CN110647880A - 一种移动端身份证图像遮挡判断方法 - Google Patents
一种移动端身份证图像遮挡判断方法 Download PDFInfo
- Publication number
- CN110647880A CN110647880A CN201910738258.4A CN201910738258A CN110647880A CN 110647880 A CN110647880 A CN 110647880A CN 201910738258 A CN201910738258 A CN 201910738258A CN 110647880 A CN110647880 A CN 110647880A
- Authority
- CN
- China
- Prior art keywords
- identity card
- network
- mobile terminal
- model
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006740 morphological transformation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F18/21—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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的属于身份证识别技术领域，具体为一种移动端身份证图像遮挡判断方法，本发明用一个轻量身份证检测网络对身份证区域进行定位，方法为准备各种场景的身份证拍摄图片并用水平矩形框对身份证位置进行标注做成训练样本，同时在训练样本中加入一部分无身份证的图片作为负样本，网络训练好后应能输出输入图片中身份证外接矩形框的坐标信息；再用一个轻量分类网络判断身份证是否受到遮挡，方法为对第一步中得到的身份证外接矩形区域进行适当扩充后再裁剪送入网络进行分类，最后得出身份证是否受到遮挡的结果。本发明通过使用两个轻量网络模型完成了身份证图像的遮挡判断，具有以下特点：模型精巧、速度快、准确度高和鲁棒性高。
Description
技术领域
本发明涉及身份证识别技术领域，具体为一种移动端身份证图像遮挡判断方法。
背景技术
在身份证信息识别过程中，常常会出现由于用户拍摄证件手法不当造成身份证受到物体遮挡或者图像不完整进而影响识别精度的情况，加入身份证遮挡判断模块可以及时提醒用户调整身份证的摆位以避免物体遮挡，从而提高识别算法的准确率。
现有方法之一是用传统机器学习方法进行身份证遮挡判断，如先利用传统图像检测方法如轮廓提取、形态学变换等方法对身份证进行定位，再手工设计特征用支持向量机对定位的身份证区域进行分类，但传统机器学习方法往往鲁棒性差，准确率低，不适合商用。
现有方法之二是利用深度学习技术来进行身份证遮挡判断，一般可使用经典物体检测网络如Faster RCNN，Yolo，SSD等进行身份证的定位和遮挡判断。但这些网络的架构通常比较复杂，参数庞大，对移动端部署不够友好。
所以需要一种具有准确度高，模型小，速度快的特点，适合在移动端部署运行的身份证图像遮挡判断方法。
发明内容
本发明的目的在于提供一种移动端身份证图像遮挡判断方法，以解决上述背景技术中提出的如何实现具有准确度高，模型小，速度快的特点，适合在移动端部署运行的问题。
为实现上述目的，本发明提供如下技术方案：一种移动端身份证图像遮挡判断方法，该方法的具体步骤如下：
S1：采用摄像头进行身份证的图像进行采集；
S2：对身份证进行区域定位，准备训练样本训练身份证区域定位网络；
S3：准备各种场景的身份证拍摄图片为训练样本，用水平矩形框对样本进行标注，同时加入一部分无身份证的图片到训练样本集以避免网络发生误检；
S4：网络训练好后，输入待检测身份证图片，网络应能输出图片中身份证外接矩形框的坐标信息，可以通过这些坐标信息对身份证区域进行适当比例的扩充后再裁剪；
S5：训练一个分类网络对身份证是否受到遮挡进行判断；
S6：人工将受遮挡和未遮挡的样本分开，再使用旋转，模糊等多种手段对数据进行增广，以获得足够多的训练数据。将这两类数据输入到网络进行训练，模型收敛后网络即可正确判断输入身份证图片是否收到遮挡；
S7：训练完成后向计算框架对模型进行格式转换，使其可用于移动端部署。
优选的，所述步骤S2中采用Tiny-DSOD小模型目标检测算法的计算网络对身份证进行区域定位，Tiny-DSOD使用了针对Dense block进行改进的深度可分离卷积。
优选的，所述步骤S5中采用MobileNet-v2作为分类模型，MobileNet-v2将深度可分离卷积应用到残差网络结构，MobileNet-v2在最后输出一个1×2×1×1的张量，对原始身份证样本进行处理后可得到裁剪后的身份证图片，并用于步骤S3中的2类物体的分类，实现判断。
优选的，所述MobileNet-v2为原始状态下可输出一个1×1000×1×1的张量并用于1000类物体的分类的轻量化模型。
优选的，所述步骤S2的Tiny-DSOD小模型目标检测算法和S5中的MobileNet-v2模型均采用Caffe框架进行实现与训练。
优选的，所述步骤S7中采用NCNN神经网络前向计算框架对模型进行格式转换。
与现有技术相比，本发明的有益效果是：本发明用一个轻量身份证检测网络对身份证区域进行定位，方法为准备各种场景的身份证拍摄图片并用水平矩形框对身份证位置进行标注做成训练样本，同时在训练样本中加入一部分无身份证的图片作为负样本，网络训练好后应能输出输入图片中身份证外接矩形框的坐标信息；再用一个轻量分类网络判断身份证是否受到遮挡，方法为对第一步中得到的身份证外接矩形区域进行适当扩充后再裁剪送入网络进行分类，最后得出身份证是否受到遮挡的结果。
本发明通过使用两个轻量网络模型完成了身份证图像的遮挡判断，具有以下特点：
模型精巧：本方法中使用的两个模型都属于轻量型模型，适合移动端存储与部署。
速度快：由于模型小巧，运算速度也比一般模型更快。
准确度高：本方法使用的两个网络都应用了业内较为先进的网络设计思想，在保证网络轻量的同时在性能方面也有保证
鲁棒性高：经测试本方法对不同旋转角度，不同尺度的身份证图像遮挡判断准确度都较高。
附图说明
图1为本发明系统原理框图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
请参阅图1，本发明提供一种技术方案：一种移动端身份证图像遮挡判断方法，该方法的具体步骤如下：
S1：采用摄像头进行身份证的图像进行采集；
S2：对身份证进行区域定位，采用基于Caffe框架的Tiny-DSOD小模型目标检测算法的计算网络对身份证进行区域定位，Tiny-DSOD使用了针对Dense block进行改进的深度可分离卷积，准备训练样本训练身份证区域定位网络。
由于深度学习需要大量的训练数据，而针对特定任务需求的训练样本往往是有限的，通常情况下，目标检测算法会先使用在海量数据(如ImageNet数据集)上训练好的分类模型对需要训练的网络参数进行初始化(pre-train预训练)，然后使用训练样本对网络参数进行微调(fine-tune)，而Tiny-DSOD算法是一种无需预训练，直接基于训练样本从零开始训练目标检测模型的方法，能够从零开始训练检测网络，且效果可以与目前性能最好的模型相媲美，实现了轻量化模型设计，适用于移动端存储与部署。
DSOD的网络分为两个部分：提取特征的backbone网络和预测结果的前端网络。backbone网络是深度监督网络DenseNets的变形，由stem block、四个dense blocks、两个2个transition layers和2个transition w/o pooling layers组成。预测网络同样使用dense结构融合多尺度特征进行预测。
S3：准备各种场景的身份证拍摄图片为训练样本，用水平矩形框对样本进行标注，同时加入一部分无身份证的图片到训练样本集以避免网络发生误检，通过人工的大量从零开始的训练和深度学习，实现对Tiny-DSOD算法对于训练样本的训练学习，实现对身份证的区域的定位拍摄，从而实现对身份证的识别和捕获画面；
S4：网络训练好后，输入待检测身份证图片，网络应能输出图片中身份证外接矩形框的坐标信息，可以通过这些坐标信息对身份证区域进行适当比例的扩充后再裁剪，通过步骤S3的训练后，将捕获后的身份证通过MobileNet-v2将Block进行扩充后再裁剪，提高处理速度，Block是数据库中的最小存储和处理单位，包含块本身的头信息数据或PL/SQL代码，特点块的大小是可以在安装时选择自定义安装来指定，也可以在CREATE DATABASE创建数据库实例时指定，其最小为2K，最大可达为64K，从而实现将身份证按点进行识别成像，将身份证裁剪为多个图像点；
S5：训练一个分类网络对身份证是否受到遮挡进行判断，采用基于Caffe框架的MobileNet-v2作为分类模型，MobileNet-v2为原始状态下可输出一个1×1000×1×1的张量并用于1000类物体的分类的轻量化模型，MobileNet-v2将深度可分离卷积应用到残差网络结构，MobileNet-v2在最后输出一个1×2×1×1的张量，实现对身份证的裁剪和组装和对是否为身份证进行训练学习，从而实现对原始身份证样本进行处理后可得到裁剪后的身份证图片，并用于步骤S3中的2类物体的分类，实现判断是否为身份证；
Caffe是一种开源软件框架，内部提供了一套基本的编程框架，用以实现Tiny-DSOD算法和MobileNet-v2轻量化卷积神经网络；
MobileNet-v2轻量化卷积神经网络，经过Block的“扩张”→“卷积提特征”→“压缩”，进一步提高运算速度的同时，可进行目标检测和图像分割实验，实现了可以采用较少的参数获得较好的性能，便于对身份证识别判断进行使用；
S6：人工将受遮挡和未遮挡的样本分开，再使用旋转，模糊等多种手段对数据进行增广，以获得足够多的训练数据。将这两类数据输入到网络进行训练，通过Tiny-DSOD算法的从零开始训练检测网络，从而减少深度学习中所需要的训练数据量，进而减少整体所需的参数数量，并且通过MobileNet-v2的可以采用较少的参数获得较好性能的优点，使得性能占用较小，使用于移动端整体性能有限的情况，适合于移动端存储与部署，并且模型收敛后网络即可正确判断输入身份证图片是否收到遮挡；
S7：训练完成后用腾讯公司的NCNN神经网络前向计算框架对模型进行格式转换，通过NCNN神经网络为手机端极致优化的高性能神经网络前向计算框架，且为开源的计算框架，可便于将深度学习算法轻松移植到手机端高效执行，从而可以将参数需求本身就较小的Tiny-DSOD算法和MobileNet-v2轻量化卷积神经网络进一步优化，适用于Caffe框架使用，便于其在移动端部署和保证性能不受影响。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明；因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种移动端身份证图像遮挡判断方法，其特征在于：该方法的具体步骤如下：
S1：采用摄像头进行身份证的图像进行采集；
S2：对身份证进行区域定位，准备训练样本训练身份证区域定位网络；
S3：准备各种场景的身份证拍摄图片为训练样本，用水平矩形框对样本进行标注，同时加入一部分无身份证的图片到训练样本集以避免网络发生误检；
S4：网络训练好后，输入待检测身份证图片，网络应能输出图片中身份证外接矩形框的坐标信息，可以通过这些坐标信息对身份证区域进行适当比例的扩充后再裁剪；
S5：训练一个分类网络对身份证是否受到遮挡进行判断；
S6：人工将受遮挡和未遮挡的样本分开，再使用旋转，模糊等多种手段对数据进行增广，以获得足够多的训练数据。将这两类数据输入到网络进行训练，模型收敛后网络即可正确判断输入身份证图片是否收到遮挡；
S7：训练完成后向计算框架对模型进行格式转换，使其可用于移动端部署。
2.根据权利要求1所述的一种移动端身份证图像遮挡判断方法，其特征在于：所述步骤S2中采用Tiny-DSOD小模型目标检测算法的计算网络对身份证进行区域定位，Tiny-DSOD使用了针对Dense block进行改进的深度可分离卷积。
3.根据权利要求1所述的一种移动端身份证图像遮挡判断方法，其特征在于：所述步骤S5中采用MobileNet-v2作为分类模型，MobileNet-v2将深度可分离卷积应用到残差网络结构，MobileNet-v2在最后输出一个1×2×1×1的张量，对原始身份证样本进行处理后可得到裁剪后的身份证图片，并用于步骤S3中的2类物体的分类，实现判断。
4.根据权利要求3所述的一种移动端身份证图像遮挡判断方法，其特征在于：所述MobileNet-v2为原始状态下可输出一个1×1000×1×1的张量并用于1000类物体的分类的轻量化模型。
5.根据权利要求2或3所述的一种移动端身份证图像遮挡判断方法，其特征在于：所述步骤S2的Tiny-DSOD小模型目标检测算法和S5中的MobileNet-v2模型均采用Caffe框架进行实现与训练。
6.根据权利要求1所述的一种移动端身份证图像遮挡判断方法，其特征在于：所述步骤S7中采用NCNN神经网络前向计算框架对模型进行格式转换。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910738258.4A CN110647880A (zh) | 2019-08-12 | 2019-08-12 | 一种移动端身份证图像遮挡判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910738258.4A CN110647880A (zh) | 2019-08-12 | 2019-08-12 | 一种移动端身份证图像遮挡判断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110647880A true CN110647880A (zh) | 2020-01-03 |
Family
ID=69009449
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910738258.4A Pending CN110647880A (zh) | 2019-08-12 | 2019-08-12 | 一种移动端身份证图像遮挡判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110647880A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612058A (zh) * | 2020-05-19 | 2020-09-01 | 江苏建筑职业技术学院 | 一种基于深度学习的人工智能学习方法 |
| 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 |
| CN112200245A (zh) * | 2020-10-10 | 2021-01-08 | 深圳市华付信息技术有限公司 | 一种基于半监督的图像分类方法 |
| CN112307937A (zh) * | 2020-10-28 | 2021-02-02 | 广发证券股份有限公司 | 一种基于深度学习的身份证质检方法及系统 |
| CN112333356A (zh) * | 2020-10-09 | 2021-02-05 | 支付宝实验室(新加坡)有限公司 | 一种证件图像采集方法、装置和设备 |
| CN112633183A (zh) * | 2020-12-25 | 2021-04-09 | 平安银行股份有限公司 | 影像遮挡区域自动检测方法、装置及存储介质 |
| CN112634352A (zh) * | 2020-10-30 | 2021-04-09 | 国网山东省电力公司济宁供电公司 | 一种变电站鱼眼式分合闸状态识别方法与系统 |
| CN112883959A (zh) * | 2021-01-21 | 2021-06-01 | 平安银行股份有限公司 | 身份证照完整性检测方法、装置、设备及存储介质 |
| CN113808405A (zh) * | 2020-06-11 | 2021-12-17 | 济南市公安局交通警察支队 | 一种渣土车的实时预警方法 |
| CN114067370A (zh) * | 2022-01-17 | 2022-02-18 | 北京新氧科技有限公司 | 一种脖子遮挡检测方法、装置、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105335732A (zh) * | 2015-11-17 | 2016-02-17 | 西安电子科技大学 | 基于分块及鉴别非负矩阵分解的有遮挡人脸识别方法 |
| 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 |
| WO2019128367A1 (zh) * | 2017-12-26 | 2019-07-04 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
-
2019
- 2019-08-12 CN CN201910738258.4A patent/CN110647880A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105335732A (zh) * | 2015-11-17 | 2016-02-17 | 西安电子科技大学 | 基于分块及鉴别非负矩阵分解的有遮挡人脸识别方法 |
| WO2019128367A1 (zh) * | 2017-12-26 | 2019-07-04 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
| 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 (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612058A (zh) * | 2020-05-19 | 2020-09-01 | 江苏建筑职业技术学院 | 一种基于深度学习的人工智能学习方法 |
| CN113808405A (zh) * | 2020-06-11 | 2021-12-17 | 济南市公安局交通警察支队 | 一种渣土车的实时预警方法 |
| 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 |
| CN112333356A (zh) * | 2020-10-09 | 2021-02-05 | 支付宝实验室(新加坡)有限公司 | 一种证件图像采集方法、装置和设备 |
| CN112200245A (zh) * | 2020-10-10 | 2021-01-08 | 深圳市华付信息技术有限公司 | 一种基于半监督的图像分类方法 |
| CN112307937A (zh) * | 2020-10-28 | 2021-02-02 | 广发证券股份有限公司 | 一种基于深度学习的身份证质检方法及系统 |
| CN112634352A (zh) * | 2020-10-30 | 2021-04-09 | 国网山东省电力公司济宁供电公司 | 一种变电站鱼眼式分合闸状态识别方法与系统 |
| CN112634352B (zh) * | 2020-10-30 | 2023-02-17 | 国网山东省电力公司济宁供电公司 | 一种变电站鱼眼式分合闸状态识别方法与系统 |
| CN112633183B (zh) * | 2020-12-25 | 2023-11-14 | 平安银行股份有限公司 | 影像遮挡区域自动检测方法、装置及存储介质 |
| CN112633183A (zh) * | 2020-12-25 | 2021-04-09 | 平安银行股份有限公司 | 影像遮挡区域自动检测方法、装置及存储介质 |
| CN112883959A (zh) * | 2021-01-21 | 2021-06-01 | 平安银行股份有限公司 | 身份证照完整性检测方法、装置、设备及存储介质 |
| CN114067370A (zh) * | 2022-01-17 | 2022-02-18 | 北京新氧科技有限公司 | 一种脖子遮挡检测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647880A (zh) | 一种移动端身份证图像遮挡判断方法 | |
| CN109697416B (zh) | 一种视频数据处理方法和相关装置 | |
| CN108710847B (zh) | 场景识别方法、装置及电子设备 | |
| WO2021036059A1 (zh) | 图像转换模型训练方法、异质人脸识别方法、装置及设备 | |
| CN110795595B (zh) | 基于边缘计算的视频结构化存储方法、装置、设备及介质 | |
| CN110379020B (zh) | 一种基于生成对抗网络的激光点云上色方法和装置 | |
| CN109934847B (zh) | 弱纹理三维物体姿态估计的方法和装置 | |
| CN114117614B (zh) | 一种建筑物立面纹理自动生成方法和系统 | |
| CN110969166A (zh) | 一种巡检场景下小目标识别方法和系统 | |
| CN111445459A (zh) | 一种基于深度孪生网络的图像缺陷检测方法及系统 | |
| CN112052815B (zh) | 一种行为检测方法、装置及电子设备 | |
| CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
| CN113221770B (zh) | 基于多特征混合学习的跨域行人重识别方法及系统 | |
| CN113095199B (zh) | 一种高速行人识别方法及装置 | |
| CN112949578B (zh) | 车灯状态识别方法、装置、设备及存储介质 | |
| CN113516146A (zh) | 一种数据分类方法、计算机及可读存储介质 | |
| CN117152625B (zh) | 一种基于CoordConv和YOLOv5的遥感小目标识别方法、系统、设备及介质 | |
| CN112200056A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
| CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
| CN114359669A (zh) | 图片分析模型调整方法、装置以及计算机可读存储介质 | |
| CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
| Tan et al. | Automobile Component Recognition Based on Deep Learning Network with Coarse‐Fine‐Grained Feature Fusion | |
| US20220392192A1 (en) | Target re-recognition method, device and electronic device | |
| CN110889418A (zh) | 一种气体轮廓识别方法 | |
| CN110728229A (zh) | 图像处理方法、装置、设备和存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200103 |
|
| WD01 | Invention patent application deemed withdrawn after publication |