CN110059680A - 一种身份证图像的检测方法、装置及设备 - Google Patents
一种身份证图像的检测方法、装置及设备 Download PDFInfo
- Publication number
- CN110059680A CN110059680A CN201910334520.9A CN201910334520A CN110059680A CN 110059680 A CN110059680 A CN 110059680A CN 201910334520 A CN201910334520 A CN 201910334520A CN 110059680 A CN110059680 A CN 110059680A
- Authority
- CN
- China
- Prior art keywords
- image
- card image
- card
- vertex coordinates
- coordinates data
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种身份证图像的检测方法,在获取目标图像后,将目标图像输入预先经过训练的神经网络模型,得到目标图像中身份证图像的顶点坐标数据,最后根据顶点坐标数据,从目标图像截取身份证图像以作为检测结果。可见,该方法能够利用神经网络模型直接确定目标图像中身份证图像的顶点坐标数据,实现准确定位身份证图像的目的,相较于传统的只能确定身份证图像所在区域的方法,该方法一方面避免了检测结果中存在身份证图像之外的图像,另一方面避免了检测结果中身份证图像文字倾斜,大大提升了根据检测结果提取信息的可靠性和准确性。此外,本申请还提供了一种身份证图像的检测装置、设备及计算机可读存储介质,其作用与上述方法相对应。
Description
技术领域
本申请涉及计算机视觉领域,特别涉及一种身份证图像的检测方法、装置、设备及计算机可读存储介质。
背景技术
目标检测是指从图像中检测识别目标对象的过程,有利于后续过程中从目标对象提取预期的信息。例如,目前针对身份证图像的目标检测方法较为常见,然而,传统的身份证图像的检测方法只能确定身份证图像所在的区域,并输出矩形检测框,其中矩形检测框需要与身份证图像所在的图像保持平行,因此,在身份证图像本身不平行于其所在的图像时,上述矩形检测框中的图像不仅包括身份证图像本身,还包括一些背景图像,一方面,这些背景图像本身会给后续的信息提取过程带来干扰,另一方面,由于矩形检测框中身份证图像并非水平放置,因此其文字为倾斜的,这也为后续信息提取过程带来干扰。
可见,传统的身份证图像的检测方法只能输出矩形检测框,无法准确定位身份证图像,为后续信息提取过程带来较大干扰。
发明内容
本申请的目的是提供一种身份证图像的检测方法、装置、设备及计算机可读存储介质,用以解决传统的身份证图像的检测方法只能输出矩形检测框,无法准确定位身份证图像,不便于后续信息提取的问题。
为解决上述技术问题,本申请提供了一种身份证图像的检测方法,包括:
获取目标图像;
将所述目标图像输入预先经过训练的神经网络模型,得到所述目标图像中身份证图像的顶点坐标数据;
根据所述顶点坐标数据,从所述目标图像截取所述身份证图像以作为检测结果。
可选的,所述将所述目标图像输入预先经过训练的神经网络模型,得到所述身份证图像的顶点坐标数据,包括:
将所述目标图像输入预先经过训练的以MobileNet为主干网络的目标检测模型,得到所述目标图像中身份证图像的顶点坐标数据和初始检测框。
可选的,所述根据所述顶点坐标数据,从所述目标图像截取所述身份证图像以作为检测结果,包括:
在所述身份证图像与所述初始检测框不平行时,根据所述初始检测框和所述顶点坐标数据将所述身份证图像调整到与所述初始检测框相平行的位置;
确定经过位置调整后的身份证图像的最终检测框;
根据所述最终检测框,从所述目标图像截取所述身份证图像以作为检测结果。
可选的,所述根据所述顶点坐标数据,从所述目标图像截取所述身份证图像以作为检测结果,包括:
根据所述顶点坐标数据,从所述目标图像截取所述身份证图像;
将截取到的身份证图像、所述身份证图像的正反面状态参数、所述身份证图像为真实身份证图像的概率参数作为检测结果输出。
可选的,所述顶点坐标数据为所述身份证图像中互为对角的两个顶点的坐标数据,或所述身份证图像中任意三个顶点的坐标数据,或所述身份证图像的四个顶点的坐标数据。
可选的,在所述获取目标图像之前,还包括:
获取训练样本图像,以及所述训练样本图像中身份证图像的实际顶点坐标数据;
将所述训练样本图像输入神经网络模型,得到预测顶点坐标数据;
根据所述实际顶点坐标数据和所述预测顶点坐标数据,确定真实身份证图像与预测身份证图像之间的夹角值;
根据所述夹角值,确定所述预测顶点坐标数据与所述实际顶点坐标数据之间的损失值;
根据所述损失值调整所述神经网络模型的模型参数直至收敛以实现对所述神经网络模型的训练。
本申请还提供了一种身份证图像的检测装置,包括:
图像获取模块:用于获取目标图像;
坐标确定模块:用于将所述目标图像输入预先经过训练的神经网络模型,得到所述目标图像中身份证图像的顶点坐标数据;
检测结果模块:用于根据所述顶点坐标数据,从所述目标图像截取所述身份证图像以作为检测结果。
可选的,所述坐标确定模块具体用于:
将所述目标图像输入预先经过训练的以MobileNet为主干网络的目标检测模型,得到所述目标图像中身份证图像的顶点坐标数据和初始检测框。
此外,本申请还提供了一种身份证图像的检测设备,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序,以实现如上任意一项所述的一种身份证图像的检测方法的步骤。
最后,本申请还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上存储有计算机程序,所述计算机程序被处理器执行时用于实现如上任意一项所述的一种身份证图像的检测方法的步骤。
本申请所提供的一种身份证图像的检测方法,在获取目标图像后,将目标图像输入预先经过训练的神经网络模型,得到目标图像中身份证图像的顶点坐标数据,最后根据顶点坐标数据,从目标图像截取身份证图像以作为检测结果。可见,该方法能够利用神经网络模型直接确定目标图像中身份证图像的顶点坐标数据,实现准确定位身份证图像的目的,相较于传统的只能确定身份证图像所在区域的方法,该方法一方面避免了检测结果中存在身份证图像之外的图像,另一方面避免了检测结果中身份证图像文字倾斜,因此大大提升了根据检测结果提取信息的可靠性和准确性。
此外,本申请还提供了一种身份证图像的检测装置、设备及计算机可读存储介质,其作用与上述方法相对应,这里不再赘述。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案,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的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请所提供的一种身份证图像的检测方法实施例一的实现流程图;
图2为本申请所提供的一种身份证图像的检测方法实施例二的实现流程图;
图3为传统的目标检测模型的结构示意图;
图4为本申请所提供的一种身份证图像的检测方法实施例二中目标检测模型的结构示意图;
图5为本申请所提供的一种身份证图像的检测装置实施例的功能框图;
图6为本申请所提供的一种身份证图像的检测设备的结构示意图。
具体实施方式
本申请的核心是提供一种身份证图像的检测方法、装置、设备及计算机可读存储介质,能够直接确定身份证图像的顶点坐标,实现了准确定位身份证图像的目的,提升了根据检测结果提取信息的可靠性和准确性。
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
下面对本申请提供的一种身份证图像的检测方法实施例一进行介绍,参见图1,实施例一包括:
步骤S101:获取目标图像。
上述目标图像是指待进行身份证图像检测的图像,具体的,目标图像中可以包括一个或多个身份证图像,为方便描述,下面本实施例将针对目标图像中存在单个身份证图像的情形来进行描述,对于目标图像中存在多个身份证图像的情形可以参照单个身份证图像的处理方式。
步骤S102:将目标图像输入预先经过训练的神经网络模型,得到目标图像中身份证图像的顶点坐标数据。
如上所述,上述神经网络模型为预先经过训练的神经网络模型,用于实现从包括身份证图像的图像中提取到身份证图像的顶点坐标。本实施例对神经网络模型的模型结构不做具体限定,在实际应用场景中,首先搭建神经网络模型,然后进入训练过程,将包括身份证图像的图像作为训练样本,并标记各个训练样本中身份证图像的实际顶点坐标,根据神经网络模型输出的预测顶点坐标和实际顶点坐标来计算损失值,通过调整模型参数来让损失值落入预设范围内,重复上述过程直至收敛从而实现训练。
特别说明的是,上述顶点坐标数据为能够唯一确定身份证图像位置的顶点坐标,具体可以为身份证图像的四个顶点的坐标数据,还可以为身份证图像中任意三个顶点的坐标数据,甚至还可以为身份证图像中互为对角的两个顶点的坐标数据。此外,当上述目标图像中包括多个身份证图像时,上述神经网络模型不仅输出身份证图像的顶点坐标数据,还输出各个顶点坐标数据的标识信息以表明哪些顶点坐标数据为同一身份证图像的顶点坐标数据。
步骤S103:根据顶点坐标数据,从目标图像截取身份证图像以作为检测结果。
作为一种具体的实施方式,可以先通过放射变换根据上述顶点坐标数据对目标图像进行旋转,使得目标图像中的身份证图像处于水平位置,然后,再从旋转后的目标图像中裁剪身份证图像,以作为检测结果。
本实施例所提供一种身份证图像的检测方法,在获取目标图像后,将目标图像输入预先经过训练的神经网络模型,得到目标图像中身份证图像的顶点坐标数据,最后根据顶点坐标数据,从目标图像截取身份证图像以作为检测结果。可见,该方法能够利用神经网络模型直接确定目标图像中身份证图像的顶点坐标数据,实现准确定位身份证图像的目的,相较于传统的只能确定身份证图像所在区域的方法,该方法一方面避免了检测结果中存在身份证图像之外的图像,另一方面保证了检测结果中身份证图像文字不倾斜,因此大大提升了根据检测结果提取信息的可靠性和准确性。
此外,据本领域技术人员所知,传统的身份证图像的检测模型主要分为两个部分,第一部分负责识别身份证图像,并输出身份证图像的检测框,第二部分对检测框内的图像进行再次识别,得到身份证图像的顶点坐标数据。而本实施例提供的一种身份证图像的检测方法,预先构建了神经网络模型,在检测过程中,能够利用该神经网络模型直接检测得到身份证图像的顶点坐标数据,显著提升了检测效率。
下面开始详细介绍本申请提供的一种身份证图像的检测方法实施例二,实施例二基于上述实施例一实现,并在实施例一的基础上进行了一定程度上的拓展。具体的,实施例二选用了以MobileNet为主干网络的目标检测模型,并对根据顶点坐标数据得到检测结果的实现过程进行了详尽的描述。
参见图2,实施例二具体包括:
步骤S201:获取目标图像,并进行预处理。
在实际应用场景中,在获取目标图像之后,需要对目标图像进行预处理,以便于后续神经网络模型可以直接识别目标图像。具体的,对目标图像进行放射变换和明暗操作,降低光强度对图像分析的干扰,此外,将目标图像缩放到预设大小,并将其像素值减去全部像素值的均值。值得一提的是,在训练过程中,缩放图像时需要对身份证顶点坐标进行相应调整。
步骤S202:将目标图像输入预先经过训练的以MobileNet为主干网络的目标检测模型,得到目标图像中身份证图像的顶点坐标数据、初始检测框、正反面状态参数、身份证图像为真实身份证图像的概率参数。
本实施例选用了传统的目标检测模型(简称SSD),并在其基础上进行了两点改进,其中传统的目标检测模型的结构如图3所示,改进后的目标检测模型如图4所示,具体的,本实施例一方面将目标检测模型的主干网络由VGG-16修改为MoblieNet,提升了检测速度,另一方面修改了模型的输出,在传统的目标检测模型输出的基础上增加了顶点坐标数据。值得一提的是,上述正反面参数反映了身份证图像的正反面状态,该参数的具体取值包括三种,分别为正面、反面、不存在。
需要说明的是,上述以MobileNet为主干网络的目标检测模型仅作为本实施例提供的一种实施方式,在实际应用场景中,通过多级级联网络也可以实现上述过程。
步骤S203:在身份证图像与初始检测框不平行时,根据初始检测框和顶点坐标数据将身份证图像调整到与初始检测框相平行的位置。
步骤S204:确定经过位置调整后的身份证图像的最终检测框。
步骤S205:根据最终检测框,从目标图像截取身份证图像。
步骤S206:将截取到的身份证图像、正反面状态参数、身份证图像为真实身份证图像的概率参数作为检测结果输出。
下面对本实施例涉及的目标检测模型的训练过程进行简要描述,其中训练样本的准备过程在此不再赘述,此处主要描述格局训练样本调整模型参数的过程。具体的,在将训练样本输入模型之后,会得到预测顶点坐标数据,然后根据预测顶点坐标数据以及该训练样本的实际顶点坐标数据,计算实际身份证图像与预测身份证图像之间的夹角,具体可以实际身份证图像指定边与预测额身份证图像指定边的夹角,然后根据夹角计算实际身份证图像与预测身份证图像之间的损失值,并根据损失值调整模型参数直至损失值落入预设范围,重复上述过程直至收敛,则模型训练完成。
可见,本实施例提供的一种身份证图像的检测方法,在实施例一的基础上,选取了以MobileNet为主干网络的目标检测模型,有效利用了传统的目标检测模型的检测效率较高的特点,且通过对传统的目标检测网络模型进行两点改进,一方面提升了目标检测速率,另一方面丰富了模型输出内容,其中模型输出的顶点坐标数据有助于实现准确定位身份证图像,而模型输出的正反面状态参数、身份证图像为真实身份证图像的概率参数提升了检测结果的参考价值。
下面对本申请实施例提供的一种身份证图像的检测装置实施例进行介绍,下文描述的一种身份证图像的检测装置与上文描述的一种身份证图像的检测方法可相互对应参照。
如图5所示,该装置实施例包括:
图像获取模块501:用于获取目标图像;
坐标确定模块502:用于将所述目标图像输入预先经过训练的神经网络模型,得到所述目标图像中身份证图像的顶点坐标数据;
检测结果模块503:用于根据所述顶点坐标数据,从所述目标图像截取所述身份证图像以作为检测结果。
作为一种具体的实施方式,所述坐标确定模块502具体用于:
将所述目标图像输入预先经过训练的以MobileNet为主干网络的目标检测模型,得到所述目标图像中身份证图像的顶点坐标数据和初始检测框。
本实施例的一种身份证图像的检测装置用于实现前述的一种身份证图像的检测方法,因此该装置中的具体实施方式可见前文中的一种身份证图像的检测方法的实施例部分,例如,图像获取模块501、坐标确定模块502、检测结果模块503,分别用于实现上述一种身份证图像的检测方法中步骤S101,S102,S103。所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再展开介绍。
另外,由于本实施例的一种身份证图像的检测装置用于实现前述的一种身份证图像的检测方法,因此其作用与上述方法的作用相对应,这里不再赘述。
此外,本申请还提供了一种身份证图像的检测设备,如图6所示,该设备包括:
存储器601:用于存储计算机程序;
处理器602:用于执行所述计算机程序,以实现如上任意一项所述的一种身份证图像的检测方法的步骤。
最后,本申请还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上存储有计算机程序,所述计算机程序被处理器执行时用于实现如上任意一项所述的一种身份证图像的检测方法的步骤。
本实施例的一种身份证图像的检测设备及计算机可读存储介质用于实现前述的一种身份证图像的检测方法,因此该设备、计算机可读存储介质的具体实施方式可见前文中的一种身份证图像的检测方法的实施例部分,且二者的作用与上述方法实施例的作用相对应,这里不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种身份证图像的检测方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种身份证图像的检测方法,其特征在于,包括:
获取目标图像;
将所述目标图像输入预先经过训练的神经网络模型,得到所述目标图像中身份证图像的顶点坐标数据;
根据所述顶点坐标数据,从所述目标图像截取所述身份证图像以作为检测结果。
2.如权利要求1所述的方法,其特征在于,所述将所述目标图像输入预先经过训练的神经网络模型,得到所述身份证图像的顶点坐标数据,包括:
将所述目标图像输入预先经过训练的以MobileNet为主干网络的目标检测模型,得到所述目标图像中身份证图像的顶点坐标数据和初始检测框。
3.如权利要求2所述的方法,其特征在于,所述根据所述顶点坐标数据,从所述目标图像截取所述身份证图像以作为检测结果,包括:
在所述身份证图像与所述初始检测框不平行时,根据所述初始检测框和所述顶点坐标数据将所述身份证图像调整到与所述初始检测框相平行的位置;
确定经过位置调整后的身份证图像的最终检测框;
根据所述最终检测框,从所述目标图像截取所述身份证图像以作为检测结果。
4.如权利要求3所述的方法,其特征在于,所述根据所述顶点坐标数据,从所述目标图像截取所述身份证图像以作为检测结果,包括:
根据所述顶点坐标数据,从所述目标图像截取所述身份证图像;
将截取到的身份证图像、所述身份证图像的正反面状态参数、所述身份证图像为真实身份证图像的概率参数作为检测结果输出。
5.如权利要求1-4任意一项所述的方法,其特征在于,所述顶点坐标数据为所述身份证图像中互为对角的两个顶点的坐标数据,或所述身份证图像中任意三个顶点的坐标数据,或所述身份证图像的四个顶点的坐标数据。
6.如权利要求5所述的方法,其特征在于,在所述获取目标图像之前,还包括:
获取训练样本图像,以及所述训练样本图像中身份证图像的实际顶点坐标数据;
将所述训练样本图像输入神经网络模型,得到预测顶点坐标数据;
根据所述实际顶点坐标数据和所述预测顶点坐标数据,确定真实身份证图像与预测身份证图像之间的夹角值;
根据所述夹角值,确定所述预测顶点坐标数据与所述实际顶点坐标数据之间的损失值;
根据所述损失值调整所述神经网络模型的模型参数直至收敛以实现对所述神经网络模型的训练。
7.一种身份证图像的检测装置,其特征在于,包括:
图像获取模块:用于获取目标图像;
坐标确定模块:用于将所述目标图像输入预先经过训练的神经网络模型,得到所述目标图像中身份证图像的顶点坐标数据;
检测结果模块:用于根据所述顶点坐标数据,从所述目标图像截取所述身份证图像以作为检测结果。
8.如权利要求7所述的装置,其特征在于,所述坐标确定模块具体用于:
将所述目标图像输入预先经过训练的以MobileNet为主干网络的目标检测模型,得到所述目标图像中身份证图像的顶点坐标数据和初始检测框。
9.一种身份证图像的检测设备,其特征在于,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序,以实现如权利要求1-6任意一项所述的一种身份证图像的检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于实现如权利要求1-6任意一项所述的一种身份证图像的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910334520.9A CN110059680A (zh) | 2019-04-24 | 2019-04-24 | 一种身份证图像的检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910334520.9A CN110059680A (zh) | 2019-04-24 | 2019-04-24 | 一种身份证图像的检测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110059680A true CN110059680A (zh) | 2019-07-26 |
Family
ID=67320472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910334520.9A Pending CN110059680A (zh) | 2019-04-24 | 2019-04-24 | 一种身份证图像的检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059680A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458238A (zh) * | 2019-08-02 | 2019-11-15 | 南通使爱智能科技有限公司 | 一种证件圆弧点检测和定位的方法及系统 |
CN111860522A (zh) * | 2020-07-23 | 2020-10-30 | 中国平安人寿保险股份有限公司 | 身份证图片处理方法、装置、终端及存储介质 |
CN111950570A (zh) * | 2020-08-26 | 2020-11-17 | Oppo广东移动通信有限公司 | 目标图像提取方法、神经网络训练方法及装置 |
CN112464744A (zh) * | 2020-11-09 | 2021-03-09 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种鱼姿态识别方法 |
CN112560834A (zh) * | 2019-09-26 | 2021-03-26 | 武汉金山办公软件有限公司 | 一种坐标预测模型生成方法、装置及图形识别方法、装置 |
CN113516673A (zh) * | 2020-04-10 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 图像检测方法、装置、设备和存储介质 |
CN113538291A (zh) * | 2021-08-02 | 2021-10-22 | 广州广电运通金融电子股份有限公司 | 卡证图像倾斜校正方法、装置、计算机设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169493A (zh) * | 2017-05-31 | 2017-09-15 | 北京小米移动软件有限公司 | 信息识别方法及装置 |
CN108010030A (zh) * | 2018-01-24 | 2018-05-08 | 福州大学 | 一种基于深度学习的航拍图像绝缘子实时检测方法 |
CN108038880A (zh) * | 2017-12-20 | 2018-05-15 | 百度在线网络技术(北京)有限公司 | 用于处理图像的方法和装置 |
CN108875833A (zh) * | 2018-06-22 | 2018-11-23 | 北京智能管家科技有限公司 | 神经网络的训练方法、人脸识别方法及装置 |
CN109242882A (zh) * | 2018-08-06 | 2019-01-18 | 北京市商汤科技开发有限公司 | 视觉跟踪方法、装置、介质及设备 |
CN109389589A (zh) * | 2018-09-28 | 2019-02-26 | 百度在线网络技术(北京)有限公司 | 用于统计人数的方法和装置 |
-
2019
- 2019-04-24 CN CN201910334520.9A patent/CN110059680A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169493A (zh) * | 2017-05-31 | 2017-09-15 | 北京小米移动软件有限公司 | 信息识别方法及装置 |
CN108038880A (zh) * | 2017-12-20 | 2018-05-15 | 百度在线网络技术(北京)有限公司 | 用于处理图像的方法和装置 |
CN108010030A (zh) * | 2018-01-24 | 2018-05-08 | 福州大学 | 一种基于深度学习的航拍图像绝缘子实时检测方法 |
CN108875833A (zh) * | 2018-06-22 | 2018-11-23 | 北京智能管家科技有限公司 | 神经网络的训练方法、人脸识别方法及装置 |
CN109242882A (zh) * | 2018-08-06 | 2019-01-18 | 北京市商汤科技开发有限公司 | 视觉跟踪方法、装置、介质及设备 |
CN109389589A (zh) * | 2018-09-28 | 2019-02-26 | 百度在线网络技术(北京)有限公司 | 用于统计人数的方法和装置 |
Non-Patent Citations (3)
Title |
---|
潘新星 等: "基于卷积目标检测的3D眼球追踪系统深度估计", 《仪器仪表学报》 * |
牟乃夏 等: "《ArcGIS10地理信息系统教程 从初学到精通》", 30 September 2012, 测绘出版社 * |
韩九强 等: "《数字图像处理 基于XAVIS组态软件》", 30 September 2018, 西安交通大学出版社 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458238A (zh) * | 2019-08-02 | 2019-11-15 | 南通使爱智能科技有限公司 | 一种证件圆弧点检测和定位的方法及系统 |
CN112560834A (zh) * | 2019-09-26 | 2021-03-26 | 武汉金山办公软件有限公司 | 一种坐标预测模型生成方法、装置及图形识别方法、装置 |
CN112560834B (zh) * | 2019-09-26 | 2024-05-10 | 武汉金山办公软件有限公司 | 一种坐标预测模型生成方法、装置及图形识别方法、装置 |
CN113516673A (zh) * | 2020-04-10 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 图像检测方法、装置、设备和存储介质 |
CN113516673B (zh) * | 2020-04-10 | 2022-12-02 | 阿里巴巴集团控股有限公司 | 图像检测方法、装置、设备和存储介质 |
CN111860522B (zh) * | 2020-07-23 | 2024-02-02 | 中国平安人寿保险股份有限公司 | 身份证图片处理方法、装置、终端及存储介质 |
CN111860522A (zh) * | 2020-07-23 | 2020-10-30 | 中国平安人寿保险股份有限公司 | 身份证图片处理方法、装置、终端及存储介质 |
CN111950570A (zh) * | 2020-08-26 | 2020-11-17 | Oppo广东移动通信有限公司 | 目标图像提取方法、神经网络训练方法及装置 |
WO2022042120A1 (zh) * | 2020-08-26 | 2022-03-03 | Oppo广东移动通信有限公司 | 目标图像提取方法、神经网络训练方法及装置 |
CN111950570B (zh) * | 2020-08-26 | 2023-11-21 | Oppo广东移动通信有限公司 | 目标图像提取方法、神经网络训练方法及装置 |
CN112464744A (zh) * | 2020-11-09 | 2021-03-09 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种鱼姿态识别方法 |
CN113538291A (zh) * | 2021-08-02 | 2021-10-22 | 广州广电运通金融电子股份有限公司 | 卡证图像倾斜校正方法、装置、计算机设备和存储介质 |
CN113538291B (zh) * | 2021-08-02 | 2024-05-14 | 广州广电运通金融电子股份有限公司 | 卡证图像倾斜校正方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059680A (zh) | 一种身份证图像的检测方法、装置及设备 | |
CN104835164B (zh) | 一种双目摄像头深度图像的处理方法及装置 | |
US11467661B2 (en) | Gaze-point determining method, contrast adjusting method, and contrast adjusting apparatus, virtual reality device and storage medium | |
CN103679173B (zh) | 图像显著区域检测方法 | |
US20130294653A1 (en) | Methods and systems for optimized parameter selection in automated license plate recognition | |
CN103578084A (zh) | 基于亮通道滤波的彩色图像增强方法 | |
CN109509198B (zh) | 校正损伤的设备和方法 | |
CN103808265B (zh) | 油菜叶片及菌核病斑形态同步测量的方法、装置及系统 | |
CN109584204A (zh) | 一种图像噪声强度估计方法、存储介质、处理及识别装置 | |
US8483480B2 (en) | Method and system for factoring an illumination image | |
CN104240180B (zh) | 一种实现图像自动调整的方法及装置 | |
CN103250183A (zh) | 脸认证系统、脸认证方法、以及脸认证程序 | |
CN110544300B (zh) | 一种基于二维手绘图像特征自动生成三维模型的方法 | |
EP3110149B1 (en) | A system and a method for depth-image-based rendering | |
US8385655B2 (en) | Method and system for generating intrinsic images using single reflectance technique | |
CN107480644A (zh) | 眼底图像中视盘的定位与分割方法、装置和存储介质 | |
CN108510493A (zh) | 医学图像内目标对象的边界定位方法、存储介质及终端 | |
CN104408462A (zh) | 面部特征点快速定位方法 | |
CN103544491A (zh) | 一种面向复杂背景的光学字符识别方法及装置 | |
CN108875734A (zh) | 肝脏癌变定位方法、装置及存储介质 | |
CN105225218B (zh) | 用于文档图像的畸变校正方法和设备 | |
CN109447963A (zh) | 一种脑部影像识别的方法及装置 | |
CN104299241A (zh) | 基于 Hadoop 的遥感图像显著性目标检测方法及系统 | |
CN106371614A (zh) | 手势识别的优化方法和装置 | |
CN104036481A (zh) | 一种基于深度信息提取的多聚焦图像融合方法 |
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: 20190726 |