摄像头采集完之后，会在显示屏上显示采集的待识别图像信息，用户如果对该待识别图像信息满意，则点击显示屏上的确认键，用户如果对该待识别图像信息不满意，则点击重新获取键，将当前采集的待识别图像信息删除，重新启动摄像头重新采集待识别图像信息。

步骤102，根据待识别图像信息确定待识别证件的证件类型。

在该步骤中，证件类型包括：身份证、社保卡、银行卡、驾驶证、户口页、银行账单、水费账单、煤气账单、房产证、工卡等等。

可以根据待识别图像信息中的证件识别标志，来识别待识别图像对应的类型，也可以利用各个类型的证件的大量证件图像作为样本来对神经网络进行学习训练，并利用学习训练得到的类型预测模型来对采集的待识别图像信息进行识别预测，确定待识别证件的证件类型。

步骤103，判断待识别证件的证件类型是否在成熟数据库中，当判断结果为是，则进入步骤104，否则进入步骤105。

步骤104，从成熟数据库的至少一个证件成熟识别方案中调取与待识别证件的证件类型对应的成熟证件识别方案，对待识别图像信息进行识别，其中，至少一个证件成熟识别方案均是通过网络从对应的网站下载后保存在成熟数据库中，每个证件成熟识别方案对应识别一类证件的证件信息。

在上述步骤中，成熟数据库中存放的是一些比较常见的证件类型(例如，身份证、社保卡、银行卡、驾驶证、户口页)对应的证件信息的识别方案(即，证件成熟识别方案)。具体获取过程为：进入各个存有证件识别方案的网站，在网站中搜索证件的识别方案，然后将搜索到的识别方案与对应的证件类型进行关联，将各个识别方案的存储路径转换成超链接，与对应的证件类型列表存储在成熟数据库中。这样当需要从成熟数据库中调取相应的证件成熟识别方案时，只需根据证件类型从列表中查找相应的证件成熟识别方案的存储超链接，并触发该超链接调取该证件成熟识别方案即可。

其中，在各个网站中搜索证件的识别方案的例子为：在公安系统网站中搜索到的身份证识别方案、户口页识别方案和驾驶证识别方案，以及在社保系统网站中搜索到的社保卡识别方案等，将身份证识别方案与身份证进行关联，户口页识别方案与户口页进行关联，驾驶证识别方案与驾驶证关联，社保卡识别方案与社保卡关联。

步骤105，从未成熟数据库中的至少一个证件识别预测模型中调取与待识别证件的证件类型对应的证件识别预测模型，利用对应的证件识别预测模型对待识别图像信息进行识别，其中，至少一个证件识别预测模型是利用证件成熟识别方案无法识别的至少一类证件的证件样本数据，通过神经网络训练得到的，每个证件识别预测模型对应识别证件成熟识别方案无法识别的一类证件的证件信息。

未成熟数据库中存放的是成熟数据库中没有的证件类型的证件信息的识别方案，具体获取过程为：先将用户需要的所有证件类型全部罗列出来，从中将成熟数据库中已经有识别方案的证件类型剔除，然后将剩余的证件类型(例如，水费账单、煤气账单、房产证、工卡等)进行汇总，并收集剩余的各个证件类型的证件样本数据(包括，证件图片以及证件图片中所有用户需要的证件信息等)，每个证件类型收集预定数量(例如，500个)的证件样本数据。然后利用每个证件类型的证件样本数据对神经网络进行学习训练，使得到的证件识别预测模型能够准确地根据证件图片准确的识别出证件图片中的证件信息。如果剩余N个证件类型，则需要训练出对应的N个证件识别预测模型。

这样当利用对应的证件识别预测模型对待识别证件进行识别时，只需将待识别证件的待识别图像信息从对应的证件识别预测模型输入口输入，证件识别预测模型会对待识别图像信息进行处理分析，识别出证件信息，在对待识别图像信息进行识别处理过程中，利用OCR(Optical Character Recognition，光学字符识别)图像识别技术提取待识别图像信息中的文字信息，得到证件信息。

步骤106，将识别出的证件信息添加至对应用户的信息数据中。

在该步骤中，根据识别出的证件信息中的具体内容，将其添加至用户的信息数据中的对应位置处，例如，识别出的证件信息包括姓名、年龄、性别、身高、住址等信息，则在用户的信息数据对应的添加栏中对应添加进去。

证件信息添加完成后，用户可以利用上述方案，对下一个证件进行识别。也可以为了节省时间同时采集多个待识别证件的待识别图像信息，并通过上述方案，同时对这多个待识别图像信息进行识别。

通过上述技术方案，能够根据获取的用户待识别证件的待识别图像信息，确定出待识别证件的证件类型，若该证件类型属于常用的证件类型能够在成熟数据库中找到对应的证件成熟识别方案，则利用从网络中直接获取的该证件成熟识别方案来对待识别图像信息进行识别，若该证件类型不属于常用的证件类型，需要在未成熟数据库中查找能够识别待识别图像信息中的证件信息的证件识别预测模型，利用经过对应证件类型的大量的样本数据训练得到的该证件识别预测模型对待识别图像信息进行识别，最后将识别出的证件信息添加至对应用户的信息数据中。这样就完成对用户证件的信息添加过程，本方案识别的证件类型比较全面，识别过程无需人工参与，节省了证件识别的时间，提高了证件识别的效率。

在具体实施例中，在步骤102之前，还包括：

步骤1021，获取各种证件类型的类型样本数据，类型样本数据中包括：类型样本图像和类型标识，其中，每种类型标识与每种证件类型一一对应。

在该步骤中，搜集大量的类型样本数据来对神经网络分类模型进行训练，该类型样本数据中每个证件类型搜集的数量尽量相同(例如，每个证件类型搜集1000个类型样本数据)，以保证神经网络分类模型的训练之后对各个证件类型的识别精度保持一致。

用户可以根据实际情况为每个证件类型设置相应的类型标识，例如，身份证的类型标识为sfz，社保卡的类型标识为sbk等等。

步骤1022，获取类型样本数据中的类型样本图像的至少一个图像特征。

在该步骤中，每张类型样本图像(即，拍摄的证件图片)中都有对应的图像特征，该图像特征包括：文字特征和/或图形特征，以及文字特征和/或图形特征在类型样本图像中的获取位置。例如身份证中获取的图像特征包括：照片、出生日期、地址、有效日期等。

步骤1023，将至少一个图像特征输入神经网络分类模型进行处理，从神经网络分类模型的输出口输出类型结果。

在该步骤中，神经网络分类模型(即，预先根据神经网络算法搭建的一个初始模型)对获取的每一个图像特征分别进行分析，得出这些图像特征所属的类型(即，类型结果)，然后利用输出口输出。

步骤1024，将类型结果与类型标识进行比对，若相同，则输出口的参数保持不变，若不相同则对输出口的参数进行调整，使得输出口输出的类型结果与类型标识相同，进而完成对神经网络分类模型的学习训练，得到能够根据类型样本图像识别证件类型的类型预测模型。

在该步骤中，神经网络分类模型输出的类型结果，如果正确，则无需对神经网络分类模型进行修改调整，直接进行下一个的类型样本数据的输入训练，如果错误，则对输出口的参数进行调整之后，使得输出口输出的类型结果与类型标识相同，再对下一个的类型样本数据进行输入训练，并不断重复上述过程直至所有的类型样本数据全部训练完成，即可得到能够根据类型样本图像识别证件类型的类型预测模型。

则步骤102具体包括：获取待识别图像信息中的至少一个待识别图像特征，将至少一个待识别图像特征输入类型预测模型，通过类型预测模型进行处理，在类型预测模型的输出口输出待识别证件的证件类型。

通过上述技术方案，神经网络分类模型经过大量的类型样本数据学习训练之后，能够精确的对各种证件图像进行分类辨别确定出对应的证件类型，这样，无需人工输入证件类型，节省了分类时间。

在具体实施例中，步骤1023具体包括：

步骤10231，对至少一个图像特征进行向量转换，转换成与每个图像特征一一对应的特征向量。

在该步骤中，将每个图像特征对应的图片转换成数字信号，将这些数字信号按照像素的排布转换成对应的二维特征向量。

步骤10232，将转换后的至少一个特征向量从神经网络分类模型的输入层输入，并传送至神经网络分类模型的隐含层。

在该步骤中，预先对神经网络分类模型的输入层进行处理，使得神经网络分类模型的输入层能够接受二维特征项向量。然后输入层将特征向量传送至隐含层进行处理，其中隐含层包括多个，隐含层的数量根据每个证件图像得到的特征向量的数量进行调整。

步骤10234，隐含层对传送来的至少一个特征向量进行处理得到处理结果，并将处理结果传送至神经网络分类模型的输出口。

在该步骤中，每一个隐含层对应处理一个特征向量，可以将证件图像得到特征数量的最大值加一作为隐含层的数量，这样能够保证证件图像得到的每组特征向量均能被完善的处理，并且每一层隐含层的处理结果都会传送至最后一层隐含层，最后一层隐含层将接收的处理结果进行汇总分析，得出处理结果。

步骤10235，神经网络分类模型的输出口将传送来的处理结果进行文字转换，转换成类型结果进行输出。

在该步骤中，输出口接收到的隐含层发来的处理结果是一对代码，为了方便查看，需要将得到的代码进行文字转换，转成成类型结果进行输出。

在具体实施例中，将与证件成熟识别方案无法识别的证件类型作为未成熟类别，未成熟类别为至少一个；则在步骤104之前，还包括：

步骤1041，获取与每个未成熟类别一一对应的证件样本数据。

在该步骤中，为了保证各个证件识别预测模型的识别精度保持一致，则获取的每个未成熟类别的证件样本数据的数量保持一致，例如都是500个。

步骤1042，构建与每个未成熟类别一一对应的神经网络。构建的神经网络的个数与未成熟类别的个数一样。

步骤1043，将证件样本数据按照未成熟类别分别输入对应的神经网络进行学习训练，得到能够识别对应未成熟类别的证件信息的证件识别预测模型，其中，证件识别预测模型与每个未成熟类别一一对应。

在上述技术方案中，按照未成熟类别对证件样本数据进行顺序排列，例如按照未成熟类别第一个字的首字母进行顺序排列，并按照这个顺序对各个神经网络进行学习训练，其中，具体的顺序排列方式本申请不做限定，也可以是其他顺序排列方式(例如，按照首字的比划数由多到少或由少到多的顺序，按照未成熟类别的所有字的比划总数由多到少或由少到多的顺序等)。

通过上述方案，利用神经网络对各个未成熟类别的证件样本数据进行学习训练，得到与每个未成熟类别一一对应的证件识别预测模型，这样，当用户想要对不太常见的证件(即，未成熟类别的证件)的证件信息进行识别时，只需根据未成熟类别从多个证件识别预测模型中找到对应的证件识别预测模型进行识别认证即可。无需用户手动输入证件的证件信息，节省了证件识别时间，提高了证件的识别效率。

在具体实施例中，证件样本数据包括：证件样本图像、证件信息获取位置和证件信息；则步骤1043具体包括：

步骤10431，获取待训练未成熟类别的证件样本数据中的证件样本图像，将获取的证件样本图像，输入与待训练未成熟类别对应的神经网络中，其中待训练未成熟类别为未成熟类别中的任意一种。

在该步骤中，将证件样本图像中的各个像素转换成对应的数字信号，便于输入神经网络。该数字信号可以是一维数字信号，也可以是二维数字信号，也可以是三维数字信号。

步骤10432，利用待训练未成熟类别对应的神经网络，从获取的证件样本图像的证件信息获取位置上提取对应的证件信息作为输出结果。

在该步骤中，神经网络包括输入层、隐含层和输出口，根据待训练未成熟类别的证件样本图像的像素大小，为神经网络的输入层进行设置，保证证件样本图像转换的数字信号能够准确地输入神经网络。然后，根据证件信息获取位置为神经网络的隐含层进行设置，隐含层的数量可以根据证件信息获取位置的数量进行设定(即，隐含层的数量＝证件信息获取位置的数量)，保证每一个隐含层对应获取一个获取位置的证件信息。每一个隐含层都与输出口相连，每个隐含层会将提取的证件信息发送至输出口，输出口会对这些证件信息进行汇总，并作为输出结果输出。

步骤10433，判断输出结果与证件样本数据中的证件信息是否相同，若相同，则无需对输出结果进行修改，若不相同，则按照证件样本数据中的证件信息对输出结果进行修改，完成对待训练未成熟类别对应的神经网络的学习训练，得到与待训练未成熟类别对应的证件识别预测模型。

在该步骤中，能够对上述步骤得到的输出结果进行校对，使得神经网络对每个证件样本数据的输出结果都是准确的，进而完成对神经网络的训练，得到能够对该待训练未成熟类别的证件图像进行证件信息识别的证件识别预测模型。

针对每个待训练未成熟类别都进行上述方案的训练，使得所有的未成熟类别都有对应的证件识别预测模型。

在具体实施例中，预先在数据库中存储每类证件的识别标志。每种证件类型都有对应的识别标志(可以是防伪标志，或者针对识别码的识别方案)，以及该识别标志在该类证件图像中的位置，将证件类型与识别标志和识别标志获取位置进行关联，并列表存贮在数据库中。

则步骤106具体包括：

步骤1061，根据待识别证件的证件类型，确定待识别图像信息中的识别标志获取位置。

步骤1062，从识别标志获取位置上获取待识别标志。

步骤1063，将待识别标志与待识别证件的证件类型对应的识别标志进行比对，得到可信度值。

如果待识别标志是防伪标志，将防伪标志与数据库中对应证件类型的防伪标志(即，识别标志)进行比对，得出该防伪标志与真实防伪标志的相似度，并将该相似度作为可信度值。

如果待识别标志是识别码，例如，身份证号，则身份证号的识别标志即为下述识别方案：(1)判断身份号长度是否正确；(2)判断身份号是否是除最后一位都为数字；(3)判断身份号对应的出生年月是否有效，与银行预先存储的用户出生日期是否相同；(4)判断身份号中地区码是否与银行预先存储的用户籍贯对应的地区码相同。上述四项中各项对应的可信度值为25％，若四项全部正确则可信度值为100％。

步骤1064，若可信度值大于等于设定阈值，则证明识别出的证件信息正确，并将识别出的证件信息添加至对应用户的信息数据中，若可信度值小于设定阈值，则证明识别出的证件信息错误，结束操作。

通过上述技术方案，可以为用户输入的每个证件的待识别图像信息进行可信度分析，判断用户输入的待识别图像信息的真伪，避免用户利用虚假证件进行欺诈的行为。

在具体实施例中，在步骤106之前，还包括：

步骤106A，将识别出的证件信息推送至显示屏进行显示。

步骤106B，若在预定时间内接收到显示屏发来的用户确认命令，则立即将识别出的证件信息添加至对应用户的信息数据中。

步骤106C，若在预定时间内接收到显示屏发来的重新获取命令，则重新获取用户待识别证件的待识别图像信息，并对重新获取的待识别图像信息进行重新识别。

步骤106D，若在预定时间内未接收到显示屏发来的用户确认命令或重新获取命令，则在所述预定时间结束后，立即将识别出的证件信息添加至对应用户的信息数据中。

在上述技术方案中，当识别出证件信息后，将识别出的证件信息在显示屏上显示出来，并在显示屏上出现一个时间倒记计时(倒计时时长即为预定时间，如60s)，用户需要在倒计时结束前进行确认。用户对显示的证件信息进行核对，如果正确则点击确认键，则通过显示屏发送用户确认命令，则立即将识别出的证件信息添加至对应用户的信息数据中。如果用户认为证件信息错误，需要重新识别，则点击重新获取键，重新启动摄像头获取用户待识别证件的待识别图像信息，并通过上述方案，对重新获取的待识别图像信息进行识别。如果在倒计时结束前未接收到任何命令，则默认为该证件信息是正确的，立即将识别出的证件信息添加至对应用户的信息数据中。

另外，如果用户发现识别出的证件信息是错误的，也可以通过用户手动进行修正，此时倒计时会消失，当用户手动修正完成后，将修正后的证件信息添加至对应用户的信息数据中。

通过上述实施例的证件信息识别方法，能够根据获取的用户待识别证件的待识别图像信息，确定出待识别证件的证件类型，若该证件类型属于常用的证件类型能够在成熟数据库中找到对应的证件成熟识别方案，则利用从网络中直接获取的该证件成熟识别方案来对待识别图像信息进行识别，若该证件类型不属于常用的证件类型，需要在未成熟数据库中查找能够识别待识别图像信息中的证件信息的证件识别预测模型，利用经过对应证件类型的大量的样本数据训练得到的该证件识别预测模型对待识别图像信息进行识别，最后将识别出的证件信息添加至对应用户的信息数据中。这样就完成对用户证件的信息添加过程，本方案识别的证件类型比较全面，识别过程无需人工参与，节省了证件识别的时间，提高了证件识别的效率。

在本申请的另一个实施例的证件信息识别方法中，包括如下步骤：

一、建立证件类型的数据库

将证件划分为两种，一种是具有成熟识别方案的证件类型(即，常见的证件类型，例如，身份证、银行卡、驾驶证、社保卡等)，另一种是没有成熟识别方案的证件类型(即，不常用的证件类型，例如，微信或支付宝的支付截屏、银行账单、房产证、工卡等)。

1、针对有成熟识别方案的证件类型：

直接从各个网站获取对应证件类型的成熟识别方案，并将成熟识别方案与对应的证件类型进行关联，存储在数据库中。其中，成熟识别方案中有对应证件类型的证件特征信息。

例如，针对身份证的成熟识别方案为：

获取图像中识别特征，并将识别特征与数据库中的识别特征进行比对，确认该图像是否是身份证，若是身份证，则在成熟识别方案提取各个证件信息的获取位置，从对应获取位置上获取图像中的人脸图片、身份证号、住址等证件信息。

2、针对没有成熟识别方案的证件类型：

首先，针对相应的证件类型(例如，房产证)录入500张以上的标准图像，并对每张标准图像抽取30个以上的特征信息(包括截图背景，颜色，数据格式，展示类型等)，将这些特征信息转化为向量的形式形成特征向量。

然后，将每张标准图像的特征向量从神经网络模型的输入层输入，经过神经网络的一个或多个隐含层处理之后，从输出层输出该标准图像对应的证件信息，若输出的证件信息错误，则对输出层的参数进行纠正使其输出正确的证件信息，进而完成对神经网络模型的训练。得到能够根据证件图片进行证件信息识别的预测模型。

针对每种证件类型都要进行上述训练过程，进而得到能够识别各种证件类型的证件信息的预测模型(例如，房产证预测模型、银行账单预测模型、工卡预测模型等)。

将每个证件类型获取的特征信息的种类以及对应的预测模型存储到数据库中。

二、证件信息识别

1、打开摄像头，客户将识别的证件放置在摄像头的取景区域，利用摄像头对该证件进行对焦，当像素变化大于50个pixel时，获取取景区域的图像内容。

2、抽取获取图像的所有特征数据，根据抽取到的特征数据确定图像的证件类型，并判断该证件类型是否属于成熟类别，若属于则利用数据库的成熟识别方案对其进行证件信息识别。

如果不属于无法识别出来，则从数据库中各个没有成熟识别方案的证件类型的预测模型中抽取该证件类型对应的预测模型，利用该预测模型对图像进行识别处理，输出该图像中包含的证件信息。

若从数据库中各个没有成熟识别方案的证件类型的预测模型中未找到该证件类型对应的预测模型，证明该图片的证件类型数据库中没有，提示银行需要通过上述方案利用神经网络对该图片对应的证件类型进行训练，得到相应的预测模型后，对数据库进行更新。然后再利用更新后的数据库重复上述步骤2对客户的证件图像进行识别。

3、将识别出的证件信息推送至显示屏，让客户进行确认，并显示确认倒计时，若客户在倒计时记完之前确认了，则进行下一个证件的识别，若在倒计时记完之后没有确认，也进行下一个证件的识别。

4、将客户确认后的证件信息中的文字和图案信息放到识别结果中，用户没有确认的不加入识别结果中，待后续确认后再加入。

5、待客户所有证件全部识别完成后，关闭摄像头。

其中，客户确认的目的是：

(1)节省认证操作步骤，不用多次打开摄像头进行分次操作。

(2)根据客户确认过的证件信息的全面程度，进行贷款产品分级，即识别出的证件信息越多用户享受的贷款利率越高，贷款期限越长，贷款额度越高，进而诱导客户进行多种证件类型的证件信息的录入。

三、对识别的证件信息进行可信度分析

1、获取识别的证件信息，并根据确定的证件类型提取识别的证件信息中的识别码或者防伪标志。例如，证件类型是身份证就会提取身份证号。

2、将识别码或者防伪标志进行分析：

第一、针对识别码，将识别码的各位数字与对应的识别码标准进行比对，确定该识别码属于真实的识别码的可信度值。

以身份证为例：

(1)判断身份号长度是否正确；(2)判断身份号是否是除最后一位都为数字；(3)判断身份号对应的出生年月是否有效，与银行预先存储的用户出生日期是否相同；(4)判断身份号中地区码是否与银行预先存储的用户籍贯对应的地区码相同。

上述四项中各项对应的可信度值为25％，若四项全部正确则可信度值为100％。

针对防伪标志，将防伪标志与数据库中对应证件类型的防伪标志进行比对，得出该防伪标志与真实防伪标志的相似度，并将该相似度作为可信度值。

第二、将可信度值与预定可信度阈值进行对比，若可信度值大于等于预定可信度阈值，证明对应证件是真实的，则将识别的证件信息自动加载到相应的客户信息栏。

这样不需要客户再次手动文字输入，在贷款审核人员进行进件批审时提供这些信息，加快贷款审批流程。

进一步的，作为图1方法的具体实现，本申请实施例提供了一种证件信息识别装置，如图2所示，装置包括：获取单元21、类型确定单元22、判断单元23和添加单元24。

获取单元21，用于利用摄像头获取用户待识别证件的待识别图像信息；

类型确定单元22，用于根据待识别图像信息确定待识别证件的证件类型；

判断单元23，用于判断待识别证件的证件类型是否在成熟数据库中；

判断单元23，还用于当待识别证件的证件类型在成熟数据库中，则从成熟数据库的至少一个证件成熟识别方案中调取与待识别证件的证件类型对应的成熟证件识别方案，对待识别图像信息进行识别，其中，至少一个证件成熟识别方案均是通过网络从对应的网站下载后保存在成熟数据库中，每个证件成熟识别方案对应识别一类证件的证件信息；

判断单元23，还用于当待识别证件的证件类型没有在成熟数据库中，则从未成熟数据库中的至少一个证件识别预测模型中调取与待识别证件的证件类型对应的证件识别预测模型，利用对应的证件识别预测模型对待识别图像信息进行识别，其中，至少一个证件识别预测模型是利用证件成熟识别方案无法识别的至少一类证件的证件样本数据，通过神经网络训练得到的，每个证件识别预测模型对应识别证件成熟识别方案无法识别的一类证件的证件信息；

添加单元24，用于将识别出的证件信息添加至对应用户的信息数据中。

在具体实施例中，获取单元21，还用于获取各种证件类型的类型样本数据，类型样本数据中包括：类型样本图像和类型标识，其中，每种类型标识与每种证件类型一一对应；获取类型样本数据中的类型样本图像的至少一个图像特征；

装置还包括：

类型处理单元，用于将至少一个图像特征输入神经网络分类模型进行处理，从神经网络分类模型的输出口输出类型结果；

比对单元，用于将类型结果与类型标识进行比对，若相同，则输出口的参数保持不变，若不相同则对输出口的参数进行调整，使得输出口输出的类型结果与类型标识相同，进而完成对神经网络分类模型的学习训练，得到能够根据类型样本图像识别证件类型的类型预测模型；

则，类型确定单元22，还用于获取待识别图像信息中的至少一个待识别图像特征，将至少一个待识别图像特征输入类型预测模型，通过类型预测模型进行处理，在类型预测模型的输出口输出待识别证件的证件类型。

在具体实施例中，类型处理单元具体包括：

转换模块，用于对至少一个图像特征进行向量转换，转换成与每个图像特征一一对应的特征向量；

输入模块，用于将转换后的至少一个特征向量从神经网络分类模型的输入层输入，并传送至神经网络分类模型的隐含层；

处理模块，用于隐含层对传送来的至少一个特征向量进行处理得到处理结果，并将处理结果传送至神经网络分类模型的输出口；

输出模块，用于神经网络分类模型的输出口将传送来的处理结果进行文字转换，转换成类型结果进行输出。

在具体实施例中，将与证件成熟识别方案无法识别的证件类型作为未成熟类别，未成熟类别为至少一个；

则装置还包括：

学习训练单元，用于获取与每个未成熟类别一一对应的证件样本数据；构建与每个未成熟类别一一对应的神经网络；将证件样本数据按照未成熟类别分别输入对应的神经网络进行学习训练，得到能够识别对应未成熟类别的证件信息的证件识别预测模型，其中，证件识别预测模型与每个未成熟类别一一对应。

在具体实施例中，证件样本数据包括：证件样本图像、证件信息获取位置和证件信息；

则学习训练单元具体包括：

获取模块，用于获取待训练未成熟类别的证件样本数据中的证件样本图像，将获取的证件样本图像，输入与待训练未成熟类别对应的神经网络中，其中待训练未成熟类别为未成熟类别中的任意一种；

提取模块，用于利用待训练未成熟类别对应的神经网络，从获取的证件样本图像的证件信息获取位置上提取对应的证件信息作为输出结果；

训练模块，用于判断输出结果与证件样本数据中的证件信息是否相同，若相同，则无需对输出结果进行修改，若不相同，则按照证件样本数据中的证件信息对输出结果进行修改，完成对待训练未成熟类别对应的神经网络的学习训练，得到与待训练未成熟类别对应的证件识别预测模型。

在具体实施例中，预先在数据库中存储每类证件的识别标志，则添加单元24具体包括：

位置获取模块，用于根据待识别证件的证件类型，确定待识别图像信息中的识别标志获取位置；从识别标志获取位置上获取待识别标志；

可信度值确定模块，用于将待识别标志与待识别证件的证件类型对应的识别标志进行比对，得到可信度值；

判断模块，用于若可信度值大于等于设定阈值，则证明识别出的证件信息正确，并将识别出的证件信息添加至对应用户的信息数据中，若可信度值小于设定阈值，则证明识别出的证件信息错误，结束操作。

在具体实施例中，装置还包括：

显示单元，用于将识别出的证件信息推送至显示屏进行显示；

用户确认单元，用于若在预定时间内接收到显示屏发来的用户确认命令，则立即将识别出的证件信息添加至对应用户的信息数据中；

用户确认单元，还用于若在预定时间内接收到显示屏发来的重新获取命令，则重新获取用户待识别证件的待识别图像信息，并对重新获取的待识别图像信息进行重新识别；

用户确认单元，还用于若在预定时间内未接收到显示屏发来的用户确认命令或重新获取命令，则在所述预定时间结束后，立即将识别出的证件信息添加至对应用户的信息数据中。

基于上述图1所示方法和图2所示装置的实施例，为了实现上述目的，本申请实施例还提供了一种计算机设备，如图3所示，包括存储器32和处理器31，其中存储器32和处理器31均设置在总线33上存储器32存储有计算机程序，处理器31执行计算机程序时实现图1所示的证件信息识别方法。

基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储器(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。

可选地，该设备还可以连接用户接口、网络接口、摄像头、射频(Radio Frequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。

本领域技术人员可以理解，本实施例提供的一种计算机设备的结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。

基于上述如图1所示方法和图2所示装置的实施例，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1所示的证件信息识别方法。

存储介质中还可以包括操作系统、网络通信模块。操作系统是管理计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与计算机设备中其它硬件和软件之间通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。

通过应用本申请的技术方案，能够根据获取的用户待识别证件的待识别图像信息，确定出待识别证件的证件类型，若该证件类型属于常用的证件类型能够在成熟数据库中找到对应的证件成熟识别方案，则利用从网络中直接获取的该证件成熟识别方案来对待识别图像信息进行识别，若该证件类型不属于常用的证件类型，需要在未成熟数据库中查找能够识别待识别图像信息中的证件信息的证件识别预测模型，利用经过对应证件类型的大量的样本数据训练得到的该证件识别预测模型对待识别图像信息进行识别，最后将识别出的证件信息添加至对应用户的信息数据中。这样就完成对用户证件的信息添加过程，本方案识别的证件类型比较全面，识别过程无需人工参与，节省了证件识别的时间，提高了证件识别的效率。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种证件信息识别方法，其特征在于，所述方法包括：

利用摄像头获取用户待识别证件的待识别图像信息；

根据所述待识别图像信息确定所述待识别证件的证件类型；

判断所述待识别证件的证件类型是否在成熟数据库中；

当所述待识别证件的证件类型在成熟数据库中，则从成熟数据库的至少一个证件成熟识别方案中调取与所述待识别证件的证件类型对应的成熟证件识别方案，对所述待识别图像信息进行识别，其中，所述至少一个证件成熟识别方案均是通过网络从对应的网站下载后保存在所述成熟数据库中，每个证件成熟识别方案对应识别一类证件的证件信息；

当所述待识别证件的证件类型没有在成熟数据库中，则从未成熟数据库中的至少一个证件识别预测模型中调取与所述待识别证件的证件类型对应的证件识别预测模型，利用对应的证件识别预测模型对所述待识别图像信息进行识别，其中，所述至少一个证件识别预测模型是利用所述证件成熟识别方案无法识别的至少一类证件的证件样本数据，通过神经网络训练得到的，每个证件识别预测模型对应识别所述证件成熟识别方案无法识别的一类证件的证件信息；

将识别出的证件信息添加至所述用户的信息数据中。

2.根据权利要求1所述的证件信息识别方法，其特征在于，在根据所述待识别图像信息确定所述待识别证件的证件类型之前，还包括：

获取各种证件类型的类型样本数据，所述类型样本数据中包括：类型样本图像和类型标识，其中，每种类型标识与每种证件类型一一对应；

获取所述类型样本数据中的类型样本图像的至少一个图像特征；

将所述至少一个图像特征输入神经网络分类模型进行处理，从所述神经网络分类模型的输出口输出类型结果；

将所述类型结果与所述类型标识进行比对，若相同，则所述输出口的参数保持不变，若不相同则对所述输出口的参数进行调整，使得所述输出口输出的类型结果与所述类型标识相同，进而完成对神经网络分类模型的学习训练，得到能够根据类型样本图像识别证件类型的类型预测模型；

则，所述根据所述待识别图像信息确定所述待识别证件的证件类型，具体包括：

获取所述待识别图像信息中的至少一个待识别图像特征，将所述至少一个待识别图像特征输入所述类型预测模型，通过所述类型预测模型进行处理，在所述类型预测模型的输出口输出所述待识别证件的证件类型。

3.根据权利要求2所述的证件信息识别方法，其特征在于，将所述至少一个图像特征输入神经网络分类模型进行处理，从所述神经网络分类模型的输出口输出类型结果，具体包括：

对所述至少一个图像特征进行向量转换，转换成与每个图像特征一一对应的特征向量；

将转换后的至少一个特征向量从所述神经网络分类模型的输入层输入，并传送至所述神经网络分类模型的隐含层；

所述隐含层对传送来的所述至少一个特征向量进行处理得到处理结果，并将处理结果传送至所述神经网络分类模型的输出口；

所述神经网络分类模型的输出口将传送来的所述处理结果进行文字转换，转换成类型结果进行输出。

4.根据权利要求1所述的证件信息识别方法，其特征在于，将与所述证件成熟识别方案无法识别的证件类型作为未成熟类别，所述未成熟类别为至少一个；

则在当所述待识别证件的证件类型没有在成熟数据库中，则从未成熟数据库中的至少一个证件识别预测模型中调取与所述待识别证件的证件类型对应的证件识别预测模型，利用对应的证件识别预测模型对所述待识别图像信息进行识别之前，还包括：

获取与每个未成熟类别一一对应的证件样本数据；

构建与每个未成熟类别一一对应的神经网络；

将所述证件样本数据按照未成熟类别分别输入对应的神经网络进行学习训练，得到能够识别对应未成熟类别的证件信息的证件识别预测模型，其中，所述证件识别预测模型与每个未成熟类别一一对应。

5.根据权利要求4所述的证件信息识别方法，其特征在于，所述证件样本数据包括：证件样本图像、证件信息获取位置和证件信息；

则将所述证件样本数据按照未成熟类别分别输入对应的神经网络进行学习训练，得到能够识别对应未成熟类别的证件信息的证件识别预测模型，具体包括：

获取待训练未成熟类别的证件样本数据中的证件样本图像，将获取的证件样本图像，输入与所述待训练未成熟类别对应的神经网络中，其中所述待训练未成熟类别为所述未成熟类别中的任意一种；

利用所述待训练未成熟类别对应的神经网络，从所述获取的证件样本图像的证件信息获取位置上提取对应的证件信息作为输出结果；

判断输出结果与证件样本数据中的证件信息是否相同，若相同，则无需对所述输出结果进行修改，若不相同，则按照证件样本数据中的证件信息对所述输出结果进行修改，完成对所述待训练未成熟类别对应的神经网络的学习训练，得到与待训练未成熟类别对应的证件识别预测模型。

6.根据权利要求1所述的证件信息识别方法，其特征在于，预先在数据库中存储每类证件的识别标志，则所述将识别出的证件信息添加至对应用户的信息数据中，具体包括：

根据所述待识别证件的证件类型，确定所述待识别图像信息中的识别标志获取位置；

从所述识别标志获取位置上获取待识别标志；

将所述待识别标志与所述待识别证件的证件类型对应的识别标志进行比对，得到可信度值；

若所述可信度值大于等于设定阈值，则证明所述识别出的证件信息正确，并将识别出的证件信息添加至对应用户的信息数据中，若所述可信度值小于设定阈值，则证明所述识别出的证件信息错误，结束操作。

7.根据权利要求1所述的证件信息识别方法，其特征在于，在将识别出的证件信息添加至对应用户的信息数据中之前，还包括：

将所述识别出的证件信息推送至显示屏进行显示；

若在预定时间内接收到显示屏发来的用户确认命令，则立即将识别出的证件信息添加至对应用户的信息数据中；

若在预定时间内接收到显示屏发来的重新获取命令，则重新获取用户待识别证件的待识别图像信息，并对重新获取的待识别图像信息进行重新识别；

若在预定时间内未接收到显示屏发来的用户确认命令或重新获取命令，则在所述预定时间结束后，立即将识别出的证件信息添加至对应用户的信息数据中。

8.一种证件信息识别装置，其特征在于，所述装置包括：

获取单元，用于利用摄像头获取用户待识别证件的待识别图像信息；

类型确定单元，用于根据所述待识别图像信息确定所述待识别证件的证件类型；

判断单元，用于判断所述待识别证件的证件类型是否在成熟数据库中；

所述判断单元，还用于当所述待识别证件的证件类型在成熟数据库中，则从成熟数据库的至少一个证件成熟识别方案中调取与所述待识别证件的证件类型对应的成熟证件识别方案，对所述待识别图像信息进行识别，其中，所述至少一个证件成熟识别方案均是通过网络从对应的网站下载后保存在所述成熟数据库中，每个证件成熟识别方案对应识别一类证件的证件信息；

所述判断单元，还用于当所述待识别证件的证件类型没有在成熟数据库中，则从未成熟数据库中的至少一个证件识别预测模型中调取与所述待识别证件的证件类型对应的证件识别预测模型，利用对应的证件识别预测模型对所述待识别图像信息进行识别，其中，所述至少一个证件识别预测模型是利用所述证件成熟识别方案无法识别的至少一类证件的证件样本数据，通过神经网络训练得到的，每个证件识别预测模型对应识别所述证件成熟识别方案无法识别的一类证件的证件信息；

添加单元，用于将识别出的证件信息添加至对应用户的信息数据中。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述证件信息识别方法的步骤。

10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述证件信息识别方法的步骤。