CN110706296A - 一种电子证件照片背景色合规性的批量自动检测方法 - Google Patents

一种电子证件照片背景色合规性的批量自动检测方法 Download PDF

Info

Publication number
CN110706296A
CN110706296A CN201910964164.9A CN201910964164A CN110706296A CN 110706296 A CN110706296 A CN 110706296A CN 201910964164 A CN201910964164 A CN 201910964164A CN 110706296 A CN110706296 A CN 110706296A
Authority
CN
China
Prior art keywords
electronic certificate
background color
compliance
photos
photo
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.)
Granted
Application number
CN201910964164.9A
Other languages
English (en)
Other versions
CN110706296B (zh
Inventor
罗中华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Hongyuan Erudite Technology Co Ltd
Original Assignee
Beijing Hongyuan Erudite Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Hongyuan Erudite Technology Co Ltd filed Critical Beijing Hongyuan Erudite Technology Co Ltd
Priority to CN201910964164.9A priority Critical patent/CN110706296B/zh
Publication of CN110706296A publication Critical patent/CN110706296A/zh
Application granted granted Critical
Publication of CN110706296B publication Critical patent/CN110706296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及计算机学习及数据检测领域，具体涉及是一种电子证件照片背景色合规性的批量自动检测方法，通过电子证件照片分为样本集和检测集，将样本集通过背景色检测模型训练，得到稳定深度神经网络背景图像检测模型，从而能够将检测集中的电子证件照片通过电子证件照片背景色自动检测，大幅提高了电子证件照片背景色检测的效率，同时大幅降低人工检测的数量，解决了现有电子证件照片背景色的筛选和检测需要人工一张一张照片去人工检测，不能自动给出图像的检测结果，效率低，易遗漏和误判的问题。

Description

一种电子证件照片背景色合规性的批量自动检测方法
技术领域
本发明涉及计算机学习及数据检测领域，具体涉及是一种电子证件照片背景色合规性的批量自动检测方法。
背景技术
网络教育、成人教育等学历在线教育的学生在入学、毕业时都需要提交电子证件照片，作为学籍证明、学历证明、学位证明等身份证明。学生提交的电子照片千奇百怪，各种颜色的背景，因此某些省教育厅提出统一规范要求，对人物头像、照片背景色等提出规范化要求。
现有电子证件照片背景色的筛选和检测需要人工一张一张照片去人工检测，不能自动给出图像的检测结果，效率低，易遗漏和误判。
发明内容
本发明针对现有电子证件照片背景色的筛选和检测需要人工一张一张照片去人工检测，不能自动给出图像的检测结果，效率低，易遗漏和误判的问题，提供一种电子证件照片背景色合规性的批量自动检测方法。
采用的技术方案是，一种电子证件照片背景色合规性的批量自动检测方法包括以下步骤：
第一步，电子证件照片数据预处理；
第二步，电子证件照片背景色检测模型训练；
第三步，电子证件照片背景色自动检测。
进一步的，第一步，包含以下子步骤：
S1，将待检测的电子证件照片分为样本集和检测集，且检测集中待检测的电子证件照片数量多于样本集中待检测的电子证件照片；
S2，将样本集中电子证件照片按合规性判定结果生成样本数据文件；
S3，将合规性判定结果排序，并生成与合规性判定结果个数相匹配的目录，将样本数据文件按合规性判定结果及目录分类，生成标签文件。
可选的，第一步的S2中，合规性判定结果包含证件照片背景色过暗、证件照片背景色过亮、证件照片背景颜色过深、证件照片背景颜色过浅、符合检测标准的背景色、背景有渐变色、背景有边框、背景杂乱、头部超出画面、背景色的颜色不匹配中的两种或两种以上。
可选的，第一步的S3中，标签文件的内容格式为，/fenxipic目录序号/p照片序号.照片格式，合规性判定结果序号。
进一步的，第二步，包含以下子步骤：
S1，对标签文件中电子证件照片的尺寸进行检测，去除尺寸不合格的电子证件照片，得到尺寸合格带有标签文件的电子证件照片；
S2，对尺寸合格带有标签文件的电子证件照片图像背景数据进行采样，生成图像特征值；
S3，将所有图像特征值生成一个数组矩阵数据，将数组矩阵数据分成训练集和验证集；
S4，将训练集基于tensorflow框架，设置与图像特征值个数相等的输入层维度、与合规性判定结果个数相等的输出层维度，并设置隐藏层和每个隐藏层的单元个数，制得深度神经网络背景图像检测模型；
S5，将验证集导入深度神经网络背景图像检测模型，调试参数，生成稳定深度神经网络背景图像检测模型。
可选的，第二步的S2中，在尺寸合格带有标签文件的电子证件照片上按倒“U”形选择采样点，在采样点上取得图像的RGB值，并转换生成HSV值，对H\S\V和标准背景色的标准值取误差HLos、SLos、VLos(方法是1-差值绝对值)；对所有采样点的R、G、B、H、S、V、HLos、SLos、VLos取平均值Ravg、Gavg、Bavg、Havg、Savg、Vavg、HLosavg、SLosavg、VLosavg，取所有采样点的三个误差值各自的数据分布方差之和HSVTotalVar，形成每个图像的十个特征值：Ravg、Gavg、Bavg、Havg、Savg、Vavg、HLosavg*10、SLosavg*10、VLosavg*10、HSVTotalVar*10。
可选的，第二步的S3中，训练集和验证集数据个数比例为8:2。
可选的，第二步的S5中，调试参数包括迭代次数、批量大小、初始学习速率和迭代学习衰减周期。
进一步的，第三步，包含以下子步骤：
S1，将待检测的电子证件照片导入稳定深度神经网络背景图像检测模型，每一张待检测的电子证件照片生产个数与合规性判定结果个数相等的概率向量；
S2，概率向量中概率值最大的即为自动检测结果。
可选的，第三步的S1中，概率向量之和为1。
本发明的有益效果至少包括以下之一；
1、通过电子证件照片分为样本集和检测集，将样本集通过背景色检测模型训练，得到稳定深度神经网络背景图像检测模型，从而能够将检测集中的电子证件照片通过电子证件照片背景色自动检测，大幅提高了电子证件照片背景色检测的效率，同时大幅降低人工检测的数量。
2、解决了现有电子证件照片背景色的筛选和检测需要人工一张一张照片去人工检测，不能自动给出图像的检测结果，效率低，易遗漏和误判的问题。
附图说明
图1为神经网络结构示意图；
图2为实施例测试证件照片。
具体实施方式
为了使本发明的目的、技术方案及优点能够更加清晰明白，以下结合附图和实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明保护内容。
一种电子证件照片背景色合规性的批量自动检测方法包括以下步骤：
第一步，电子证件照片数据预处理；
第二步，电子证件照片背景色检测模型训练；
第三步，电子证件照片背景色自动检测。
其中第一步，包含以下子步骤：
S1，将待检测的电子证件照片分为样本集和检测集，且检测集中待检测的电子证件照片数量多于样本集中待检测的电子证件照片；
S2，将样本集中电子证件照片按合规性判定结果生成样本数据文件；
S3，将合规性判定结果排序，并生成与合规性判定结果个数相匹配的目录，将样本数据文件按合规性判定结果及目录分类，生成标签文件。
第一步的S2中，合规性判定结果包含证件照片背景色过暗、证件照片背景色过亮、证件照片背景颜色过深、证件照片背景颜色过浅、符合检测标准的背景色、背景有渐变色、背景有边框、背景杂乱、头部超出画面、背景色的颜色不匹配中的两种或两种以上。
本实施例中选择
4：太暗或者太浅的背景色
3：太浓的蓝色背景；
2：符合标准淡蓝色背景；
1：背景有渐变色或者有边框或者杂乱或者头部超出画面；
0：白色、红色等非蓝色系背景
作为合规性判定结果，且按照0至4设置序号。
第一步的S3中，标签文件的内容格式为，/fenxipic目录序号/p照片序号.照片格式，合规性判定结果序号。
第二步，包含以下子步骤：
S1，对标签文件中电子证件照片的尺寸进行检测，去除尺寸不合格的电子证件照片，得到尺寸合格带有标签文件的电子证件照片；
S2，对尺寸合格带有标签文件的电子证件照片图像背景数据进行采样，生成图像特征值；
S3，将所有图像特征值生成一个数组矩阵数据，将数组矩阵数据分成训练集和验证集；
S4，将训练集基于tensorflow框架，设置与图像特征值个数相等的输入层维度、与合规性判定结果个数相等的输出层维度，并设置隐藏层和每个隐藏层的单元个数，制得深度神经网络背景图像检测模型；
S5，将验证集导入深度神经网络背景图像检测模型，调试参数，生成稳定深度神经网络背景图像检测模型。
第二步的S2中，在尺寸合格带有标签文件的电子证件照片上按倒“U”形选择采样点，在采样点上取得图像的RGB值，并转换生成HSV值，对H\S\V和标准背景色的标准值取误差HLos、SLos、VLos(方法是1-差值绝对值)；对所有采样点的R、G、B、H、S、V、HLos、SLos、VLos取平均值Ravg、Gavg、Bavg、Havg、Savg、Vavg、HLosavg、SLosavg、VLosavg，取所有采样点的三个误差值各自的数据分布方差之和HSVTotalVar，形成每个图像的十个特征值：Ravg、Gavg、Bavg、Havg、Savg、Vavg、HLosavg*10、SLosavg*10、VLosavg*10、HSVTotalVar*10。
本实施例中，根据背景色合规性要求设定电子证件照片基本背景颜色，如需要蓝色背景，其RGB值为<100，197，255>。同时设定的尺寸为宽480、高位640，以（0,0）作为原点，采样点选取48个点分别为：
(10-9, 350),(10, 350),(10+9, 350),
(10-9, 300),(10, 300),(10+9, 300),
(10-9, 150),(10, 150),(10+9, 150),
(10-9, 10),(10, 10),(10+9, 10),
(10-9,10),(10,10),(10+9,10),
(10, 10-9),(10, 10),(10, 10+9),
(100, 10-9),(100, 10),(100, 10+9),
(200, 10-9),(200, 10-9+1),(200, 10-9+2),
(240, 10-9),(240, 10-9+1),(240, 10-9+2),
(280, 10-9),(280, 10-9+1),(280, 10-9+2),
(400, 10-9),(400, 10),(400, 10+9),
(480-10, 10-9),(480-10, 10),(480-10, 10+9),
(480-10+9, 10), (480-10, 10),(480-10-9, 10),
(480-10+9, 150),(480-10, 150),(480-10-9, 150),
(480-10+9, 300),(480-10, 300),(480-10-9, 300),
(480-10+9, 350),(480-10, 350),(480-10-9, 350) 。
其中-10、-9、+9等后缀为在该采样点得到偏移量。
第二步的S3中，训练集和验证集数据个数比例为8:2。
第二步的S5中，调试参数包括迭代次数、批量大小、初始学习速率和迭代学习衰减周期。
如图1所示，输入层维度为10个，输出层维度为5个，隐藏层为3层，每层单元个数为30个，在调试后迭代次数3000、批量大小32、初始学习速率0.01,每100次迭代后将学习速率减半，误差函数采用tensorflow的交叉熵函数softmax_cross_entropy_with_logits，优化器采用AdamOptimizer。
模型的各个参数在训练之前是随机生成的，使用训练集数据对模型进行训练，训练的过程是利用梯度下降方法，逐渐、自动的调整模型参数以使得通过模型计算得到的背景色检测计算结果和照片图像真实背景色结果的误差越来越小。
为了参数调优和训练精度调优方便，设置了动态的神经网络生成方法，只需要动态指定输入层维度个数、输出层维度个数、隐藏层个数、每个隐藏层的神经单元个数这些超参，就可以动态生成神经网络结构并进行训练，然后同步观察训练集的拟合精度和验证集验证精度，选取精度最高的超参设置和模型参数，将这种模型结构和模型参数保存下来，就生成了稳定的深度神经网络背景图像检测模型。
第三步，包含以下子步骤：
S1，将待检测的电子证件照片导入稳定深度神经网络背景图像检测模型，每一张待检测的电子证件照片生产个数与合规性判定结果个数相等的概率向量；
S2，概率向量中概率值最大的即为自动检测结果。
其中，第三步的S1中，概率向量之和为1。
如图2所示，测试证件照片的人物头像经过了灰化处理），按48个坐标采样点获取到图像数据后，按“数据采样和特征值计算方法（M2-2）”生成待检测照片图像的十个特征数据，并将这些特征数据输入到“深度神经网络背景图像检测模型（M2-3)”中进行计算，得到一个5个维度的概率向量，每个维度对应合规性检测结果5种类型的各自预测概率，其中第二个维度“1”的概率值最大，即预测判定结果是“背景有渐变色或者有边框或者杂乱或者头部超出画面”。
通过电子证件照片分为样本集和检测集，将样本集通过背景色检测模型训练，得到稳定深度神经网络背景图像检测模型，从而能够将检测集中的电子证件照片通过电子证件照片背景色自动检测，大幅提高了电子证件照片背景色检测的效率，同时大幅降低人工检测的数量。解决了现有电子证件照片背景色的筛选和检测需要人工一张一张照片去人工检测，不能自动给出图像的检测结果，效率低，易遗漏和误判的问题。
需要指出的是，在针对样本集的将样本数据文件按合规性判定结果及目录分类，目前受技术的制约，主要通过人工进行，本方案不可避免的在小范围内还是需要人工一张一张检测，待得到稳定深度神经网络背景图像检测模型，计算机学习人工检测的方法后，即可使用计算机代替人工一张一张检测，由于样本集数量较之待检测的电子证件照片数量大幅度减少，因此本方案的工作效率较之现有技术有大幅的提升。

Claims (10)

1.一种电子证件照片背景色合规性的批量自动检测方法，其特征在于：包括以下步骤：
第一步，电子证件照片数据预处理；
第二步，电子证件照片背景色检测模型训练；
第三步，电子证件照片背景色自动检测。
2.根据权利要求1所述的一种电子证件照片背景色合规性的批量自动检测方法，其特征在于：所述第一步，包含以下子步骤：
S1，将待检测的电子证件照片分为样本集和检测集，且检测集中待检测的电子证件照片数量多于样本集中待检测的电子证件照片；
S2，将样本集中电子证件照片按合规性判定结果生成样本数据文件；
S3，将合规性判定结果排序，并生成与合规性判定结果个数相匹配的目录，将样本数据文件按合规性判定结果及目录分类，生成标签文件。
3.根据权利要求2所述的一种电子证件照片背景色合规性的批量自动检测方法，其特征在于：所述第一步的S2中，合规性判定结果包含证件照片背景色过暗、证件照片背景色过亮、证件照片背景颜色过深、证件照片背景颜色过浅、符合检测标准的背景色、背景有渐变色、背景有边框、背景杂乱、头部超出画面、背景色的颜色不匹配中的两种或两种以上。
4.根据权利要求3所述的一种电子证件照片背景色合规性的批量自动检测方法，其特征在于：所述第一步的S3中，标签文件的内容格式为，/fenxipic目录序号/p照片序号.照片格式，合规性判定结果序号。
5.根据权利要求4所述的一种电子证件照片背景色合规性的批量自动检测方法，其特征在于：所述第二步，包含以下子步骤：
S1，对标签文件中电子证件照片的尺寸进行检测，去除尺寸不合格的电子证件照片，得到尺寸合格带有标签文件的电子证件照片；
S2，对尺寸合格带有标签文件的电子证件照片图像背景数据进行采样，生成图像特征值；
S3，将所有图像特征值生成一个数组矩阵数据，将数组矩阵数据分成训练集和验证集；
S4，将训练集基于tensorflow框架，设置与图像特征值个数相等的输入层维度、与合规性判定结果个数相等的输出层维度，并设置隐藏层和每个隐藏层的单元个数，制得深度神经网络背景图像检测模型；
S5，将验证集导入深度神经网络背景图像检测模型，调试参数，生成稳定深度神经网络背景图像检测模型。
6.根据权利要求5所述的一种电子证件照片背景色合规性的批量自动检测方法，其特征在于：所述第二步的S2中，在尺寸合格带有标签文件的电子证件照片上按倒“U”形选择采样点，在采样点上取得图像的RGB值，并转换生成HSV值，对H\S\V和标准背景色的标准值取误差HLos、SLos、VLos(方法是1-差值的绝对值)；对所有采样点的R、G、B、H、S、V、HLos、SLos、VLos取平均值Ravg、Gavg、Bavg、Havg、Savg、Vavg、HLosavg、SLosavg、VLosavg，取所有采样点的三个误差值各自的数据分布方差之和HSVTotalVar，形成每个图像的十个特征值：Ravg、Gavg、Bavg、Havg、Savg、Vavg、HLosavg*10、SLosavg*10、VLosavg*10、HSVTotalVar*10。
7.根据权利要求6所述的一种电子证件照片背景色合规性的批量自动检测方法，其特征在于：所述第二步的S3中，训练集和验证集数据个数比例为8:2。
8.根据权利要求7所述的一种电子证件照片背景色合规性的批量自动检测方法，其特征在于：所述第二步的S5中，调试参数包括迭代次数、批量大小、初始学习速率和迭代学习衰减周期。
9.根据权利要求8所述的一种电子证件照片背景色合规性的批量自动检测方法，其特征在于：所述第三步，包含以下子步骤：
S1，将待检测的电子证件照片导入稳定深度神经网络背景图像检测模型，每一张待检测的电子证件照片生产个数与合规性判定结果个数相等的概率向量；
S2，概率向量中概率值最大的即为自动检测结果。
10.根据权利要求9所述的一种电子证件照片背景色合规性的批量自动检测方法，其特征在于：所述第三步的S1中，概率向量之和为1。
CN201910964164.9A 2019-10-11 2019-10-11 一种电子证件照片背景色合规性的批量自动检测方法 Active CN110706296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910964164.9A CN110706296B (zh) 2019-10-11 2019-10-11 一种电子证件照片背景色合规性的批量自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910964164.9A CN110706296B (zh) 2019-10-11 2019-10-11 一种电子证件照片背景色合规性的批量自动检测方法

Publications (2)

Publication Number Publication Date
CN110706296A true CN110706296A (zh) 2020-01-17
CN110706296B CN110706296B (zh) 2023-06-16

Family

ID=69199317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910964164.9A Active CN110706296B (zh) 2019-10-11 2019-10-11 一种电子证件照片背景色合规性的批量自动检测方法

Country Status (1)

Country Link
CN (1) CN110706296B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991470A (zh) * 2021-02-08 2021-06-18 上海通办信息服务有限公司 一种复杂背景下的证件寸照背景颜色检查方法及其系统
CN113052836A (zh) * 2021-04-21 2021-06-29 深圳壹账通智能科技有限公司 电子身份照片检测方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20160232686A1 (en) * 2015-02-10 2016-08-11 Samsung Electronics Co., Ltd. Method and electronic device for converting color of image
CN106097358A (zh) * 2016-06-17 2016-11-09 广州市幸福网络技术有限公司 图像背景复杂度检测方法及系统
CN103810503B (zh) * 2013-12-26 2017-02-01 西北工业大学 一种基于深度学习的自然图像中显著区域的检测方法
CN106558046A (zh) * 2016-10-31 2017-04-05 深圳市飘飘宝贝有限公司 一种证件照的质量检测方法及检测装置
CN109165674A (zh) * 2018-07-19 2019-01-08 南京富士通南大软件技术有限公司 一种基于多标签深度卷积网络的证件照分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810503B (zh) * 2013-12-26 2017-02-01 西北工业大学 一种基于深度学习的自然图像中显著区域的检测方法
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
US20160232686A1 (en) * 2015-02-10 2016-08-11 Samsung Electronics Co., Ltd. Method and electronic device for converting color of image
CN106097358A (zh) * 2016-06-17 2016-11-09 广州市幸福网络技术有限公司 图像背景复杂度检测方法及系统
CN106558046A (zh) * 2016-10-31 2017-04-05 深圳市飘飘宝贝有限公司 一种证件照的质量检测方法及检测装置
CN109165674A (zh) * 2018-07-19 2019-01-08 南京富士通南大软件技术有限公司 一种基于多标签深度卷积网络的证件照分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHARLES T.THIBODEAU: "28 - Identity Documentation and Verification", 《SECURITY SUPERVISION AND MANAGEMENT (FOURTH EDITION)》 *
JIEBO LUO: "Color object detection using spatial-color joint probability functions", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
樊田田: "证件照的质量预检测系统", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》 *
腾讯云开发者社区-腾讯云: "美团如何基于深度学习实现图像的智能审核？", 《HTTPS://M.BAIDU.COM/SF?PD=TOPONE_TRUSTPAPER》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991470A (zh) * 2021-02-08 2021-06-18 上海通办信息服务有限公司 一种复杂背景下的证件寸照背景颜色检查方法及其系统
CN112991470B (zh) * 2021-02-08 2023-12-26 上海通办信息服务有限公司 一种复杂背景下的证件寸照背景颜色检查方法及其系统
CN113052836A (zh) * 2021-04-21 2021-06-29 深圳壹账通智能科技有限公司 电子身份照片检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN110706296B (zh) 2023-06-16

Similar Documents

Publication Publication Date Title
CN111325203B (zh) 一种基于图像校正的美式车牌识别方法及系统
CN107016415B (zh) 一种基于全卷积网络的彩色图像色彩语义分类方法
CN109948566B (zh) 一种基于权重融合与特征选择的双流人脸反欺诈检测方法
CA3065062C (en) Simulating image capture
CN112766334B (zh) 一种基于伪标签域适应的跨域图像分类方法
CN107172418A (zh) 一种基于曝光情况分析的色阶映射图像质量评价方法
CN111507362B (zh) 神经网络的训练方法、基于神经网络的分类方法及其装置
CN110706296B (zh) 一种电子证件照片背景色合规性的批量自动检测方法
CN112686258A (zh) 体检报告信息结构化方法、装置、可读存储介质和终端
CN108416270A (zh) 一种基于多属性联合特征的交通标志识别方法
CN108846330A (zh) 一种纸张字画显微图像智能识别系统及识别方法
CN111914902A (zh) 一种基于深度神经网络的中药识别与表面缺陷检测方法
CN112559791A (zh) 一种基于深度学习的布匹分类检索方法
CN113537801A (zh) 板书处理方法、装置、终端和存储介质
CN111178263A (zh) 一种实时表情分析方法及其装置
CN109147002B (zh) 一种图像处理方法和装置
Vondrick et al. Learning visual biases from human imagination
CN116012860B (zh) 一种基于图像识别的教师板书设计水平诊断方法及装置
Azid et al. Translation Russian cyrillic to latin alphabet using SVM (support vector machine)
US11893784B2 (en) Assessment of image quality for optical character recognition using machine learning
Junhua et al. No-reference image quality assessment based on AdaBoost_BP neural network in wavelet domain
Kim et al. Classification of oil painting using machine learning with visualized depth information
Kır et al. The Application of optical character recognition for mobile device via artificial neural networks with negative correlation learning algorithm
CN114170589A (zh) 一种基于nas的岩石岩性识别方法、终端设备及存储介质
Tang et al. Evaluation of painting artistic style transfer based on generative adversarial network

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
GR01 Patent grant
GR01 Patent grant