CN110399873A - 身份证图像获取方法、装置、电子设备及存储介质 - Google Patents
身份证图像获取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110399873A CN110399873A CN201910625819.XA CN201910625819A CN110399873A CN 110399873 A CN110399873 A CN 110399873A CN 201910625819 A CN201910625819 A CN 201910625819A CN 110399873 A CN110399873 A CN 110399873A
- Authority
- CN
- China
- Prior art keywords
- identity card
- image
- card
- network
- target image
- 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
- G06F18/24—Classification techniques
-
- 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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种身份证图像获取方法,属于图像处理技术领域,用于解决现有技术中从采集的图像中获取身份证图像时受图像采集、环境杂质以及光照,以及背景杂质的干扰,导致身份证图像定位精度低的问题。所述方法包括:通过级联神经网络确定目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息;若所述身份证分类结果指示所述身份证定位框信息中包括身份证图像,则根据所述身份证关键点信息,在所述目标图像中添加身份证轮廓线;对包含所述身份证轮廓线的所述目标图像进行图像处理,确定所述目标图像中的身份证图像。本申请公开的身份证图像获取方法通过结合机器学习和图像处理技术,有助于提升获取身份证图像的精度,便于广泛应用。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种身份证图像获取方法、装置、电子设备及计算机可读存储介质。
背景技术
基于图像的身份证识别技术具有广泛的应用,而基于图像的身份证定位技术,直接影响身份证识别的准确性。传统的基于图像的身份证定位技术的步骤如下:实现通过对图像进行灰度化处理,将原三通道颜色的身份证图像转换为单通道图像;然后,对该单通道图像进行二值化处理;之后,对二值化后的图像采用如中值滤波,均值滤波等滤波方法进行滤波处理,去除大量的噪声干扰;再后,对滤波后得到的图像进行腐蚀处理,去除一些图像中的细微杂质,再进行膨胀处理,以还原原始图像的形状,以防止腐蚀严重使得图像出现断裂;最后,通过轮廓检测提取处理边缘,即得到身份证的定位信息。
传统的基于图像处理定位身份证的方法很容易受到噪声和光照条件的影响,通常要经过复杂的滤波和光照处理来解决背景干扰问题,在进行图像处理的过程中,二值化或滤波处理的阈值设定受图像的拍摄环境影响较大,需要在一定范围内的环境下才能有较好的效果,对于有些环境拍摄的身份证图像存在定位精度低甚至定位失败的问题。
发明内容
本申请提供一种身份证图像获取方法,有助于提升获取身份证图像的精度,具有更强的环境鲁棒性。
为了解决上述问题,第一方面,本申请实施例提供了一种身份证图像获取方法,包括:
通过级联神经网络确定目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息;
若所述身份证分类结果指示所述身份证定位框信息中包括身份证图像,则根据所述身份证关键点信息,在所述目标图像中添加身份证轮廓线;
对包含所述身份证轮廓线的所述目标图像进行图像处理,确定所述目标图像中的身份证图像。
在本申请的一些实施例中,所述级联神经网络包括顺序连接的粗定位网络、精炼网络和输出网络,所述粗定位网络、所述精炼网络和所述输出网络均为卷积神经网络,所述粗定位网络、所述精炼网络和所述输出网络各自的每两个卷积层之间通过密集块密集连接。
在本申请的一些实施例中,所述通过级联神经网络确定目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息的步骤,包括:
通过所述粗定位网络对所述目标图像进行卷积运算和池化处理,确定所述目标图像中的第一身份证候选框信息;
将所述目标图像和所述第一身份证候选框信息输入至所述精炼网络,通过所述精炼网络对所述第一身份证候选框信息进行筛选和调整,得到所述身份证候选框的第二身份证候选框信息;
将所述目标图像和所述第二身份证候选框信息输入至所述输出网络,通过所述输出网络确定所述目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息。
在本申请的一些实施例中,所述输出网络包括用于输出身份证定位框信息的任务、用于输出身份证分类结果的任务和用于输出身份证关键点信息的任务,其中,
用于输出身份证定位框信息的任务和用于输出身份证关键点信息的任务采用的损失函数为欧式距离损失函数;
用于输出身份证分类结果的任务采用的损失函数为交叉熵损失函数。
在本申请的一些实施例中,所述对包含所述身份证轮廓线的所述目标图像进行图像处理,确定所述目标图像中的身份证图像的步骤,包括:
对包含所述身份证轮廓线的所述目标图像进行灰度处理得到灰度图像;
对所述灰度图像依次进行二值化处理和形态学处理,确定所述目标图像中的身份证区域;
根据确定的所述身份证区域,从所述目标图像中分割出待处理身份证图像;
对所述待处理身份证图像进行旋转矫正处理,确定旋转矫正处理后得到的图像作为所述目标图像中的身份证图像。
第二方面,本申请实施例提供了一种身份证图像获取装置,包括:
第一身份证信息确定模块,用于通过级联神经网络确定目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息;
轮廓线添加模块,用于若所述身份证分类结果指示所述身份证定位框信息中包括身份证图像,则根据所述身份证关键点信息,在所述目标图像中添加身份证轮廓线;
第二身份证信息确定模块,用于对包含所述身份证轮廓线的所述目标图像进行图像处理,确定所述目标图像中的身份证图像。
在本申请的一些实施例中,所述级联神经网络包括顺序连接的粗定位网络、精炼网络和输出网络,所述粗定位网络、所述精炼网络和所述输出网络均为卷积神经网络,所述粗定位网络、所述精炼网络和所述输出网络各自的每两个卷积层之间通过密集块密集连接。
在本申请的一些实施例中,在通过级联神经网络确定目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息时,所述第一身份证信息确定模块进一步包括:
通过所述粗定位网络对所述目标图像进行卷积运算和池化处理,确定所述目标图像中的第一身份证候选框信息;
将所述目标图像和所述第一身份证候选框信息输入至所述精炼网络,通过所述精炼网络对所述第一身份证候选框信息进行筛选和调整,得到所述身份证候选框的第二身份证候选框信息;
将所述目标图像和所述第二身份证候选框信息输入至所述输出网络,通过所述输出网络确定所述目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息。
在本申请的一些实施例中,所述输出网络包括用于输出身份证定位框信息的任务、用于输出身份证分类结果的任务和用于输出身份证关键点信息的任务,其中,
用于输出身份证定位框信息的任务和用于输出身份证关键点信息的任务采用的损失函数为欧式距离损失函数;
用于输出身份证分类结果的任务采用的损失函数为交叉熵损失函数。
在本申请的一些实施例中,在对包含所述身份证轮廓线的所述目标图像进行图像处理,确定所述目标图像中的身份证图像时,所述第二身份证信息确定模块进一步用于:
对包含所述身份证轮廓线的所述目标图像进行灰度处理得到灰度图像;
对所述灰度图像依次进行二值化处理和形态学处理,确定所述目标图像中的身份证区域;
根据确定的所述身份证区域,从所述目标图像中分割出待处理身份证图像;
对所述待处理身份证图像进行旋转矫正处理,确定旋转矫正处理后得到的图像作为所述目标图像中的身份证图像。
第三方面,本申请实施例还公开了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在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本申请实施例所述的身份证图像获取方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时本申请实施例公开的身份证图像获取方法的步骤。
本申请实施例公开的身份证图像获取方法,通过级联神经网络确定目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息;若所述身份证分类结果指示所述身份证定位框信息中包括身份证图像,则根据所述身份证关键点信息,在所述目标图像中添加身份证轮廓线;对包含所述身份证轮廓线的所述目标图像进行图像处理,确定所述目标图像中的身份证图像,解决了现有技术中从采集的图像中获取身份证图像时受图像采集、环境杂质以及光照,以及背景杂质的干扰,导致的身份证图像定位精度低的问题。
本申请实施例公开的身份证图像获取方法通过结合机器学习和图像处理技术,基于级联神经网络模型获取图像中的身份证关键点信息,之后,再进一步通过图像处理技术获取采集的图像中的身份证图像,对采集的图像的质量要求较低,有助于提升获取身份证图像的精度,便于广泛应用。
附图说明
为了更清楚地说明本申请实施例的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一的身份证图像获取方法流程图;
图2是本申请实施例一中的粗定位网络结构示意图;
图3是本申请实施例一中的精炼网络结构示意图;
图4是本申请实施例一中的输出网络结构示意图;
图5是本申请实施例二的身份证图像获取装置结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
实施例一
本申请实施例公开的一种身份证图像获取方法,如图1所示,该方法包括:步骤110至步骤130。
步骤110,通过级联神经网络确定目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息。
本申请实施例中所述的级联神经网络包括顺序连接的粗定位网络、精炼网络和输出网络,所述粗定位网络、所述精炼网络和所述输出网络均为卷积神经网络。所述粗定位网络为浅层卷积神经网络,所述精炼网络的结构较粗定位网络复杂,精炼网络中的卷积层数量和最大池化层数量均大于所述粗定位网络,所述输出网络的结构较精炼网络复杂,输出网络中的卷积层数量和最大池化层数量均大于等于所述精炼网络。级联的网络结构可以提升身份证图像定位的速度。
本申请实施例中所述的目标图像可以为RGB三通道的图像。
具体应用过程中,所述通过级联神经网络确定目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息的步骤,包括:通过所述粗定位网络对所述目标图像进行卷积运算和池化处理,确定所述目标图像中的第一身份证候选框信息;将所述目标图像和所述第一身份证候选框信息输入至所述精炼网络,通过所述精炼网络对所述第一身份证候选框信息进行筛选和调整,得到所述身份证候选框的第二身份证候选框信息;将所述目标图像和所述第二身份证候选框信息输入至所述输出网络,通过所述输出网络确定所述目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息。
例如,目标图像首先输入粗定位网络,由粗定位网络初步确定所述目标图像中的身份证候选框,并经过非极大值抑制算法(NMS)处理滤除大量高重合的身份证候选框。然后,将粗定位网络判断为正确的身份证候选框输入至精炼网络,精炼网络能够否决大量非身份证的身份证候选框从而精化身份证窗口,进一步滤除了大量分类错误的识别结果。接着精炼网络用身份证框回归向量对滤除了分类错误的身份证候选框之后得到的识别结果进行校正,并且进行非极大值抑制算法(NMS)处理。最后,将精炼网络输出的身份证候选框输入至输出网络。输出网络经过最后精准判断,输出精准的身份证定位框信息、身份证分类结果和身份证关键点信息。
本申请实施例中所述的粗定位网络、所述精炼网络和所述输出网络为卷积神经网络,所述粗定位网络、所述精炼网络和所述输出网络各自的每两个卷积层之间通过密集块密集连接。下面结合附图举例介绍各网络的结构。
参见图2,在本申请的一些实施例中,所述粗定位网络的结构包括:三个3x3的卷积层和一个2x2的池化层组成。粗定位网络对输入的图像的每一个预设尺寸(如12x 12)区域做身份证检测,每个预设尺寸区域的图像先经过第一层3x3的卷积层,与10个3*3*3的卷积核进行卷积,接着经过2x2的池化层,进行最大池化处理,生成10个5*5的特征图,然后经过第二层3x3的卷积层,与16个3*3*10的卷积核进行卷积,生成16个3*3的特征图,最后经过第三层3x3的卷积层,与32个3*3*16的卷积核进行卷积,生成32个1*1的特征图。
对于生成的32个1*1的特征图,通过2个1*1*32的卷积核进行卷积处理,生成2个1*1的特征图用于分类判定该预设尺寸的图像区域是否为身份证区域。在本申请的一些实施例中,可以根据IOU(Intersection over Union,一种测量在特定数据集中检测相应物体准确度的一个标准算法)判断预设尺寸的图像区域为身份证区域的准确性。例如,若得到的IOU值大于0.65则判定是身份证;若得到的IOU值小于0.4则判定非身份证;如得到的IOU值大于0.4且小于0.65则称为部分身份证。
在本申请的一些实施例中,上述32个1*1的特征图通过4个1*1*32的卷积核,可以生成4个1*1的特征图用于回归身份证候选框。通常,粗定位网络会输出大量的身份证候选框和每个身份证候选框中包含身份证的分类得分。
进一步的,采用非极大值抑制方法(NMS)进一步滤除大量高重合的身份证候选框。例如,将所有身份证候选框按照其分类得分进行排序,选中最高分对应的身份证候选框作为当前身份证候选框;遍历其余的身份证候选框,如果该身份证候选框和当前身份证候选框的IOU值大于0.7,则删除该身份证候选框;之后,从未被遍历的该身份证候选框继续选一个得分最高的身份证候选框,重复上述过程,即可滤除大量身份证候选框。
上述32个1*1的特征图通过10个1*1*32的卷积核,生成10个1*1的特征图用于身份证关键点的定位。
粗定位网络的每两个卷积层之间还有一个密集块(Dense Block),达到密集连接的效果,即卷积神经网络的每一层的输入都来自于前面所有层的输出的并集,通过这种连接方式可以实现特征的重复利用,并且使网络变得更窄,在一定程度上减少参数的数量,提升网络的训练效率和运行性能。
精练网络为较为复杂的卷积神经网络,在本申请的一些实施例中,参见图3,精炼网络的结构包括:两个3x3的卷积层、一个2x2的卷积层和两个3x3的池化层组成,在卷积层之间分别设置了三个密集块进行密集连接,以及,与最后一个密集块的输出连接的全连接层。
精练网络输入的是粗定位网络所输出的身份证候选框和目标图像。具体实施时,首先将目标图像和粗定位网络所输出的身份证候选框作为输入数据D1输入至精炼网络。输入数据D1首先通过精炼网络的第一个3x3的卷积层,与28个3*3*3的卷积核进行卷积,接着经过第一个3x3的池化层处理,与3x3的核进行最大池化后生成28个11*11的特征图;然后,经过第二层3x3的卷积层,与48个3*3*28的卷积核进行卷积,接着经过第二个3x3的池化层处理,与3x3的核进行最大池化后生成48个4*4的特征图;再经过第三层2x2的卷积层,与64个2*2*48的卷积核进行卷积,生成64个3*3的特征图;最后,把3*3*64的特征图映射到大小为128的全连接层。
全连接层中包括两个任务。输出大小为2的全连接层任务用于对输入图像进行分类,确定是否包含身份证图像。例如,据IOU(Intersection over Union)算法进行是否包含身份证图像的判断,若IOU大于0.65则判定输入图像中包含身份证图像,若IOU小于0.4则判定输入图像中不包含身份证图像,若IOU大于0.4且小于0.65则判定输入图像中包含部分身份证图像。输出大小为4的全连接层任务用于身份证候选框的回归定位,例如,通过非极大值抑制方法(NMS)滤除大量高重合的窗口
本申请实施例中在精炼网络的各卷积层之间共设置了三个密集块进行密集连接,使得每一层的输入都是前面所有层的输出,以加强特征图的复用,减少参数的冗余,减弱梯度的消失。
输出网络为更为复杂的卷积神经网络,在本申请的一些实施例中,参见图4,输出网络的结构包括:三个3x3的卷积层、一个2x2的卷积层、两个3x3的池化层、一个2x2的池化层和全连接层组成。输出网络输入的是精炼网络所输出的所有身份证候选框和前述目标图像。具体实施时,首先将前述目标图像和精炼网络所输出的所有身份证候选框作为输入数据D2输入至输出网络,输入数据D2先经过第一个3x3的卷积层,与32个3*3*3的卷积核进行卷积,接着经过第一个3x3的池化层,进行最大池化处理,生成32个23*23的特征图;然后经过第二层3x3的卷积层,与64个3*3*32的卷积核卷积,接着经过第二个3x3的池化层进行最大池化处理,生成64个10*10的特征图;再经过第三层3x3的卷积层,与64个3*3*64的卷积核进行卷积,接着与第三个2x2的池化层进行最大池化处理,生成64个4*4的特征图;再经过第四层2x2的卷积层,与128个2*2*64的卷积核卷积,生成128个3*3的特征图;最后输入至全连接层连接。
在输出网络的卷积层之间分别设置了密集块进行密集连接,最后连接全连接层映射到大小为256大小的全连接层。
全连接层中包括三个任务。输出大小为2的全连接层任务用于对输入图像进行分类,确定是否包含身份证图像。例如,据IOU(Intersection over Union)算法进行是否包含身份证图像的判断。输出大小为4的全连接层任务用于身份证候选框的回归定位,例如,通过非极大值抑制方法(NMS)滤除大量高重合的窗口,输出网络的全连接层输出的身份证候选框为精确的身份证定位框。输出大小为10的全连接层任务用于身份证关键点定位,可以得到四个关键点坐标,这四个关键点就是检测到的身份证四个顶点在输入图像中的位置。在卷积层之间设置密集连接块进行密集连接,同样可以使得输出网络的每一层的输入都是前面所有层的输出,起到了加强特征图的复用,减少参数的冗余,减弱梯度的消失的作用。
具体实施时,所述粗定位网络、精炼网络和输出网络需要预先训练。在网络训练的过程中,首先训练粗定位网络,然后训练精炼网络,最后训练输出网络。下面简单描述各网络的训练过程。
训练粗定位网络时,要对采集到的身份证样本图像进行预处理。例如,对身份证样本图像进行图像金字塔算法处理,设图像的高为h,宽为w,最大缩放比例是1,即缩放后的大小与原图大小一致;最小缩放比例是0.012,缩放之后的图像大小为0.012h*0.012w,经过处理得到多个尺寸的身份证样本图像,其中,有的身份证样本图像包括身份证图像,有的身份证样本图像不包括身份证图像,有的身份证样本图像包括部分身份证图像。然后,为每个身份证样本图像将图像设置样本标签,样本标签包括:身份证定位框的坐标和样本类别(即:包含身份证图像的样本、包含部分身份证图像的样本和不包含身份证图像的样本)。基于上述样本训练粗定位网络,粗定位网络的输出包括:检测到的身份证定位框、图像类别。对身份证样本图像进行图像金字塔算法处理,可以提升对身份证样本图像的容错能力,并生成更加丰富的样本。
对于一幅图像,经过粗定位网络进行身份证定位处理之后,粗定位网络会输出多个检测到的身份证定位框,以及指示输入图像是否包含身份证图像的类别信息。如果存在多幅测试样本图像,经过粗定位网络的识别,将得到每幅测试样本中检测到的多个身份证定位框以及相应测试样本的样本类别。
训练精炼网络时,以训练好的粗定位网络的输出作为训练精炼网络的样本数据。例如,可以将一批测试样本图像分别输入至训练好的粗定位网络,粗定位网络经过对输入的每幅测试样本图像进行身份证定位后,将输出每幅测试样本图像中检测得到的身份证候选框,以及各身份证候选框中图像的分类结果(即身份证候选框的置信度);粗定位网络的输出包括三部分:粗定位网络从所述样本图像中确定的若干身份证候选框,每个身份证候选框对应的分类结果,以及,将粗定位网络输出的身份证候选框映射到相应测试样本图像上,截取得到的若干图像片段;最后,将截取得到的若干图像片段进行缩放,并以相应身份证候选框中图像的分类结果(即根据相应身份证候选框截取的图像片段的分类结果)作为样本标签,训练精炼网络。由于精炼网络的网络结构较粗定位网络复杂,因此,精炼网络可以对粗定位网络检测到的身份证定位框进行进一步筛选和校正,输出更加精确的身份证定位框的坐标和样本类别。
训练输出网络时,将测试样本图像首先输入粗定位网络,由粗定位网络初步确定其中身份证候选框和身份证候选框中图像的分类结果(即身份证候选框的置信度);之后,根据粗定位网络的输出对原始测试样本图像进行截取得到若干图像片段,并将得到的若干图像片段输入至训练好的精炼网络,由精炼网络输出更加精确的身份证候选框和身份证候选框中图像的分类结果;最后,根据精炼网络的输出构建输出网络的训练数据,并训练输出网络。输出网络的每条训练数据包括样本图像和样本标签,其中样本图像是根据精炼网络输出的身份证候选框对原始测试样本图像进行截取并进行缩放处理后得到的图像片段,样本标签根据精练网络输出的身份证候选框中图像的分类结果确定。
其中,输出网络是多任务网络,包括:用于输出身份证定位框信息的任务、用于输出身份证分类结果的任务和用于输出身份证关键点信息的任务,其中,用于输出身份证定位框信息的任务和用于输出身份证关键点信息的任务采用的损失函数为欧式距离损失函数;用于输出身份证分类结果的任务采用的损失函数为交叉熵损失函数。
在本申请的一些实施例中,用于输出身份证定位框信息的任务采用的欧式距离损失函数可以表示为:
其中,为输出网络预测得到的身份证候选框;为输入图像片段中实际的身份证定位框的坐标。
在本申请的一些实施例中,用于输出身份证关键点信息的任务采用的欧式距离损失函数可以表示为:
其中,为输出网络预测得到的身份证关键点信息;为输入图像片段中实际的身份证关键点信息。
在本申请的一些实施例中,用于输出身份证分类结果的任务采用的交叉熵损失函数可以表示为:
其中,Pi为输出网络预测得到的身份证候选框中包括身份证的概率;yi det为输入图像片段的实际类别信息。
步骤120,若所述身份证分类结果指示所述身份证定位框信息中包括身份证图像,则根据所述身份证关键点信息,在所述目标图像中添加身份证轮廓线。
在本申请的一些实施例中,输出网络输出的信息包括:身份证定位框信息(如身份证定位框的坐标和尺寸)、目标图像的身份证分类结果(用于表示目标图像中是否包含身份证图像)以及身份证关键点信息(例如,目标图像中识别为身份证图像的图像区域的四个顶点坐标)。首先,根据身份证分类结果确定目标图像中是否包括身份证图像,在确定目标图像中包括身份证图像之后,在所述身份证定位框信息确定的矩形区域内进一步根据身份证关键点信息确定一个四边形区域。此处确定的四边形区域就是目标图像中包含的身份证图像的图像区域。具体实施时,还需要经过图像处理技术精确确定目标图像中的身份证图像所在区域。
在本申请的一些实施例中,在通过神经网络模型确定了目标图像中的身份证关键点信息之后,根据确定的身份证关键点信息在目标图像中添加身份证轮廓线有助于提升确定身份证图像所在区域的准确性。
在本申请的一些实施例中,根据所述身份证定位框信息和身份证关键点信息,在所述目标图像中添加身份证轮廓线的步骤,包括:将所述身份证关键点信息顺序连接,在目标图像中确定身份证图像对应的图像区域的边界;在所述目标图像中所述图像区域的边界位置添加身份证轮廓线。例如,确定目标图像中与输出网络输出的四个身份证关键点坐标对应的像素,然后,顺序连接上述两个身份证关键点的坐标,形成四条线段。上述四条线段为所述目标图像中身份证图像所在区域的边界上的线段,上述四条线段上的像素点为所述目标图像中身份证图像所在区域的边界上像素点,通过区域边界上像素点即可标识所述目标图像中身份证图像所在区域的边界。在本申请的一些实施例中,可以通过将标识所述目标图像中身份证图像所在区域的边界的像素点设置为指定颜色,可以实现在上述目标图像中添加身份证轮廓线。
步骤130,对包含所述身份证轮廓线的所述目标图像进行图像处理,确定所述目标图像中的身份证图像。
接下来,对包含身份证轮廓线的图像进行图像处理,提取所述图像中的身份证区域的图像(即所述身份证轮廓线包围的图像),然后,再对提取出的身份证区域的图像进行旋转矫正,输出最终身份证图像,用于进一步的身份证信息识别等。
在本申请的一些实施例中,所述对包含所述身份证轮廓线的所述目标图像进行图像处理(如定位、裁剪以及旋转等图像处理),确定所述目标图像中的身份证图像的步骤,包括:对包含所述身份证轮廓线的所述目标图像进行灰度处理得到灰度图像;对所述灰度图像依次进行二值化处理和形态学处理,确定所述目标图像中的身份证区域;根据确定的所述身份证区域,从所述目标图像中分割出待处理身份证图像;对所述待处理身份证图像进行旋转矫正处理,确定旋转矫正处理后得到的图像作为所述目标图像中的身份证图像。
下面以目标图像为P1、将包含身份证轮廓线的图像记为P2举例,说明最终确定所述目标图像中的身份证图像的技术方案。
首先,通过对包含所述身份证轮廓线的图像P2进行灰度处理,将图像P2变为单通道图像,得到灰度图像P3。
然后,灰度图像P3进行二值化处理,得到二值图像P4。
之后,对二值图像P4进行开运算,即先腐蚀后膨胀处理,把噪点清除,得到二值图像P5。由于图像中包含身份证轮廓线,经过二值化处理,图像中的轮廓线会更加清晰。对二值化后的图像进一步进行腐蚀膨胀处理,可以使轮廓线形成的边界更加清晰,便于精确确定二值图像P5中的身份证区域。之后,确定二值图像P5中的身份证区域。具体实施时,可以采用现有技术中的方法确定二值图像P5中的身份证区域。
接下来,将二值图像P5中的身份证区域映射到目标图像P1中,确定目标图像P1中的身份证区域。
再下来,可以参照现有技术中的方法,根据确定的所述身份证区域,从所述目标图像中分割出待处理身份证图像P6。此时,分割出来的身份证图像不包含任何背景噪声,仅包含身份证信息。
通常,由于采集身份证图像时,身份证放置通常是歪斜的,因此,从目标图像中分割出待处理身份证图像P6是旋转的,不适合后续进行身份证信息识别,接下来还需要对所述待处理身份证图像进行旋转矫正处理。对分割出的待处理身份证图像P6进行旋转矫正处理的具体方案可以采用现有技术,本申请对此不做限定。之后,将对待处理身份证图像P6进行旋转矫正处理后得到的图像P7作为所述目标图像P1中的身份证图像
本申请实施例公开的身份证图像获取方法,通过级联神经网络确定目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息;若所述身份证分类结果指示所述身份证定位框信息中包括身份证图像,则根据所述身份证关键点信息,在所述目标图像中添加身份证轮廓线;对包含所述身份证轮廓线的所述目标图像进行图像处理,确定所述目标图像中的身份证图像,解决了现有技术中从采集的图像中获取身份证图像时受图像采集、环境杂质以及光照,以及背景杂质的干扰,导致的身份证图像定位精度低的问题。
本申请实施例公开的身份证图像获取方法通过结合机器学习和图像处理技术,基于级联神经网络模型获取图像中的身份证关键点信息,之后,再进一步通过图像处理技术获取采集的图像中的身份证图像,对采集的图像的质量要求较低,有助于提升获取身份证图像的精度,便于广泛应用。
另一方面,首先通过级联神经网络模型对图像处理,确定身份证图像的关键点信息,不受人为设定的阈值影响,可以获得更加准确的身份证关键点信息。进一步的,通过在原始图像中根据身份证关键点信息标注身份证图像轮廓线,简化二值化的阈值设置、避免现有技术中在图像处理时设置图像阈值带来的条件干扰,并且,使得开运算处理时误差更小,获取的图像边界更清晰,进一步提升获取的身份证图像的精确度。
再一方面,通过采用级联网络结构,粗定位网络的结构更加简单,有助于减小级联神经网络模型的体积,并提升身份证定位的速度。并且,通过在多任务级联网络中加入密集连接结构,减轻了图像信息梯度消失的现象,加强了特征图的传递,更有效地利用了特征图,在一定程度上减少了参数数量,大大提升训练和定位效果。
实施例二
本实施例公开的一种身份证图像获取装置,如图5所示,所述装置包括:
第一身份证信息确定模块510,用于通过级联神经网络确定目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息;
轮廓线添加模块520,用于若所述身份证分类结果指示所述身份证定位框信息中包括身份证图像,则根据所述身份证关键点信息,在所述目标图像中添加身份证轮廓线;
第二身份证信息确定模块530,用于对包含所述身份证轮廓线的所述目标图像进行图像处理,确定所述目标图像中的身份证图像。
本申请的一些实施例中,所述级联神经网络包括顺序连接的粗定位网络、精炼网络和输出网络,所述粗定位网络、所述精炼网络和所述输出网络均为卷积神经网络,所述粗定位网络、所述精炼网络和所述输出网络各自的每两个卷积层之间通过密集块密集连接。
本申请的一些实施例中,在通过级联神经网络确定目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息时,所述第一身份证信息确定模块进一步包括:
通过所述粗定位网络对所述目标图像进行卷积运算和池化处理,确定所述目标图像中的第一身份证候选框信息;
将所述目标图像和所述第一身份证候选框信息输入至所述精炼网络,通过所述精炼网络对所述第一身份证候选框信息进行筛选和调整,得到所述身份证候选框的第二身份证候选框信息;
将所述目标图像和所述第二身份证候选框信息输入至所述输出网络,通过所述输出网络确定所述目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息。
本申请的一些实施例中,所述输出网络包括用于输出身份证定位框信息的任务、用于输出身份证分类结果的任务和用于输出身份证关键点信息的任务,其中,
用于输出身份证定位框信息的任务和用于输出身份证关键点信息的任务采用的损失函数为欧式距离损失函数;
用于输出身份证分类结果的任务采用的损失函数为交叉熵损失函数。
本申请的一些实施例中,,在对包含所述身份证轮廓线的所述目标图像进行图像处理,确定所述目标图像中的身份证图像时,所述第二身份证信息确定模块530进一步用于:
对包含所述身份证轮廓线的所述目标图像进行灰度处理得到灰度图像;
对所述灰度图像依次进行二值化处理和形态学处理,确定所述目标图像中的身份证区域;
根据确定的所述身份证区域,从所述目标图像中分割出待处理身份证图像;
对所述待处理身份证图像进行旋转矫正处理,确定旋转矫正处理后得到的图像作为所述目标图像中的身份证图像。
本申请实施例公开的身份证图像获取装置,用于实现本申请实施例一中所述的身份证图像获取方法的各步骤,装置的各模块的具体实施方式参见相应步骤,此处不再赘述。
本申请实施例公开的身份证图像获取装置,通过级联神经网络确定目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息;若所述身份证分类结果指示所述身份证定位框信息中包括身份证图像,则根据所述身份证关键点信息,在所述目标图像中添加身份证轮廓线;对包含所述身份证轮廓线的所述目标图像进行图像处理,确定所述目标图像中的身份证图像,解决了现有技术中从采集的图像中获取身份证图像时受图像采集、环境杂质以及光照,以及背景杂质的干扰,导致的身份证图像定位精度低的问题。
本申请实施例公开的身份证图像获取装置通过结合机器学习和图像处理技术,基于级联神经网络模型获取图像中的身份证关键点信息,之后,再进一步通过图像处理技术获取采集的图像中的身份证图像,对采集的图像的质量要求较低,有助于提升获取身份证图像的精度,便于广泛应用。
另一方面,首先通过级联神经网络模型对图像处理,确定身份证图像的关键点信息,不受人为设定的阈值影响,可以获得更加准确的身份证关键点信息。进一步的,通过在原始图像中根据身份证关键点信息标注身份证图像轮廓线,简化二值化的阈值设置、避免现有技术中在图像处理时设置图像阈值带来的条件干扰,并且,使得开运算处理时误差更小,获取的图像边界更清晰,进一步提升获取的身份证图像的精确度。
再一方面,通过采用级联网络结构,粗定位网络的结构更加简单,有助于减小级联神经网络模型的体积,并提升身份证定位的速度。并且,通过在多任务级联网络中加入密集连接结构,减轻了图像信息梯度消失的现象,加强了特征图的传递,更有效地利用了特征图,在一定程度上减少了参数数量,大大提升训练和定位效果。
相应的,本申请还公开了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在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实施例一所述的身份证图像获取方法。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。
本申请还公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例一所述的身份证图像获取方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对本申请提供的一种身份证图像获取方法及装置进行了详细介绍,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;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
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各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
Claims (12)
1.一种身份证图像获取方法,其特征在于,包括:
通过级联神经网络确定目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息;
若所述身份证分类结果指示所述身份证定位框信息中包括身份证图像,则根据所述身份证关键点信息,在所述目标图像中添加身份证轮廓线;
对包含所述身份证轮廓线的所述目标图像进行图像处理,确定所述目标图像中的身份证图像。
2.根据权利要求1所述的方法,其特征在于,所述级联神经网络包括顺序连接的粗定位网络、精炼网络和输出网络,所述粗定位网络、所述精炼网络和所述输出网络均为卷积神经网络,所述粗定位网络、所述精炼网络和所述输出网络各自的每两个卷积层之间通过密集块密集连接。
3.根据权利要求2所述的方法,其特征在于,所述通过级联神经网络确定目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息的步骤,包括:
通过所述粗定位网络对所述目标图像进行卷积运算和池化处理,确定所述目标图像中的第一身份证候选框信息;
将所述目标图像和所述第一身份证候选框信息输入至所述精炼网络,通过所述精炼网络对所述第一身份证候选框信息进行筛选和调整,得到所述身份证候选框的第二身份证候选框信息;
将所述目标图像和所述第二身份证候选框信息输入至所述输出网络,通过所述输出网络确定所述目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息。
4.根据权利要求3所述的方法,其特征在于,所述输出网络包括用于输出身份证定位框信息的任务、用于输出身份证分类结果的任务和用于输出身份证关键点信息的任务,其中,
用于输出身份证定位框信息的任务和用于输出身份证关键点信息的任务采用的损失函数为欧式距离损失函数;
用于输出身份证分类结果的任务采用的损失函数为交叉熵损失函数。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述对包含所述身份证轮廓线的所述目标图像进行图像处理,确定所述目标图像中的身份证图像的步骤,包括:
对包含所述身份证轮廓线的所述目标图像进行灰度处理得到灰度图像;
对所述灰度图像依次进行二值化处理和形态学处理,确定所述目标图像中的身份证区域;
根据确定的所述身份证区域,从所述目标图像中分割出待处理身份证图像;
对所述待处理身份证图像进行旋转矫正处理,确定旋转矫正处理后得到的图像作为所述目标图像中的身份证图像。
6.一种身份证图像获取装置,其特征在于,包括:
第一身份证信息确定模块,用于通过级联神经网络确定目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息;
轮廓线添加模块,用于若所述身份证分类结果指示所述身份证定位框信息中包括身份证图像,则根据所述身份证关键点信息,在所述目标图像中添加身份证轮廓线;
第二身份证信息确定模块,用于对包含所述身份证轮廓线的所述目标图像进行图像处理,确定所述目标图像中的身份证图像。
7.根据权利要求6所述的装置,其特征在于,所述级联神经网络包括顺序连接的粗定位网络、精炼网络和输出网络,所述粗定位网络、所述精炼网络和所述输出网络均为卷积神经网络,所述粗定位网络、所述精炼网络和所述输出网络各自的每两个卷积层之间通过密集块密集连接。
8.根据权利要求7所述的装置,其特征在于,在通过级联神经网络确定目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息时,所述第一身份证信息确定模块进一步包括:
通过所述粗定位网络对所述目标图像进行卷积运算和池化处理,确定所述目标图像中的第一身份证候选框信息;
将所述目标图像和所述第一身份证候选框信息输入至所述精炼网络,通过所述精炼网络对所述第一身份证候选框信息进行筛选和调整,得到所述身份证候选框的第二身份证候选框信息;
将所述目标图像和所述第二身份证候选框信息输入至所述输出网络,通过所述输出网络确定所述目标图像中的身份证定位框信息、身份证分类结果和身份证关键点信息。
9.根据权利要求8所述的装置,其特征在于,所述输出网络包括用于输出身份证定位框信息的任务、用于输出身份证分类结果的任务和用于输出身份证关键点信息的任务,其中,
用于输出身份证定位框信息的任务和用于输出身份证关键点信息的任务采用的损失函数为欧式距离损失函数;
用于输出身份证分类结果的任务采用的损失函数为交叉熵损失函数。
10.根据权利要求6至9任一项所述的装置,其特征在于,在对包含所述身份证轮廓线的所述目标图像进行图像处理,确定所述目标图像中的身份证图像时,所述第二身份证信息确定模块进一步用于:
对包含所述身份证轮廓线的所述目标图像进行灰度处理得到灰度图像;
对所述灰度图像依次进行二值化处理和形态学处理,确定所述目标图像中的身份证区域;
根据确定的所述身份证区域,从所述目标图像中分割出待处理身份证图像;
对所述待处理身份证图像进行旋转矫正处理,确定旋转矫正处理后得到的图像作为所述目标图像中的身份证图像。
11.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在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权利要求1至5任意一项所述的身份证图像获取方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至5任意一项所述的身份证图像获取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910625819.XA CN110399873A (zh) | 2019-07-11 | 2019-07-11 | 身份证图像获取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910625819.XA CN110399873A (zh) | 2019-07-11 | 2019-07-11 | 身份证图像获取方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110399873A true CN110399873A (zh) | 2019-11-01 |
Family
ID=68324569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910625819.XA Pending CN110399873A (zh) | 2019-07-11 | 2019-07-11 | 身份证图像获取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110399873A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111950554A (zh) * | 2020-08-17 | 2020-11-17 | 深圳市丰巢网络技术有限公司 | 一种身份证识别方法、装置、设备及存储介质 |
CN112200183A (zh) * | 2020-09-30 | 2021-01-08 | 北京字节跳动网络技术有限公司 | 图像处理的方法、装置、设备和计算机可读介质 |
CN112668572A (zh) * | 2020-12-24 | 2021-04-16 | 成都新希望金融信息有限公司 | 身份证图像标准化方法、装置、电子设备及存储介质 |
CN113221897A (zh) * | 2020-02-06 | 2021-08-06 | 马上消费金融股份有限公司 | 图像矫正方法、图像文本识别方法、身份验证方法及装置 |
CN116129456A (zh) * | 2023-02-09 | 2023-05-16 | 广西壮族自治区自然资源遥感院 | 一种产权权属信息识别录入方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509138A (zh) * | 2011-11-18 | 2012-06-20 | 山东神思电子技术股份有限公司 | 一种基于二代身份证和人脸特征识别的身份验证系统及其工作方法 |
CN105825243A (zh) * | 2015-01-07 | 2016-08-03 | 阿里巴巴集团控股有限公司 | 证件图像检测方法及设备 |
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 |
CN107358187A (zh) * | 2017-07-04 | 2017-11-17 | 四川云物益邦科技有限公司 | 一种证件照片识别方法 |
CN109961040A (zh) * | 2019-03-20 | 2019-07-02 | 深圳市华付信息技术有限公司 | 身份证区域定位方法、装置、计算机设备及存储介质 |
-
2019
- 2019-07-11 CN CN201910625819.XA patent/CN110399873A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509138A (zh) * | 2011-11-18 | 2012-06-20 | 山东神思电子技术股份有限公司 | 一种基于二代身份证和人脸特征识别的身份验证系统及其工作方法 |
CN105825243A (zh) * | 2015-01-07 | 2016-08-03 | 阿里巴巴集团控股有限公司 | 证件图像检测方法及设备 |
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 |
CN107358187A (zh) * | 2017-07-04 | 2017-11-17 | 四川云物益邦科技有限公司 | 一种证件照片识别方法 |
CN109961040A (zh) * | 2019-03-20 | 2019-07-02 | 深圳市华付信息技术有限公司 | 身份证区域定位方法、装置、计算机设备及存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221897A (zh) * | 2020-02-06 | 2021-08-06 | 马上消费金融股份有限公司 | 图像矫正方法、图像文本识别方法、身份验证方法及装置 |
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 |
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 |
CN111950554A (zh) * | 2020-08-17 | 2020-11-17 | 深圳市丰巢网络技术有限公司 | 一种身份证识别方法、装置、设备及存储介质 |
CN112200183A (zh) * | 2020-09-30 | 2021-01-08 | 北京字节跳动网络技术有限公司 | 图像处理的方法、装置、设备和计算机可读介质 |
CN112668572A (zh) * | 2020-12-24 | 2021-04-16 | 成都新希望金融信息有限公司 | 身份证图像标准化方法、装置、电子设备及存储介质 |
CN112668572B (zh) * | 2020-12-24 | 2023-01-31 | 成都新希望金融信息有限公司 | 身份证图像标准化方法、装置、电子设备及存储介质 |
CN116129456A (zh) * | 2023-02-09 | 2023-05-16 | 广西壮族自治区自然资源遥感院 | 一种产权权属信息识别录入方法及系统 |
CN116129456B (zh) * | 2023-02-09 | 2023-07-25 | 广西壮族自治区自然资源遥感院 | 一种产权权属信息识别录入方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110399873A (zh) | 身份证图像获取方法、装置、电子设备及存储介质 | |
CN110033471B (zh) | 一种基于连通域分析和形态学操作的框线检测方法 | |
CN108765465B (zh) | 一种无监督sar图像变化检测方法 | |
CN111815630A (zh) | 一种用于lcd屏幕的缺陷检测方法、装置 | |
CN110348437B (zh) | 一种基于弱监督学习与遮挡感知的目标检测方法 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
CN106650600A (zh) | 一种基于视频图像分析的森林烟火检测方法 | |
CN104408482A (zh) | 一种高分辨率sar图像目标检测方法 | |
CN109858547A (zh) | 一种基于bssd的目标检测方法与装置 | |
CN112102201B (zh) | 图像阴影反光消除方法、装置、计算机设备及存储介质 | |
CN112997190A (zh) | 车牌识别方法、装置及电子设备 | |
CN108537286A (zh) | 一种基于关键区域检测的复杂目标精准识别方法 | |
CN109462999B (zh) | 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置 | |
CN114926747A (zh) | 一种基于多特征聚合与交互的遥感图像定向目标检测方法 | |
Thajeel et al. | A Novel Approach for Detection of Copy Move Forgery using Completed Robust Local Binary Pattern. | |
CN106331746A (zh) | 用于识别视频文件中的水印位置的方法和装置 | |
CN110909772B (zh) | 一种高精度实时多尺度表盘指针检测方法和系统 | |
CN109508716B (zh) | 一种图像文字的定位方法及装置 | |
De Oliveira et al. | Detecting modifications in printed circuit boards from fuel pump controllers | |
CN114387230A (zh) | 一种基于重验证检测的pcb板缺陷检测方法 | |
CN113920434A (zh) | 一种基于目标的图像翻拍检测方法、装置及介质 | |
CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
CN108681691A (zh) | 一种基于无人水面艇的海上船艇快速检测方法 | |
CN112347967A (zh) | 一种复杂场景下融合运动信息的行人检测方法 | |
CN111931580A (zh) | 一种口罩佩戴检测方法 |
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 |
Application publication date: 20191101 |
|
RJ01 | Rejection of invention patent application after publication |