CN111275102A - 多证件类型同步检测方法、装置、计算机设备及存储介质 - Google Patents
多证件类型同步检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111275102A CN111275102A CN202010061431.4A CN202010061431A CN111275102A CN 111275102 A CN111275102 A CN 111275102A CN 202010061431 A CN202010061431 A CN 202010061431A CN 111275102 A CN111275102 A CN 111275102A
- Authority
- CN
- China
- Prior art keywords
- certificate
- detected
- image
- detection
- type
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
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
本发明公开了一种多证件类型同步检测方法、装置、计算机设备及存储介质,所述方法包括:接收证件检测指令,获取含有检测编号的待检测影像文件;根据待检测影像文件的检测编号和预设的编号规则,确定核查清单和与其对应的证件检测模型;核查清单中包含多种证件类型;将所有待检测影像件输入证件检测模型,通过提取证件特征,获取输出的含所有待检测影像件的证件类型清单的识别结果;在核查清单中包含的证件类型与证件类型清单中的证件类型完全一致时,确认检测合格,同时标记为已检测影像文件并存储至数据库。实现了快速同步检测多种证件类型,从而提高了检测效率,减少了成本。
Description
技术领域
本发明涉及图像检测领域,尤其涉及一种多证件类型同步检测方法、装置、计算机设备及存储介质。
背景技术
随着信用社会的发展,越来越多的应用场景(比如:涉及金融、保险、不良资产、安防的应用场景)需要通过同时提供多种证件(比如:身份证、户口簿件、房产证、银行卡)的影像件对用户身份进行审核。由于对于多种证件的影像资料的审核主要通过人工核查,而且影像资料的影像质量参差不齐,因此,仅依靠专业人员进行人工核查无疑会浪费巨大的人力物力。而且在现有技术中,往往只能输入含有一种证件照的影像件和通过传统OCR技术进行识别,该方案不足之处在于OCR技术在一次识别过程中仅能对一个证件的高质量影像进行有效识别,如此,在应用上存在局限性。
发明内容
本发明提供一种多证件类型同步检测方法、装置、计算机设备及存储介质,实现了快速同步检测多种证件类型,从而提高了检测效率,减少了成本。
一种多证件类型同步检测方法,包括:
接收证件检测指令,获取含有检测编号的待检测影像文件;其中,所述待检测影像文件包括待检测影像件;
获取预设的编号规则,根据所述待检测影像文件的检测编号和所述编号规则,确定所述待检测影像文件的核查清单和所述核查清单对应的证件检测模型;所述核查清单中包含多种证件类型;
将所有所述待检测影像件输入所述证件检测模型,通过所述证件检测模型对所有所述待检测影像件提取证件特征,获取所述证件检测模型根据所述证件特征输出的识别结果;所述识别结果包括所有所述待检测影像件的证件类型清单,所述证件类型清单中包含自所有所述待检测影像件中识别的证件类型;
在所述核查清单中包含的证件类型与所述证件类型清单中的证件类型完全一致时,确认所述待检测影像文件的证件类型检测合格,将所述待检测影像文件标记为已检测影像文件并存储至数据库。
一种多证件类型同步检测装置,包括:
接收模块,用于接收证件检测指令,获取含有检测编号的待检测影像文件;其中,所述待检测影像文件包括待检测影像件;
确定模块,用于获取预设的编号规则,根据所述待检测影像文件的检测编号和所述编号规则,确定所述待检测影像文件的核查清单和所述核查清单对应的证件检测模型;所述核查清单中包含多种证件类型;
识别模块,用于将所有所述待检测影像件输入所述证件检测模型,通过所述证件检测模型对所有所述待检测影像件提取证件特征,获取所述证件检测模型根据所述证件特征输出的识别结果;所述识别结果包括所有所述待检测影像件的证件类型清单,所述证件类型清单中包含自所有所述待检测影像件中识别的证件类型;
检测模块,用于在所述核查清单中包含的证件类型与所述证件类型清单中的证件类型完全一致时,确认所述待检测影像文件的证件类型检测合格,将所述待检测影像文件标记为已检测影像文件并存储至数据库。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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上述多证件类型同步检测方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述多证件类型同步检测方法的步骤。
本发明提供的多证件类型同步检测方法、装置、计算机设备及存储介质,通过获取含有检测编号的待检测影像文件(包含多个待检测影像件),根据所述检测编号和编号规则,确定所述待检测影像文件的核查清单和与核查清单对应的证件检测模型,所述核查清单中包含多种证件类型,将所有所述待检测影像件输入所述证件检测模型,通过所述证件检测模型对所有所述待检测影像件提取证件特征,获取所述证件检测模型根据所述证件特征输出的识别结果,所述识别结果包括所有所述待检测影像件的证件类型清单(包含自所有所述待检测影像件中识别的证件类型),在所述核查清单中包含的证件类型与所述证件类型清单中的证件类型完全一致时,确认所述待检测影像文件的证件类型检测合格,同时标记为已检测影像文件并存储至数据库。
如此,实现了根据含有多种证件类型的核查清单对应一种仅针对核查清单中包含的所有证件类型的证件检测模型,形成一种一对一的识别方式,本发明具更强的针对性,而且证件检测模型的训练时间更短,以及证件检测模型的神经网络结构简单且准确率更高,同时,本发明实现了快速同步检测多种证件类型,而且不同证件类型可以混合在一个影像件中,无需提前确认一种证件类型在一个影像件中才能进行识别,从而提高了检测效率,而且减少了成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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是本发明一实施例中多证件类型同步检测方法的应用环境示意图;
图2是本发明一实施例中多证件类型同步检测方法的流程图;
图3是本发明另一实施例中多证件类型同步检测方法的流程图;
图4是本发明一实施例中多证件类型同步检测方法的步骤S30的流程图;
图5是本发明一实施例中多证件类型同步检测方法的步骤S304之前的流程图;
图6是本发明一实施例中多证件类型同步检测方法的步骤S304之后的流程图;
图7是本发明一实施例中多证件类型同步检测方法的步骤S40之后的流程图;
图8是本发明一实施例中多证件类型同步检测方法的步骤S50之后的流程图;
图9是本发明一实施例中多证件类型同步检测装置的原理框图;
图10是本发明一实施例中计算机设备的示意图。
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,都属于本发明保护的范围。
本发明提供的多证件类型同步检测方法,可应用在如图1的应用环境中,其中,客户端(计算机设备)通过网络与服务器进行通信。其中,客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种多证件类型同步检测方法,其技术方案主要包括以下步骤S10-S40:
S10,接收证件检测指令,获取含有检测编号的待检测影像文件;其中,所述待检测影像文件包括待检测影像件。
可理解地,接收所述证件检测指令,获取所述待检测影像文件,所述证件检测指令为选择需要进行检测的待检测影像文件并确认之后触发的指令,接收到所述证件检测指令之后,获取所述待检测影像文件,其获取方式可以根据需要进行设定,比如获取方式可以为通过所述证件检测指令获取所述待检测影像文件(所述证件检测指令中包含所述待检测影像文件)、根据所述证件指令中包含的所述待检测影像文件的存储路径获取所述待检测影像文件等等。
其中,所述待检测影像文件为需要进行检测识别的多个待检测影像件,所述待检测影像件中包括多种证件类型的图像,所述待检测影像文件包含所述检测编号,所述检测编号为对所述待检测影像文件进行确定的多个证件类型检测而赋予的唯一编号,所述检测编号的组成因素可以根据需求进行设定,比如所述检测编号的组成因素可以设定由数字或/和字母组成,所述待检测影像文件可以为文件夹,所述待检测影像件为该文件夹下的单个文件,其文件夹的属性中包含有所述待检测影像文件的检测编号,例如:待检测影像文件的文件夹名字中包含检测编号WJJAF201909100;所述待检测影像亦可以为文件,其文件中有多页所述待检测影像件,其文件夹的属性中包含有所述待检测影像文件的检测编号,例如:待检测影像文件的文件名字中包含检测编号WJAF201909110。
S20,获取预设的编号规则,根据所述待检测影像文件的检测编号和所述编号规则,确定所述待检测影像文件的核查清单和所述核查清单对应的证件检测模型;所述核查清单中包含多种证件类型。
可理解地,所述编号规则为根据需求对检测类别和编号范围建立对应关系而制定的规则,例如:编号规则中定义:1、编号范围为WJJAF201909001至WJJAF201909999对应检测类别为2019年9月份安防检测的种类,2、编号范围为WJJBX201908001至WJJBX201908999对应检测类别为2019年8月份保险检测的种类。根据所述待检测影像文件的检测编号和所述编号规则,确定所述待检测影像文件的检测类别,即根据所述检测编号和所述编号规则的匹配程度确定所述待检测影像文件的检测类别,例如:上述例子中,检测编号为WJJAF201909100的待检测影像文件,其检测编号WJJAF201909100落在安防检测的种类对应的编号范围WJJAF201909001至WJJAF201909999内,可以确定待检测影像文件的检测类别为安防检测的种类,再根据所述检测类别,确定与所述检测类别对应的核查清单并记录为所述待检测影像文件的核查清单,同时确定与所述检测类别对应的证件检测模型并记录为与所述待检测影像文件的核查清单对应的证件检测模型,其中,一个所述检测类别对应一种所述核查清单,一个所述检测类别对应一种所述证件检测模型,所述核查清单为需要对所述待检测影像文件种多种证件类型进行检测的清单,例如:安防检测的种类对应一种核对清单为身份证证件、社保卡证件和安防证书,同时确定安防检测的种类对应的证件检测模型。所述与所述待检测影像文件的核查清单对应的证件检测模型为针对不同的核查清单进行训练并训练完成的深度卷积神经网络模型,一种所述核查清单对应一个证件检测模型,存在多种不同的核查清单就存在多种证件检测模型与之相对应。所述核查清单中包含多种证件类型,比如核对清单中包含身份证证件、银行卡证件、社保卡证件等等,所述证件检测模型仅对所述核查清单中包含的所有证件类型进行识别。
如此,所述证件检测模型的针对性强,只针对核查清单中包含的证件类型进行检测,而且所述证件检测模型的训练时间短,以及所述证件检测模型的准确率更高。
S30,将所有所述待检测影像件输入所述证件检测模型,通过所述证件检测模型对所有所述待检测影像件提取证件特征,获取所述证件检测模型根据所述证件特征输出的识别结果;所述识别结果包括所有所述待检测影像件的证件类型清单,所述证件类型清单中包含自所有所述待检测影像件中识别的证件类型。
可理解地,将所有所述待检测影像件输入至所述证件检测模型,所述证件检测模型提取所有所述待检测影像件中的证件特征,所述证件检测模型包括训练完成的深度卷积神经网络模型,所述证件特征包括所述深度卷积神经网络模型中提取的纹理特征,根据所述证件特征,所述证件检测模型输出所述待检测影像件的识别结果,所述识别结果包括所有所述待检测影像件的证件类型清单(所有所述待检测影像件中识别的证件类型)。优选地,所述证件检测模型的识别过程如下,首先,所述证件检测模型对所有所述待检测影像件进行灰度处理,生成所有所述待检测影像件的灰度图像,通过边缘检测法提取出所有所述灰度图像中的若干证件区域图像;通过局部二值模式法将每个所述证件区域图像转换成对应的局部二值模式特征图;其次,将所述局部二值模式特征图输入至所述训练完成的深度卷积神经网络模型,通过所述深度卷积神经网络模型对所述局部二值模式特征图进行纹理特征的提取,并获取所述深度卷积神经网络模型输出的识别结果,所述识别结果表征了所述证件区域图像的证件类型;最后,将所有所述证件区域图像的证件类型写入所有所述待检测影像件的证件类型清单中。
如此,所述证件检测模型可以同步检测多种证件类型的所述待检测影像文件,并且不同证件类型的证件图像可以混合在同一个所述待检测影像件中,从而无需要求所述待检测影像文件只存在一种证件类型,提高了检测效率,而且减少了成本。
在一实施例中,如图4所示,所述步骤S30中,即所述将所有所述待检测影像件输入所述证件检测模型,通过所述证件检测模型对所有所述待检测影像件提取证件特征,获取所述证件检测模型根据所述证件特征输出的识别结果;所述识别结果包括所有所述待检测影像件的证件类型清单,所述证件类型清单中包含自所有所述待检测影像件中识别的证件类型,包括:
S301,获取所有所述待检测影像件,对所有所述待检测影像件进行灰度处理,生成所有所述待检测影像件的灰度图像。
可理解地,所述待检测影像件包括RGB三个通道(红色通道、绿色通道、蓝色通道)的图像,即每个所述待检测影像件中的每个像素点有三个通道的分量值,分别为R分量值(红色通道的分量值)、G分量值(绿色通道的分量值)和B分量值(蓝色通道的分量值),将所述待检测影像件中的每个像素点进行灰度处理,通过加权平均法得出每个像素点的灰度值,从而生成所述待检测影像件的灰度图像,如此,则将三个通道的所述待检测影像件变换成一个通道的灰度图像,进而只对一个通道进行处理,减少了分别对各个通道的处理。
S302,通过边缘检测法对所有所述待检测影像件的灰度图像进行识别,并提取出所述灰度图像中的若干证件区域图像。
可理解地,所述边缘检测法是为了标识出图像中的像素点的灰度值与该像素点周围的灰度值存在明显差异的像素点,由于所述待检测影像件中包含所有证件的边缘两侧的亮度是明显不同而且通过灰度处理后的所有所述证件的边缘两侧的灰度值差异更加明显,所以通过所述边缘检测法识别出所述待检测影像件的灰度图像中所述灰度值变化明显的像素点,然后通过提取所述灰度值变化明显的像素点形成的区域(也即每一个证件所在区域),并标记为所述灰度图像中的证件区域图像。
S303,通过局部二值模式法将每个所述证件区域图像转换成与每个所述证件区域图像对应的局部二值模式特征图。
可理解地,所述局部二值模式法(Local Binary Patterns,缩写为LBP)通过以每一个像素点为中心像素,该像素点对应的灰度值作为所述中心像素的阈值,将相邻区域内的像素点对应的灰度值与所述中心像素的阈值进行比较,若相邻的像素点的灰度值大于中心像素的阈值,则该像素点的位置被标记为二进制码1,否则为二进制码0,将所有相邻区域内的像素点对应的二进制码进行顺时针顺序组合成一组二进制数,所述二进制值为对应的局部二值模式特征值(LBP值)。优选地,所述相邻区域为3×3的8个像素点区域(去除中心像素),生成8位二进制数,所述局部二值模式特征值的范围为0至255的整数值。通过所述局部二值模式法得到每个所述证件区域图像中每个像素点对应的所述局部二值模式特征值,从而生成与每个所述证件区域图像对应的局部二值模式特征图,即将所有所述像素点的局部二值模式特征值按照对应像素点所在的位置进行排列,生成与每个所述证件区域图像对应的局部二值模式特征图,进而增强了每个所述证件区域图像中的纹理特征。
如此,由于所述局部二值模式法具有旋转不变性和灰度不变性的优点,因而局部二值模式特征图对光照具有很强的鲁棒性。通过图像分析,不同证件图像中存在一些比较显著的纹理特征。所以通过所述局部二值模式法识别纹理特征进行证件类型检测提高了识别可靠性和准确率。
S304,将所述与每个所述证件区域图像对应的局部二值模式特征图输入至所述证件检测模型中的训练完成的深度卷积神经网络模型,通过所述深度卷积神经网络模型对所述局部二值模式特征图进行纹理特征的提取,并获取所述深度卷积神经网络模型根据所述纹理特征输出的识别结果,所述识别结果表征了所述证件区域图像的证件类型。
可理解地,将所述与每个所述证件区域图像对应的局部二值模式特征图输入所述证件检测模型中的训练完成的深度卷积神经网络模型,从而对所述局部二值模式特征图进行识别处理,即对所述局部二值模式特征图进行纹理特征的识别,可以得出根据所述纹理特征统计的识别结果,即得出所述证件区域图像的识别结果,所述识别结果同时表征了所述证件区域图像的证件类型,比如身份证证件、银行卡证件、社保卡证件等等。
S305,将所有所述证件区域图像的证件类型写入所有所述待检测影像件的证件类型清单中。
可理解地,将识别出的所有所述证件区域图像的证件类型写入所述证件类型清单中,例如:识别出证件类型有身份证证件和社保卡证件,则将身份证证件和社保卡证件写入证件类型清单中。
如此,实现了通过边缘检测法识别出灰度图像中所述灰度值变化明显的像素点,从而快速地提取出所有证件的区域图像,同时,基于局部二值模式法具有旋转不变性和灰度不变性的优点,通过局部二值模式法识别纹理特征进行证件类型检测提高了识别准确率和可靠性。
在一实施例中,如图5所示,所述步骤S304之前,即所述将所述区域图像输入至所述证件检测模型中的训练完成的深度卷积神经网络模型,所述深度卷积神经网络模型通过提取所述区域图像的纹理特征,并根据所述纹理特征输出所述区域图像的识别结果,所述识别结果表征了所述区域图像的证件类型之前,包括:
S3041,获取训练图像样本;其中,每个所述训练图像样本均与一个证件类型标签关联。
可理解地,所述训练图像样本均与一个证件类型标签关联,而且所述训练图像样本为训练图像样本的灰度图像对应的局部二值模式特征图。
S3042,通过迁移学习,初始神经网络模型获取YOLO模型的所有模型参数,将所述所有模型参数确定为所述初始神经网络模型的初始参数。
可理解地,所述迁移学习(Transfer Learning,TL)为利用其他领域已有的训练模型的参数应用在本领域的任务中,即所述初始神经网络模型通过迁移学习的方式获取YOLO(You Only Look Once)模型的所有模型参数,然后将所述所有模型参数确定为所述初始神经网络模型的初始参数。
S3043,将所述训练图像样本输入包含初始参数的初始神经网络模型。
可理解地,所述初始神经网络模型包括所述初始参数,将所述训练图像样本输入至所述初始神经网络模型中。
S3044,通过所述初始神经网络模型提取所述训练图像样本中的纹理特征。
可理解地,通过所述初始神经网络模型对所述训练图像样本进行处理,提取出所述训练图像样本中的纹理特征,所述纹理特征包括波光纹特征、花纹特征和异常斑纹特征。
S3045,获取所述初始神经网络模型根据所述纹理特征输出的识别结果,并根据所述识别结果和所述证件类型标签的匹配程度确定损失值。
可理解地,根据所述初始神经网络模型提取出的所述纹理特征,通过所述初始神经网络模型进行所述训练图像样本的证件类型的识别,获取得到所述初始神经网络模型的识别结果,通过所述训练图像样本的识别结果与所述训练图像样本的证件类型标签进行比对,确定出与之相对应的损失值,即通过所述初始神经网络模型的损失函数计算出损失值。
S3046,在所述损失值达到预设的收敛条件时,将收敛之后的所述初始神经网络模型记录为训练完成的深度卷积神经网络模型。
其中,所述预设的收敛条件可以为所述损失值经过了3000次计算后值为很小且不会再下降的条件,即在所述损失值经过3000次计算后值为很小且不会再下降时,停止训练,并将收敛后的所述初始神经网络模型记录为训练完成的深度卷积神经网络模型;所述预设的收敛条件也可以为所述损失值小于设定阈值的条件,即在所述损失值小于设定阈值时,停止训练,并将收敛后的所述初始神经网络模型记录为训练完成的深度卷积神经网络模型。
如此,由于所述初始神经网络模型的输入训练图像样本为已经灰度处理后的灰度图像,无需在输入层对图像进行复杂的图像变换处理,只需对纹理特征进行识别,所以初始神经网络模型的处理速度快和容量小,因此,可以应用在便携式容量小的移动终端中。
在一实施例中,所述步骤S3045之后,包括:
S3047,在所述损失值未达到预设的收敛条件时,迭代更新所述初始神经网络模型的初始参数,直至所述损失值达到所述预设的收敛条件时,将收敛之后的所述初始神经网络模型记录为训练完成的深度卷积神经网络模型。
如此,在所述损失值未达到预设的收敛条件时,不断更新迭代所述初始神经网络模型的初始参数,可以不断向准确的识别结果靠拢,让识别结果的准确率越来越高。
可理解地,所述损失值不满足所述预设的收敛条件时,通过所述初始神经网络模型的损失函数进行收敛,并迭代更新所述初始神经网络模型的初始参数,一直循环步骤S3044和S3045,直到所述损失值满足所述预设的收敛条件时,停止训练,将收敛之后的所述初始神经网络模型记录为训练完成的深度卷积神经网络模型。
如此,在所述损失值未达到预设的收敛条件时,不断更新迭代所述初始神经网络模型的初始参数,可以不断向准确的识别结果靠拢,让识别结果的准确率越来越高。
在一实施例中,如图6所示,所述步骤S304之后,包括:
S306,根据所述证件区域图像的证件类型确定所述证件区域图像中的预设信息区域。
可理解地,获取所述证件区域图像,以及获取所述证件区域图像的证件类型,根据所述证件类型确定所述证件区域图像中的所述预设信息区域,其中,所述不同的所述证件类型匹配不同的所述预设信息区域,比如,身份证证件对应的预设信息区域为身份证号码位置的矩形区域,银行卡证件对应的预设信息区域为银行卡号位置的矩形区域。
S307,在所述证件区域图像中截取与各所述预设信息区域对应的裁切图像。
可理解地,在所述证件区域图像中的所述预设信息区域进行截取,并将截取出的图像标记为所述对应的裁切图像。
S308,通过反二值化法对所述裁切图像进行变换,生成与所述证件区域图像对应的反二值化裁切图像。
可理解地,所述反二值化法为首先对所述裁切图像进行灰度二值化处理得到二值化图像,其次通过选取适当的阈值对所述二值化图像进行分割处理,最后将分割处理后的所述二值化图像进行取反,从而得到所述反二值化裁切图像。
如此,通过反二值法可以让所述反二值化裁切图像的数字特征和字母特征更加明显,提高了识别的准确率。
S309,将所述反二值化裁切图像输入证件号识别模型,所述证件号识别模型通过提取与所述证件区域图像对应的所述反二值化裁切图像的数字特征和字母特征,并根据所述数字特征和所述字母特征输出与所述证件区域图像对应的所述反二值化裁切图像的识别结果,所述识别结果表征了与所述证件区域图像的证件类型关联的证件信息。
可理解地,所述证件号识别模型为经过训练并训练完成的深度神经网络模型,其中,所述证件号识别模型的训练方式和网络结构可以根据需求进行设定,优选地,所述证件号识别模型的训练方式为迁移学习训练方式,所述证件号识别模型的网络结构为VGG16网络结构。通过所述证件号识别模型对所述反二值化裁切图像的数字特征和字母特征进行提取,根据所述数字特征和所述字母特征,所述证件号识别模型识别出所述证件区域图像中的数字和字母,从而所述证件号识别模型输出所述证件区域图像的证件类型关联的证件信息。
如此,本发明通过深度神经网络模型进行识别图像中的数字和字母,加快了识别速度和降低了图像质量的要求,因为深度神经网络模型是通过数字特征和字母特征进行识别,所以输入模糊的图像也可以达到准确识别的效果。
S310,将所述证件信息与所述区域图像的证件类型关联写入所有所述待检测影像件的证件类型清单中。
在一实施例中,如图3所示,所述步骤S30之后,还包括:
S100,在所述核查清单与所述证件类型清单不一致时,确认所述待检测影像文件的检测失败。
可理解地,所述确认所述待检测影像文件的检测失败的方式可以根据需求进行设定,比如可以为弹出相应的失败窗口,所述失败窗口说明所述待检测影像文件的“XXX证件类型错误”等字样。
如此,通过明显的、对应的检测失败提示,可以缩小证件类型错误的范围,方便对所述待检测影像文件进行纠错。
S40,在所述核查清单中包含的证件类型与所述证件类型清单中的证件类型完全一致时,确认所述待检测影像文件的证件类型检测合格,将所述待检测影像文件标记为已检测影像文件并存储至数据库。
可理解地,获取所述核查清单和所述证件类型清单,将所述核查清单中包含的证件类型与所述证件类型清单中的证件类型进行比对,在所述核查清单中包含的证件类型与所述证件类型清单中的证件类型完全一致时,确认所述待检测影像文件的证件类型检测合格,即所述待检测影像文件中包含的证件类型满足检测要求,并将所述待检测影像文件标记为已检测影像文件并存储至数据库中,记录检测结果,以便于后续用户身份验证过程中进行调取与用户对应的检测结果。
本发明通过获取含有检测编号的待检测影像文件(包含多个待检测影像件),根据所述检测编号和编号规则,确定所述待检测影像文件的核查清单和与核查清单对应的证件检测模型,所述核查清单中包含多种证件类型,将所有所述待检测影像件输入所述证件检测模型,通过所述证件检测模型对所有所述待检测影像件提取证件特征,获取所述证件检测模型根据所述证件特征输出的识别结果,所述识别结果包括所有所述待检测影像件的证件类型清单(包含自所有所述待检测影像件中识别的证件类型),在所述核查清单中包含的证件类型与所述证件类型清单中的证件类型完全一致时,确认所述待检测影像文件的证件类型检测合格,同时标记为已检测影像文件并存储至数据库。
如此,实现了根据含有多种证件类型的核查清单对应一种仅针对核查清单中包含的所有证件类型的证件检测模型,形成一种一对一的识别方式,本发明具更强的针对性,而且证件检测模型的训练时间更短,以及证件检测模型的神经网络结构简单且准确率更高,同时,本发明实现了快速同步检测多种证件类型,而且不同证件类型可以混合在一个影像件中,无需提前确认一种证件类型在一个影像件中才能进行识别,从而提高了检测效率,而且减少了成本。
在一实施例中,如图7所示,所述证件类型清单中还包含自所有所述待检测影像件中识别的与各所述证件类型关联的证件信息;
所述步骤S40之后,即所述确认所述待检测影像文件的证件类型检测合格之后,还包括:
S50,获取与所述检测编号关联的待审核信息;所述待审核信息中包含与所述核查清单中包含的各所述证件类型对应的证件验证参数。
可理解地,所述待审核信息为与所述检测编号关联的信息,并且包含证件类型对应的证件验证参数,比如:身份证号证件对应XXXXXXXXXXXXXXXXXX(13位证件号),银行卡证件对应XXXXXXXXXXXXXXXX(16位卡号)等等,其中,所述待审核信息中包含的证件类型与所述核查清单中包含的证件类型一致。
S60,将证件类型一致的所述证件验证参数与所述证件信息进行比对,在所述证件验证参数与所述证件信息匹配时,确认与所述证件验证参数对应的所述证件类型验证成功。
可理解地,获取同一种证件类型的所述证件验证参数和所述证件信息,将同一种证件类型的所述证件验证参数与所述证件信息进行比对,在所述证件验证参数与所述证件信息匹配时,确认与所述证件验证参数对应的所述证件类型验证成功。
S70,在所述待检测影像文件的所有所述证件类型均验证成功时,确认所述待检测影像文件为通过审核。
可理解地,在所有所述证件类型均验证成功时,即表明所述待检测影像文件中包含的所有证件类型关联的证件信息验证成功,确认所述待检测影像文件审核通过,比如在不良资产行业进行用户身份验证中,通过提供用户身份的影像件资料进行审核,在所有用户身份的影像件资料中的所有证件类型均验证成功后,确认用户身份验证通过。
如此,通过先确认所述待检测影像文件的证件类型是否检测合格,再确认所述待检测影像文件的证件类型对应的证件信息是否验证成功,最后确认所述待检测影像文件是否通过审核,减少了因所述待检测影像文件的证件类型检测失败情况下所述待检测影像文件的证件类型对应的证件信息验证的操作时间,从而提高了效率,节省了成本。
在一实施例中,如图8所示,所述步骤S50之后,即所述获取与所述检测编号关联的待审核信息之后,包括:
S80,将证件类型一致的所述证件验证参数与所述证件信息进行比对,在所述证件验证参数与所述证件信息不匹配时,确认与所述证件验证参数对应的所述证件类型验证失败,同时确认所述待检测影像文件为不通过审核。
可理解地,在所述证件验证参数与所述证件信息不匹配时,即所述证件验证参数与所述证件信息不相等,只要有一个所述证件验证参数与所述证件信息不相等,就确认所述待检测影像文件的审核结果为不通过,并提示不通过审核的失败提示信息,所述失败提示信息可以根据需求进行设定,比如弹出“XXXX证件信息不匹配”的提示等。
如此,通过只要有一个与所述证件验证参数对应的所述证件类型验证成功失败,就确认所述待检测影像文件审核不通过,减少了其他证件类型一致的所述证件验证参数与所述证件信息进行比对时间。
在一实施例中,提供一种多证件类型同步检测装置,该多证件类型同步检测装置与上述实施例中多证件类型同步检测方法一一对应。如图9所示,该多证件类型同步检测装置包括接收模块11、确定模块12、识别模块13和检测模块14。各功能模块详细说明如下:
接收模块11,用于接收证件检测指令,获取含有检测编号的待检测影像文件;其中,所述待检测影像文件包括待检测影像件;
确定模块12,用于获取预设的编号规则,根据所述待检测影像文件的检测编号和所述编号规则,确定所述待检测影像文件的核查清单和所述核查清单对应的证件检测模型;所述核查清单中包含多种证件类型;
识别模块13,用于将所有所述待检测影像件输入所述证件检测模型,通过所述证件检测模型对所有所述待检测影像件提取证件特征,获取所述证件检测模型根据所述证件特征输出的识别结果;所述识别结果包括所有所述待检测影像件的证件类型清单,所述证件类型清单中包含自所有所述待检测影像件中识别的证件类型;
检测模块14,用于在所述核查清单中包含的证件类型与所述证件类型清单中的证件类型完全一致时,确认所述待检测影像文件的证件类型检测合格,将所述待检测影像文件标记为已检测影像文件并存储至数据库。
在一实施例中,多证件类型同步检测装置还包括:
获取模块,用于获取与所述检测编号关联的待审核信息;所述待审核信息中包含与所述核查清单中包含的各所述证件类型对应的证件验证参数;
比对模块,用于将证件类型一致的所述证件验证参数与所述证件信息进行比对,在所述证件验证参数与所述证件信息匹配时,确认与所述证件验证参数对应的所述证件类型验证成功;
确认模块,用于在所述待检测影像文件的所有所述证件类型均验证成功时,确认所述待检测影像文件为通过审核。
在一实施例中,所述获取模块还包括:
将证件类型一致的所述证件验证参数与所述证件信息进行比对,在所述证件验证参数与所述证件信息不匹配时,确认与所述证件验证参数对应的所述证件类型验证失败,同时确认所述待检测影像文件为不通过审核。
在一实施例中,所述识别模型13包括:
检测失败单元,用于在所述核查清单与所述证件类型清单不一致时,确认所述待检测影像文件的检测失败。
在一实施例中,所述识别模块13还包括:
第一获取单元,用于获取所有所述待检测影像件,对所有所述待检测影像件进行灰度处理,生成所有所述待检测影像件的灰度图像;
第一提取单元,用于通过边缘检测法对所有所述待检测影像件的灰度图像进行识别,并提取出所述灰度图像中的若干证件区域图像;
转换单元,用于通过局部二值模式法将每个所述证件区域图像转换成与每个所述证件区域图像对应的局部二值模式特征图;
识别单元,用于将所述与每个所述证件区域图像对应的局部二值模式特征图输入至所述证件检测模型中的训练完成的深度卷积神经网络模型,通过所述深度卷积神经网络模型对所述局部二值模式特征图进行纹理特征的提取,并获取所述深度卷积神经网络模型根据所述纹理特征输出的识别结果,所述识别结果表征了所述证件区域图像的证件类型;
检测成功单元,用于将所有所述证件区域图像的证件类型写入所有所述待检测影像件的证件类型清单中。
在一实施例中,所述识别单元包括:
第二获取单元,用于获取训练图像样本;其中,所述每个所述训练图像样本均与一个证件类型标签关联;
迁移单元,用于通过迁移学习,初始神经网络模型获取YOLO模型的所有模型参数,将所述所有模型参数确定为所述初始神经网络模型的初始参数;
输入单元,用于将所述训练图像样本输入包含初始参数的初始神经网络模型;
第二提取单元,用于通过所述初始神经网络模型提取所述训练图像样本中的纹理特征;
确定单元,用于获取所述初始神经网络模型根据所述纹理特征输出的识别结果,并根据所述识别结果和所述证件类型标签的匹配程度确定损失值;
训练完成单元,用于在所述损失值达到预设的收敛条件时,将收敛之后的所述初始神经网络模型记录为训练完成的深度卷积神经网络模型。
在一实施例中,所述识别单元还包括:
确定子单元,用于根据所述证件区域图像的证件类型确定所述证件区域图像中的预设信息区域;
裁切子单元,用于在所述证件区域图像中截取与各所述预设信息区域对应的裁切图像;
变换子单元,用于通过反二值化法对所述裁切图像进行变换,生成与所述证件区域图像对应的反二值化裁切图像;
识别子单元,用于将所述反二值化裁切图像输入证件号识别模型,所述证件号识别模型通过提取与所述证件区域图像对应的所述反二值化裁切图像的数字特征和字母特征,并根据所述数字特征和所述字母特征输出与所述证件区域图像对应的所述反二值化裁切图像的识别结果,所述识别结果表征了与所述证件区域图像的证件类型关联的证件信息;
将所述证件信息与所述区域图像的证件类型关联写入所有所述待检测影像件的证件类型清单中。
关于多证件类型同步检测装置的具体限定可以参见上文中对于多证件类型同步检测方法的限定,在此不再赘述。上述多证件类型同步检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多证件类型同步检测方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中多证件类型同步检测方法。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中多证件类型同步检测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、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单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种多证件类型同步检测方法,其特征在于,包括:
接收证件检测指令,获取含有检测编号的待检测影像文件;其中,所述待检测影像文件包括待检测影像件;
获取预设的编号规则,根据所述待检测影像文件的检测编号和所述编号规则,确定所述待检测影像文件的核查清单和所述核查清单对应的证件检测模型;所述核查清单中包含多种证件类型;
将所有所述待检测影像件输入所述证件检测模型,通过所述证件检测模型对所有所述待检测影像件提取证件特征,获取所述证件检测模型根据所述证件特征输出的识别结果;所述识别结果包括所有所述待检测影像件的证件类型清单,所述证件类型清单中包含自所有所述待检测影像件中识别的证件类型;
在所述核查清单中包含的证件类型与所述证件类型清单中的证件类型完全一致时,确认所述待检测影像文件的证件类型检测合格,将所述待检测影像文件标记为已检测影像文件并存储至数据库。
2.如权利要求1所述的多证件类型同步检测方法,其特征在于,所述证件类型清单中还包含自所有所述待检测影像件中识别的与各所述证件类型关联的证件信息;所述确认所述待检测影像文件的证件类型检测合格之后,还包括:
获取与所述检测编号关联的待审核信息;所述待审核信息中包含与所述核查清单中包含的各所述证件类型对应的证件验证参数;
将证件类型一致的所述证件验证参数与所述证件信息进行比对,在所述证件验证参数与所述证件信息匹配时,确认与所述证件验证参数对应的所述证件类型验证成功;
在所述待检测影像文件的所有所述证件类型均验证成功时,确认所述待检测影像文件为通过审核。
3.如权利要求2所述的多证件类型同步检测方法,其特征在于,所述获取与所述检测编号关联的待审核信息之后,包括:
将证件类型一致的所述证件验证参数与所述证件信息进行比对,在所述证件验证参数与所述证件信息不匹配时,确认与所述证件验证参数对应的所述证件类型验证失败,同时确认所述待检测影像文件为不通过审核。
4.如权利要求1所述的多证件类型同步检测方法,其特征在于,所述将所有所述待检测影像件输入所述证件检测模型,通过所述证件检测模型对所有所述待检测影像件提取证件特征,获取所述证件检测模型根据所述证件特征输出的识别结果之后,包括:
在所述核查清单与所述证件类型清单不一致时,确认所述待检测影像文件的检测失败。
5.如权利要求1所述的多证件类型同步检测方法,其特征在于,所述将所有所述待检测影像件输入所述证件检测模型,通过所述证件检测模型对所有所述待检测影像件提取证件特征,获取所述证件检测模型根据所述证件特征输出的识别结果,包括:
获取所有所述待检测影像件,对所有所述待检测影像件进行灰度处理,生成所有所述待检测影像件的灰度图像;
通过边缘检测法对所有所述待检测影像件的灰度图像进行识别,并提取出所述灰度图像中的若干证件区域图像;
通过局部二值模式法将每个所述证件区域图像转换成与每个所述证件区域图像对应的局部二值模式特征图;
将所述与每个所述证件区域图像对应的局部二值模式特征图输入至所述证件检测模型中的训练完成的深度卷积神经网络模型,通过所述深度卷积神经网络模型对所述局部二值模式特征图进行纹理特征的提取,并获取所述深度卷积神经网络模型根据所述纹理特征输出的识别结果,所述识别结果表征了所述证件区域图像的证件类型;
将所有所述证件区域图像的证件类型写入所有所述待检测影像件的证件类型清单中。
6.如权利要求5所述的多证件类型同步检测方法,其特征在于,所述将所述区域图像输入至所述证件检测模型中的训练完成的深度卷积神经网络模型,所述深度卷积神经网络模型通过提取所述区域图像的纹理特征,并根据所述纹理特征输出所述区域图像的识别结果,所述识别结果表征了所述区域图像的证件类型之前,包括:
获取训练图像样本;其中,每个所述训练图像样本均与一个证件类型标签关联;
通过迁移学习,初始神经网络模型获取YOLO模型的所有模型参数,将所述所有模型参数确定为所述初始神经网络模型的初始参数;
将所述训练图像样本输入包含初始参数的初始神经网络模型;
通过所述初始神经网络模型提取所述训练图像样本中的纹理特征;
获取所述初始神经网络模型根据所述纹理特征输出的识别结果,并根据所述识别结果和所述证件类型标签的匹配程度确定损失值;
在所述损失值达到预设的收敛条件时,将收敛之后的所述初始神经网络模型记录为训练完成的深度卷积神经网络模型。
7.如权利要求5所述的多证件类型同步检测方法,其特征在于,所述将所述区域图像输入至所述证件检测模型中的训练完成的深度卷积神经网络模型,所述深度卷积神经网络模型通过提取所述区域图像的纹理特征,并根据所述纹理特征输出所述区域图像的识别结果,所述识别结果表征了所述区域图像的证件类型之后,包括:
根据所述证件区域图像的证件类型确定所述证件区域图像中的预设信息区域;
在所述证件区域图像中截取与各所述预设信息区域对应的裁切图像;
通过反二值化法对所述裁切图像进行变换,生成与所述证件区域图像对应的反二值化裁切图像;
将所述反二值化裁切图像输入证件号识别模型,所述证件号识别模型通过提取与所述证件区域图像对应的所述反二值化裁切图像的数字特征和字母特征,并根据所述数字特征和所述字母特征输出与所述证件区域图像对应的所述反二值化裁切图像的识别结果,所述识别结果表征了与所述证件区域图像的证件类型关联的证件信息;
将所述证件信息与所述区域图像的证件类型关联写入所有所述待检测影像件的证件类型清单中。
8.一种多证件类型同步检测装置,其特征在于,包括:
接收模块,用于接收证件检测指令,获取含有检测编号的待检测影像文件;其中,所述待检测影像文件包括待检测影像件;
确定模块,用于获取预设的编号规则,根据所述待检测影像文件的检测编号和所述编号规则,确定所述待检测影像文件的核查清单和所述核查清单对应的证件检测模型;所述核查清单中包含多种证件类型;
识别模块,用于将所有所述待检测影像件输入所述证件检测模型,通过所述证件检测模型对所有所述待检测影像件提取证件特征,获取所述证件检测模型根据所述证件特征输出的识别结果;所述识别结果包括所有所述待检测影像件的证件类型清单,所述证件类型清单中包含自所有所述待检测影像件中识别的证件类型;
检测模块,用于在所述核查清单中包含的证件类型与所述证件类型清单中的证件类型完全一致时,确认所述待检测影像文件的证件类型检测合格,将所述待检测影像文件标记为已检测影像文件并存储至数据库。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至7任一项所述多证件类型同步检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述多证件类型同步检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010061431.4A CN111275102A (zh) | 2020-01-19 | 2020-01-19 | 多证件类型同步检测方法、装置、计算机设备及存储介质 |
PCT/CN2020/103394 WO2021143088A1 (zh) | 2020-01-19 | 2020-07-22 | 多证件类型同步检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010061431.4A CN111275102A (zh) | 2020-01-19 | 2020-01-19 | 多证件类型同步检测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111275102A true CN111275102A (zh) | 2020-06-12 |
Family
ID=71003364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010061431.4A Pending CN111275102A (zh) | 2020-01-19 | 2020-01-19 | 多证件类型同步检测方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111275102A (zh) |
WO (1) | WO2021143088A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418278A (zh) * | 2020-11-05 | 2021-02-26 | 中保车服科技服务股份有限公司 | 一种多类物体检测方法、终端设备及存储介质 |
WO2021143088A1 (zh) * | 2020-01-19 | 2021-07-22 | 深圳壹账通智能科技有限公司 | 多证件类型同步检测方法、装置、计算机设备及存储介质 |
CN113657398A (zh) * | 2021-08-18 | 2021-11-16 | 北京百度网讯科技有限公司 | 图像识别方法和装置 |
CN113743327A (zh) * | 2021-09-07 | 2021-12-03 | 中国工商银行股份有限公司 | 单据识别方法、单据核对方法、装置和设备 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402070B (zh) * | 2023-05-31 | 2023-08-08 | 中电长城(长沙)信息技术有限公司 | 一种用于多证件的sp服务实现方法及系统 |
CN117391068B (zh) * | 2023-10-27 | 2024-04-05 | 中国人寿保险股份有限公司山东省分公司 | 一种基于rpa的寿险保全业务信息核验方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019157028A1 (en) * | 2018-02-06 | 2019-08-15 | NB Research LLC | System and method for securing a resource |
CN110008942B (zh) * | 2019-01-15 | 2023-09-08 | 创新先进技术有限公司 | 证件验证方法、装置、服务器及存储介质 |
CN110569769A (zh) * | 2019-08-29 | 2019-12-13 | 浙江大搜车软件技术有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
CN111275102A (zh) * | 2020-01-19 | 2020-06-12 | 深圳壹账通智能科技有限公司 | 多证件类型同步检测方法、装置、计算机设备及存储介质 |
-
2020
- 2020-01-19 CN CN202010061431.4A patent/CN111275102A/zh active Pending
- 2020-07-22 WO PCT/CN2020/103394 patent/WO2021143088A1/zh active Application Filing
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021143088A1 (zh) * | 2020-01-19 | 2021-07-22 | 深圳壹账通智能科技有限公司 | 多证件类型同步检测方法、装置、计算机设备及存储介质 |
CN112418278A (zh) * | 2020-11-05 | 2021-02-26 | 中保车服科技服务股份有限公司 | 一种多类物体检测方法、终端设备及存储介质 |
CN113657398A (zh) * | 2021-08-18 | 2021-11-16 | 北京百度网讯科技有限公司 | 图像识别方法和装置 |
WO2023020176A1 (zh) * | 2021-08-18 | 2023-02-23 | 北京百度网讯科技有限公司 | 图像识别方法和装置 |
CN113743327A (zh) * | 2021-09-07 | 2021-12-03 | 中国工商银行股份有限公司 | 单据识别方法、单据核对方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2021143088A1 (zh) | 2021-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275102A (zh) | 多证件类型同步检测方法、装置、计算机设备及存储介质 | |
CN110287971B (zh) | 数据验证方法、装置、计算机设备及存储介质 | |
US10217179B2 (en) | System and method for classification and authentication of identification documents using a machine learning based convolutional neural network | |
CN110569341B (zh) | 配置聊天机器人的方法、装置、计算机设备和存储介质 | |
CN108256591B (zh) | 用于输出信息的方法和装置 | |
CN111191568A (zh) | 翻拍图像识别方法、装置、设备及介质 | |
CN110503099B (zh) | 基于深度学习的信息识别方法及相关设备 | |
CN112784900A (zh) | 图像目标对比方法、装置、计算机设备及可读存储介质 | |
CN110728687B (zh) | 文件图像分割方法、装置、计算机设备和存储介质 | |
CN113111880B (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
CN111178147B (zh) | 屏幕破碎分级方法、装置、设备及计算机可读存储介质 | |
CN110147787A (zh) | 基于深度学习的银行卡号自动识别方法及系统 | |
CN112396047B (zh) | 训练样本生成方法、装置、计算机设备和存储介质 | |
CN111858977B (zh) | 票据信息采集方法、装置、计算机设备和存储介质 | |
CN112699923A (zh) | 文档分类预测方法、装置、计算机设备及存储介质 | |
CN112232336A (zh) | 一种证件识别方法、装置、设备及存储介质 | |
CN112528954A (zh) | 一种证件图像文字提取方法 | |
CN114357174B (zh) | 基于ocr和机器学习的代码分类系统及方法 | |
CN111553431A (zh) | 图片清晰度检测方法、装置、计算机设备及存储介质 | |
CN113806613B (zh) | 训练图像集生成方法、装置、计算机设备及存储介质 | |
CN114386013A (zh) | 学籍自动认证方法、装置、计算机设备及存储介质 | |
CN111259894B (zh) | 一种证件信息鉴别方法、装置及计算机设备 | |
CN116246294B (zh) | 图像信息识别方法、装置、存储介质和电子设备 | |
CN113177543B (zh) | 证件识别方法、装置、设备及存储介质 | |
CN115759758A (zh) | 风险评估方法、装置、设备及存储介质 |
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 |