CN110807456A - 一种银行卡卡号的定位方法及装置 - Google Patents
一种银行卡卡号的定位方法及装置 Download PDFInfo
- Publication number
- CN110807456A CN110807456A CN201910963395.8A CN201910963395A CN110807456A CN 110807456 A CN110807456 A CN 110807456A CN 201910963395 A CN201910963395 A CN 201910963395A CN 110807456 A CN110807456 A CN 110807456A
- Authority
- CN
- China
- Prior art keywords
- sub
- bank card
- card number
- image
- confidence
- 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 63
- 238000005260 corrosion Methods 0.000 claims abstract description 17
- 230000007797 corrosion Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 11
- 230000010339 dilation Effects 0.000 claims description 10
- 230000003628 erosive effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000012015 optical character recognition Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Abstract
本发明公开一种定位银行卡卡号位置方法及装置,该方法采用膨胀运算及腐蚀运算对采集到的银行卡图像进行预处理;在预处理后的银行卡图像中提取若干个尺寸相同的子区域,按照由多到少的顺序选出像素点为前m位的子区域;基于预先训练的预测模型,预测m个子区域中各子区域的分数,并根据分数计算各子区域的置信度,将置信度最大的区域作为卡号位置,如此,相对于现有技术中各种预测模型需要处理大量样本的技术方案,本发明基于光学字符识别技术,通过腐蚀运算、膨胀运算、滑窗法等图像处理方法,在初步筛选后获得的样本数量较少,后期通过卷积神经网络模型处理时的处理量较小,处理速度较快,可实现银行卡卡号区域的快速、精准定位,用户体验较佳。
Description
技术领域
本发明涉及光学字符识别领域,特别涉及一种银行卡卡号的定位方法及装置。
背景技术
线上支付已经成为大多数人的首选,而很多具有支付功能的金融机构APP会需要用户绑定银行卡。手动地输入银行卡号,不仅耗时、繁琐,还容易出错。因此现在很多APP辅助设置银行卡卡号识别装置,该装置中包括银行卡卡号位置识别装置,用于银行卡卡号位置的定位,对银行卡进行扫描,通过OCR功能,即可自动定位银行卡卡号位置。
目前行业内通常用于定位卡号位置的方法为:通过识别银行卡卡面中“银联”图标所在区域,并根据不同的卡片类型中,卡号位置与“银联”图标的几何位置关系,来推导卡号的位置。该方法进行卡号位置定位时,处理过程较为繁琐,耗时较长,且准确性较低。
基于上述理由,目前需要寻找一种快速、精准定位银行卡卡号位置的定位方法。
发明内容
为解决上述技术问题,本发明提供了一种银行卡卡号的定位方法及装置,其能实现银行卡卡号位置的快速、精准定位。
本发明实施例提供的技术方案如下:
第一方面,提供一种银行卡卡号的定位方法,所述方法至少包括如下步骤:
采用膨胀运算及腐蚀运算对采集到的银行卡图像进行预处理;
在预处理后的银行卡图像中提取若干个尺寸相同的子区域,并按照由多到少的顺序选出像素点为前m位的子区域,2≤m≤5;
基于预先训练的预测模型,预测所述m个子区域中各子区域的分数,并根据所述分数计算各子区域的置信度,将置信度最大的区域作为卡号位置。
在一些实施例中,所述采用膨胀运算及腐蚀运算对采集到的银行卡图像进行预处理,至少包括如下子步骤:
对采集到的银行卡图像进行第一次膨胀运算,得到第一图像;
对所述第一图像进行腐蚀运算,得到第二图像;
对所述第二图像进行第二次膨胀运算,得到所述预处理后的银行卡图像。
在一些实施例中,所述在预处理后的银行卡图像中提取若干个尺寸相同的子区域,并按照由多到少的顺序选出像素点为前m位的子区域时,至少包括如下子步骤:
基于预先确定的待提取子区域的尺寸,通过滑窗法提取若干尺寸相同的子区域;
将所述子区域按照像素多少点进行排序;
按照由多到少的顺序选出像素点为前m位的子区域。
在一些实施例中,所述基于预先训练的预测模型,预测所述m个子区域中各子区域的分数,并根据所述分数计算各子区域的置信度,将置信度最大的区域作为卡号位置,至少包括如下子步骤:
将筛选出的m个子区域输入所述预先训练的卷积神经网络模型,获得各子区域相应的分数;
基于所述分数,计算各子区域的置信度;
当所述置信度不全为0时,将所述置信度最大的区域作为卡号位置。
在一些实施例中,所述基于所述分数,计算各子区域的置信度,具体包括如下子步骤:
根据预设阈值,获得各子区域相应的分类结果,其中,当所述分数大于0.5时,所述分类结果为1,当所述分数不大于0.5时,所述分类结果为0;
根据各子区域相应的分数及分类结果,计算置信度,计算公式如下:
置信度=分数*分类结果。
另一方面,提供一种银行卡卡号的定位装置,所述装置至少包括:
预处理模块:用于采用膨胀运算及腐蚀运算对采集到的银行卡图像进行预处理;
筛选模块:用于在预处理后的银行卡图像中提取若干个尺寸相同的子区域,并按照由多到少的顺序选出像素点为前m位的子区域,2≤m≤5;
卡号位置确定模块:用于基于预先训练的预测模型,预测所述m个子区域中各子区域的分数,并根据所述分数计算各子区域的置信度,将置信度最大的区域作为卡号位置。
在一些实施例中,所述预处理模块至少包括:
第一预处理子模块:用于对采集到的银行卡图像进行第一次膨胀运算,得到第一图像;
第二预处理子模块:用于对所述第一图像进行腐蚀运算,得到第二图像;
第三预处理子模块:用于对所述第二图像进行第二次膨胀运算,得到所述预处理后的银行卡图像。
在一些实施例中,所述筛选模块至少包括:
子区域提取子模块:用于基于预先确定的待提取子区域的尺寸,通过滑窗法提取若干尺寸相同的子区域;
排序子模块:用于将所述子区域按照像素多少点进行排序;
筛选子模块:用于按照由多到少的顺序选出像素点为前m位的子区域。
在一些实施例中,所述卡号位置确定模块至少包括:
分数预测子模块:用于将筛选出的m个子区域输入所述预先训练的卷积神经网络模型,获得各子区域相应的分数;
置信度计算子模块:用于基于所述分数,计算各子区域的置信度;
卡号区域确定子模块:用于当所述置信度不全为0时,将所述置信度最大的区域作为卡号位置。
在一些实施例中,所述置信度计算子模块至少包括:
分类单元:用于根据预设阈值,获得各子区域相应的分类结果,其中,当所述分数大于0.5时,所述分类结果为1,当所述分数不大于0.5时,所述分类结果为0;
置信度计算单元:用于根据各子区域相应的分数及分类结果,计算置信度,计算公式如下:
置信度=分数*分类结果。
本发明相比现有技术而言的有益效果在于:
本发明提供一种银行卡卡号的定位方法,其采用膨胀运算及腐蚀运算对采集到的银行卡图像进行预处理;在预处理后的银行卡图像中提取若干个尺寸相同的子区域,并按照由多到少的顺序选出像素点为前m位的子区域,2≤m≤5;基于预先训练的预测模型,预测m个子区域中各子区域的分数,并根据分数计算各子区域的置信度,将置信度最大的区域作为卡号位置,如此,相对于现有技术中各种预测模型需要处理大量样本的技术方案,本发明基于光学字符识别技术,通过腐蚀运算、膨胀运算、滑窗法等图像处理方法,在对银行卡卡号位置进行的初步筛选后获得的样本数量较少,后期通过卷积神经网络模型处理时的处理量较小,处理速度较快,可实现银行卡卡号区域的快速定位,且定位结果准确度高(可达100%),稳定性较佳,用户体验较佳。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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是本发明实施例一中的一种银行卡卡号的定位方法的流程图;
图2是本发明实施例一种一种银行卡示意图;
图3是在对图1中的银行卡进行预处理后得到的预处理后的银行卡示意图;
图4是本发明实施例二中的一种银行卡卡号的定位装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,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。
实施例一
如图1所示,本实施例提供一种银行卡卡号的定位方法,属于光学字符识别领域。该方法至少包括如下步骤:
S1、采用膨胀运算及腐蚀运算对采集到的银行卡图像进行预处理。
该步骤S1具体包括如下子步骤:
S11、对采集到的银行卡图像进行第一次膨胀运算,得到第一图像;
S12、对第一图像进行腐蚀运算,得到第二图像;
S13、对第二图像进行第二次膨胀运算,得到预处理后的银行卡图像。
膨胀运算及腐蚀运算为两种基本的形态学运算,其中膨胀运算类似于“领域扩张”,腐蚀运算类似于“领域缩小”。膨胀运算会使物体的边界向外扩张,如果物体内部存在小空洞的话,经过膨胀操作这些洞将被补上,因而不再是边界了。腐蚀操作会去掉物体的边缘点,因为细小物体所有的点都会被认为是边缘点,所以腐蚀运算后,可降低噪音的影响。
因此,本实施例中,将膨胀运算及腐蚀运算应用于银行卡图像处理时,在步骤S11中,对银行卡卡片部分进行第一次膨胀运算后,会把卡号中间的空洞部分补上,使得卡片中图像的区域按结构元素的大小和形状进行一定的扩充,得到第一图像。因为银行卡号字符相隔较近,膨胀后可以增加卡号范围内的像素点数目。在步骤S12中,在采用腐蚀运算对银行卡图像进行处理,把一些细小的噪音点去除掉,从而能有效降低噪音的影响,得到第二图像。在步骤S13中,对第二图像再通过膨胀算法处理后,再进行膨胀可以使非噪音部分的像素点再次扩充,从而增加非噪音部分的像素点,得到预处理后的银行卡图像。
示例性的,如图2所示的银行卡,在经过膨胀、腐蚀、再膨胀运算后,可获得如图3所示的预处理后的银行卡图像。
当然,在步骤S1之前,需要进行银行卡卡面图像的采集,为了便于处理,采用现有的APP中的“扫一扫”功能,以扫描框的形式,仅采集当前待定位的银行卡卡面图像。
S2、在预处理后的银行卡图像中提取若干个尺寸相同的子区域,并按照由多到少的顺序选出像素点为前m位的子区域,2≤m≤5。
该步骤S2具体包括如下子步骤:
S21、基于预先确定的待提取子区域的尺寸,通过滑窗法提取若干尺寸相同的子区域。
其中,预先确定的待提取子区域是基于各不同类型银行卡中的卡号区域确定的,即,以不同类型银行卡中卡号的矩形区域中长的最大值,以及不同类型银行卡中卡号的矩形区域中宽的最大值,分别作为待提取子区域中矩形结构的长和宽,用于滑窗法提取若干尺寸相同的矩形子区域。
S22、将子区域按照像素多少点进行排序。
现有的银行卡卡号一般设置为凸起字体或者印刷字体,经过预处理后,将图像中高亮区域或白色部分进行扩张,能增加整个银行卡面中卡号范围内的像素点数目,且能降低噪音以及进一步增加非噪音部分的像素点,此时如图3所示的卡片图像中,很明显,具有连续性类似卡号图像的矩形区域基本是唯一的。通过子区域提取后,通常情况下,卡号部分所在子区域的像素点在所有子区域中为最大。当卡号为凸起字体时,凸起字体为高亮区域,在预处理后,卡号部分尤为凸显,其相应的像素点数目也尤为高。
S23、按照由多到少的顺序选出像素点为前m位的子区域。
基于步骤S22中的分析,该步骤中所选出的像素点最高的m各子区域中,包括完整卡号子区域的概率为90%以上。
S3、基于预先训练的预测模型,预测m个子区域中各子区域的分数,并根据分数计算各子区域的置信度,将置信度最大的区域作为卡号位置。
该步骤S3中采用预测模型对m个子区域进行辅助判断,以进一步明确m个子区域中哪一个子区域为卡号区域,具体包括如下子步骤:
S31、将筛选出的m个子区域输入预先训练的卷积神经网络模型,获得各子区域相应的分数。
本实施例中的分数为[0,1]之间的数值,分数的高低,表明该子区域为卡号区域的可能性高低。由于通过滑窗法获取的子区域中,有的包括全部卡号内容,有的包括部分卡号内容,有的甚至不包括卡号内容,根据前述分析,像素点越高的子区域,输出的分数越高,而像素点越高的子区域没包括卡号内容的可能性越高,而当不包括卡号内容时,输出的分数为0。
本实施例中,预测模型选取卷积神经网络(CNN)模型,是基于人工标注好的银行卡图片训练获得的。本实施例中,凡是可进行输入图片并输出一定分数的CNN(如VGG16、VGG19等)均适用,此处不做限制。为了便于描述,本实施例采用VGG16来训练获取预测模型。对本领域技术人员而言,基于一定的标注样本,采用一神经网络训练获得相应的神经网络模型,为本领域所公知的技术手段,此处对于预测模型的训练过程不再赘述。
S32、基于所述分数,计算各子区域的置信度。该步骤具体包括如下子步骤:
S321、根据预设阈值,获得各子区域相应的分类结果,其中,预设阈值为:
当分数大于0.5时,分类结果为1;
当分数不大于0.5时,分类结果为0;
S322、根据各子区域相应的分数及分类结果,计算置信度,计算公式如下:
置信度=分数*分类结果。
S33、当置信度不全为0时,将置信度最大的区域作为卡号位置。
通常情况下,根据步骤S31基本上可以确定分数最高的子区域即为所要定位的卡号所在区域。然而,不能排除当采集到的图像实际并非银行卡的情况。当采集到的图像为除银行卡外的其他图像时,预测模型输出的分数为不大于0.5的任意数值,甚至包括所有m个分数均为0的情况,此时,若是仍然认为分数最高的子区域为卡号区域,则定位错误。因此,步骤S32、S33的增加,通过对分数分类,并计算置信度的方式,可进一步排除未识别出卡号区域或者采集的图像为非银行卡的情况,从而提高银行卡卡号的定位精度。
示例性的,当通过预测模型后获得的3(m=3)个子区域对应的分数分别为:0.8、0.6、0.2,此时相应的类型为1、1、0,经过计算可知,置信度分别为0.8、0.6、0。该情况下,置信度0.8的部分即为卡号区域。
又如:当通过预测模型后获得的3个子区域(m=3)对应的分数分别为:0.4、0.3、0.2,此时相应的类型为0、0、0,经过计算可知,置信度分别为0、0、0。该情况下,经过人工核实是否为真的银行卡,若图像并非银行卡图像吗,则停止银行卡卡号定位服务。
在确定银行卡卡号位置后,还包括:在银行卡卡面图像进行标注,标注采用的矩形框大小即为子区域的大小,并输出标注卡号位置后的银行卡卡面图像。
因此,本发明实施例提供一种银行卡卡号的定位方法,该方法基于光学字符识别技术,通过腐蚀运算、膨胀运算、滑窗法等图像处理方法,在初步筛选后获得的样本数量较少,后期通过卷积神经网络模型处理时的处理量较小,处理速度较快,可实现银行卡卡号区域的快速、精准定位,用户体验较佳。
实施例二
为执行上述实施例一中的一种定位银行卡卡号位置方法,本实施例提供一种银行卡卡号定位装置100。
图4为该一种银行卡卡号的定位装置的结构示意图,如图4所示,该装置100至少包括:
预处理模块1:用于采用膨胀运算及腐蚀运算对采集到的银行卡图像进行预处理;
筛选模块2:用于在预处理后的银行卡图像中提取若干个尺寸相同的子区域,并按照由多到少的顺序选出像素点为前m位的子区域,2≤m≤5;
卡号位置确定模块3:用于基于预先训练的预测模型,预测m个子区域中各子区域的分数,并根据分数计算各子区域的置信度,将置信度最大的区域作为卡号位置。
其中,预处理模块1至少包括:
第一预处理子模块11:用于对采集到的银行卡图像进行第一次膨胀运算,得到第一图像;
第二预处理子模块12:用于对第一图像进行腐蚀运算,得到第二图像;
第三预处理子模块13:用于对第二图像进行第二次膨胀运算,得到预处理后的银行卡图像。
筛选模块2至少包括:
子区域提取子模块21:用于基于预先确定的待提取子区域的尺寸,通过滑窗法提取若干尺寸相同的子区域;
排序子模块22:用于将子区域按照像素多少点进行排序;
筛选子模块23:用于按照由多到少的顺序选出像素点为前m位的子区域。
卡号位置确定模块3至少包括:
分数预测子模块31:用于将筛选出的m个子区域输入预先训练的卷积神经网络模型,获得各子区域相应的分数;
置信度计算子模块32:用于基于所述分数,计算各子区域的置信度;
卡号区域确定子模块33:用于当置信度不全为0时,将置信度最大的区域作为卡号位置。
进一步,置信度计算子模块32至少包括:
分类单元321:用于根据预设阈值,获得各子区域相应的分类结果,其中,当分数大于0.5时,分类结果为1,当分数不大于0.5时,分类结果为0;
置信度计算单元322:用于根据各子区域相应的分数及分类结果,计算置信度,计算公式如下:
置信度=分数*分类结果。
当然,该该装置100还包括采集模块4、标注模块5及输出模块6。
其中,采集模块4用于银行卡的采集,通常采用扫描框的形式,仅采集当前待定位的银行卡卡面图像。
标注模块5用于根据卡号定位结果,在银行卡卡面图像中标注定位出的卡号位置,标注采用的矩形框大小即为子区域的大小。
输出模块6用于输出标注卡号位置后的银行卡卡面图像。
需要说明的是:上述实施例提供的一种银行卡卡号的定位装置在触发银行卡卡号定位业务时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的一种银行卡卡号的定位装置与银行卡卡号的定位方法的实施例属于同一构思,即该装置是基于该方法的,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种银行卡卡号的定位方法,其特征在于,所述方法至少包括如下步骤:
采用膨胀运算及腐蚀运算对采集到的银行卡图像进行预处理;
在预处理后的银行卡图像中提取若干个尺寸相同的子区域,并按照由多到少的顺序选出像素点为前m位的子区域,2≤m≤5;
基于预先训练的预测模型,预测所述m个子区域中各子区域的分数,并根据所述分数计算各子区域的置信度,将置信度最大的区域作为卡号位置。
2.根据权利要求1所述的一种银行卡卡号的定位方法,其特征在于,所述采用膨胀运算及腐蚀运算对采集到的银行卡图像进行预处理,至少包括如下子步骤:
对采集到的银行卡图像进行第一次膨胀运算,得到第一图像;
对所述第一图像进行腐蚀运算,得到第二图像;
对所述第二图像进行第二次膨胀运算,得到所述预处理后的银行卡图像。
3.根据权利要求1所述的一种银行卡卡号的定位方法,其特征在于,所述在预处理后的银行卡图像中提取若干个尺寸相同的子区域,并按照由多到少的顺序选出像素点为前m位的子区域时,至少包括如下子步骤:
基于预先确定的待提取子区域的尺寸,通过滑窗法提取若干尺寸相同的子区域;
将所述子区域按照像素多少点进行排序;
按照由多到少的顺序选出像素点为前m位的子区域。
4.根据权利要求1所述的一种银行卡卡号的定位方法,其特征在于,所述基于预先训练的预测模型,预测所述m个子区域中各子区域的分数,并根据所述分数计算各子区域的置信度,将置信度最大的区域作为卡号位置,至少包括如下子步骤:
将筛选出的m个子区域输入所述预先训练的卷积神经网络模型,获得各子区域相应的分数;
基于所述分数,计算各子区域的置信度;
当所述置信度不全为0时,将所述置信度最大的区域作为卡号位置。
5.根据权利要求4所述的一种银行卡卡号的定位方法,其特征在于,所述基于所述分数,计算各子区域的置信度,具体包括如下子步骤:
根据预设阈值,获得各子区域相应的分类结果,其中,当所述分数大于0.5时,所述分类结果为1,当所述分数不大于0.5时,所述分类结果为0;
根据各子区域相应的分数及分类结果,计算置信度,计算公式如下:
置信度=分数*分类结果。
6.一种银行卡卡号的定位装置,其特征在于,所述装置至少包括:
预处理模块:用于采用膨胀运算及腐蚀运算对采集到的银行卡图像进行预处理;
筛选模块:用于在预处理后的银行卡图像中提取若干个尺寸相同的子区域,并按照由多到少的顺序选出像素点为前m位的子区域,2≤m≤5;
卡号位置确定模块:用于基于预先训练的预测模型,预测所述m个子区域中各子区域的分数,并根据所述分数计算各子区域的置信度,将置信度最大的区域作为卡号位置。
7.根据权利要求6所述的一种银行卡卡号的定位装置,其特征在于,所述预处理模块至少包括:
第一预处理子模块:用于对采集到的银行卡图像进行第一次膨胀运算,得到第一图像;
第二预处理子模块:用于对所述第一图像进行腐蚀运算,得到第二图像;
第三预处理子模块:用于对所述第二图像进行第二次膨胀运算,得到所述预处理后的银行卡图像。
8.根据权利要求6所述的一种银行卡卡号的定位装置,其特征在于,所述筛选模块至少包括:
子区域提取子模块:用于基于预先确定的待提取子区域的尺寸,通过滑窗法提取若干尺寸相同的子区域;
排序子模块:用于将所述子区域按照像素多少点进行排序;
筛选子模块:用于按照由多到少的顺序选出像素点为前m位的子区域。
9.根据权利要求1所述的一种银行卡卡号的定位装置,其特征在于,所述卡号位置确定模块至少包括:
分数预测子模块:用于将筛选出的m个子区域输入所述预先训练的卷积神经网络模型,获得各子区域相应的分数;
置信度计算子模块:用于基于所述分数,计算各子区域的置信度;
卡号区域确定子模块:用于当所述置信度不全为0时,将所述置信度最大的区域作为卡号位置。
10.根据权利要求9所述的一种银行卡卡号的定位装置,其特征在于,所述置信度计算子模块至少包括:
分类单元:用于根据预设阈值,获得各子区域相应的分类结果,其中,当所述分数大于0.5时,所述分类结果为1,当所述分数不大于0.5时,所述分类结果为0;
置信度计算单元:用于根据各子区域相应的分数及分类结果,计算置信度,计算公式如下:
置信度=分数*分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910963395.8A CN110807456A (zh) | 2019-10-11 | 2019-10-11 | 一种银行卡卡号的定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910963395.8A CN110807456A (zh) | 2019-10-11 | 2019-10-11 | 一种银行卡卡号的定位方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110807456A true CN110807456A (zh) | 2020-02-18 |
Family
ID=69488278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910963395.8A Pending CN110807456A (zh) | 2019-10-11 | 2019-10-11 | 一种银行卡卡号的定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807456A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326821A (zh) * | 2015-07-07 | 2017-01-11 | 北京易车互联信息技术有限公司 | 车牌定位的方法及装置 |
CN106991959A (zh) * | 2017-01-25 | 2017-07-28 | 杭州视芯科技有限公司 | 用于led显示屏的图像处理方法及装置 |
CN107133616A (zh) * | 2017-04-02 | 2017-09-05 | 南京汇川图像视觉技术有限公司 | 一种基于深度学习的无分割字符定位与识别方法 |
CN107346427A (zh) * | 2017-06-23 | 2017-11-14 | 浙江大华技术股份有限公司 | 一种身份证号码识别方法及装置 |
CN107610111A (zh) * | 2017-09-12 | 2018-01-19 | 武汉大学 | 一种基于深度学习的焊点图像检测方法 |
CN108960221A (zh) * | 2017-05-24 | 2018-12-07 | 上海云从企业发展有限公司 | 基于图像的银行卡识别方法及装置 |
-
2019
- 2019-10-11 CN CN201910963395.8A patent/CN110807456A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326821A (zh) * | 2015-07-07 | 2017-01-11 | 北京易车互联信息技术有限公司 | 车牌定位的方法及装置 |
CN106991959A (zh) * | 2017-01-25 | 2017-07-28 | 杭州视芯科技有限公司 | 用于led显示屏的图像处理方法及装置 |
CN107133616A (zh) * | 2017-04-02 | 2017-09-05 | 南京汇川图像视觉技术有限公司 | 一种基于深度学习的无分割字符定位与识别方法 |
CN108960221A (zh) * | 2017-05-24 | 2018-12-07 | 上海云从企业发展有限公司 | 基于图像的银行卡识别方法及装置 |
CN107346427A (zh) * | 2017-06-23 | 2017-11-14 | 浙江大华技术股份有限公司 | 一种身份证号码识别方法及装置 |
CN107610111A (zh) * | 2017-09-12 | 2018-01-19 | 武汉大学 | 一种基于深度学习的焊点图像检测方法 |
Non-Patent Citations (1)
Title |
---|
林强等: "《行为识别与智能计算》", 西安电子科技大学出版社, pages: 27 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10817717B2 (en) | Method and device for parsing table in document image | |
CN108985214A (zh) | 图像数据的标注方法和装置 | |
CN100369049C (zh) | 灰度字符的精确分割装置及方法 | |
CN110766017B (zh) | 基于深度学习的移动终端文字识别方法及系统 | |
CN111753692A (zh) | 目标对象提取方法、产品检测方法、装置、计算机和介质 | |
CN109389115B (zh) | 文本识别方法、装置、存储介质和计算机设备 | |
US11600088B2 (en) | Utilizing machine learning and image filtering techniques to detect and analyze handwritten text | |
CN111476232A (zh) | 一种洗水唛检测方法、设备和存储介质 | |
Dawoud et al. | Iterative multimodel subimage binarization for handwritten character segmentation | |
CN113762274B (zh) | 一种答题卡目标区域检测方法、系统、存储介质及设备 | |
CN109508716B (zh) | 一种图像文字的定位方法及装置 | |
CN112101323B (zh) | 标题列表的识别方法、系统、电子设备及存储介质 | |
CN116844143B (zh) | 基于边缘增强的胚胎发育阶段预测与质量评估系统 | |
CN113989806A (zh) | 一种可扩展的crnn银行卡号识别方法 | |
KR102026280B1 (ko) | 딥 러닝을 이용한 씬 텍스트 검출 방법 및 시스템 | |
JP6377214B2 (ja) | テキスト検出方法および装置 | |
CN111444876A (zh) | 一种图文处理方法、系统以及计算机可读存储介质 | |
CN110807456A (zh) | 一种银行卡卡号的定位方法及装置 | |
CN110473222A (zh) | 图像要素提取方法及装置 | |
Babu et al. | A feature based approach for license plate-recognition of Indian number plates | |
Melhem et al. | Text line segmentation of Al-Quran pages using binary representation | |
Castillo et al. | Object detection in digital documents based on machine learning algorithms | |
Rao et al. | MTESSERACT: An Application for Form Recognition in Courier Services | |
Elmore et al. | A morphological image preprocessing suite for ocr on natural scene images | |
CN113673415B (zh) | 一种手写汉字身份鉴别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |