CN111860486A - 卡片识别方法、装置及设备 - Google Patents
卡片识别方法、装置及设备 Download PDFInfo
- Publication number
- CN111860486A CN111860486A CN202010735901.0A CN202010735901A CN111860486A CN 111860486 A CN111860486 A CN 111860486A CN 202010735901 A CN202010735901 A CN 202010735901A CN 111860486 A CN111860486 A CN 111860486A
- Authority
- CN
- China
- Prior art keywords
- card
- image frame
- target
- currently processed
- edge
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例中,提供一种卡片识别方法、装置及设备,卡片识别方法,包括:在检测到卡片检测服务启动时,获取目标卡片对应的多帧图像帧,多帧图像帧中每帧图像帧为红绿蓝RGB格式的图像帧,之后,根据多帧图像帧确定目标卡片的卡片信息,卡片信息用于反映目标卡片的边缘情况和关键点情况,最后,根据目标卡片的卡片信息判断目标卡片是否为真卡。本申请有利于提高卡片识别的效率以及准确度。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种卡片识别方法、装置及设备。
背景技术
随着身份证、社保卡和银行卡等各种卡片大量的使用,相关的卡片识别服务也随之而来,针对各种卡片识别场景,卡片识别技术成为了不可或缺的部分,作为卡片识别技术中很重要的一环,卡片的边框检测算法越来越受到重视。
传统的卡片识别技术,用户需要面对复杂、冗长、繁琐的操作,如,用户需要按照逐层的操作提示信息进行操作才能识别出卡片,这容易给用户造成较差的体验,由此可见,传统的卡片识别算法还不够智能,需要很多人工干预,严重影响用户的体验,导致传统的卡片识别服务面临越来越明显的挑战。
现有的卡片边框检测算法,主要是采用神经网络或者传统的边缘检测算法找到图片中的所有边缘信息,然后设置各种条件过滤掉一些边缘信息,得到卡片边框,在复杂背景或者边缘模糊的情况下,容易出现误判,导致边框检测错误,影响后续对卡片信息的提取等其他服务的运行。
发明内容
本申请实施例提供一种卡片识别方法、装置及设备,可提高对卡片识别还原的效率。
第一方面,本申请实施例提供了一种卡片识别方法,该方法包括:
在检测到卡片检测服务启动时,获取目标卡片对应的多帧图像帧,所述多帧图像帧中每帧图像帧为红绿蓝RGB格式的图像帧;
根据所述多帧图像帧确定所述目标卡片的卡片信息,所述卡片信息用于反映所述目标卡片的边缘情况和关键点情况;
根据所述目标卡片的卡片信息判断所述目标卡片是否为真卡。
其中,所述根据所述多帧图像帧确定所述目标卡片的卡片信息,包括:
判断当前处理的图像帧是否为所述多帧图像帧中的第一帧图像帧;
若所述当前处理的图像帧为所述多帧图像帧中的第一帧图像帧,则根据第一预设算法获取所述当前处理的图像帧中所述目标卡片的卡片边缘信息,所述卡片边缘信息用于反映所述目标卡片的边缘情况;
若所述当前处理的图像帧不为所述多帧图像帧中的第一帧图像帧,则确定所述当前处理的图像帧的前一帧图像帧中是否存在所述目标卡片;
若所述当前处理的图像帧的前一帧图像帧中存在所述目标卡片,则根据第二预设算法获取所述当前处理的图像帧中所述目标卡片的卡片关键点信息,所述卡片关键点信息用于反映所述目标卡片的关键点情况;
若所述当前处理的图像帧的前一帧图像帧中不存在所述目标卡片,则根据所述第一预设算法获取所述当前处理的图像帧中所述目标卡片的卡片边缘信息。
其中,所述根据第一预设算法获取所述当前处理的图像帧中所述目标卡片的卡片边缘信息,包括:
根据所述当前处理的图像帧得到第一参考图像帧,所述第一参考图像帧的尺寸为第一预设尺寸;
根据所述第一参考图像帧得到第二参考图像帧,所述第一参考图像帧的像素值为所述第二参考图像帧的像素值的255倍;
将所述第二参考图像帧导入目标神经网络模型,得到所述当前处理的图像帧中所述目标卡片的初始边缘直线参数和四个初始参考点;
根据所述初始边缘直线参数和所述四个初始参考点得到所述当前处理的图像帧中所述目标卡片的目标边缘直线;
确定与所述目标边缘直线对应的所述当前处理的图像帧中所述目标卡片的顶点。
其中,所述目标神经网络模型包括语意分割模型和加权最小二乘法模型,所述将所述第二参考图像帧导入目标神经网络模型,得到所述当前处理的图像帧中所述目标卡片的初始边缘直线参数和四个初始参考点,包括:
将所述第二参考图像帧导入所述语义分割模型,得到所述当前处理的图像帧中所述目标卡片的特征图;
将所述特征图导入到所述加权最小二乘法模型,得到所述当前处理的图像帧中所述目标卡片的初始边缘直线参数和四个初始参考点。
其中,所述根据所述初始边缘直线参数和所述四个初始参考点得到所述当前处理的图像帧中所述目标卡片的目标边缘直线,包括:
根据所述四个初始参考点确定所述当前处理的图像帧中所述目标卡片的四个边缘区域;
确定所述四个边缘区域中每个边缘区域对应的多个目标顶点;
根据所述每个边缘区域对应的多个目标顶点确定所述每个边缘区域对应的目标边缘直线,得到所述当前处理的图像帧中所述目标卡片的目标边缘直线。
其中,所述确定所述四个边缘区域中每个边缘区域对应的多个目标顶点,包括:
将当前处理的区域分成n段,得到n个子区域,n为大于等于3的正整数;
根据所述n个子区域得到所述n个子区域的二值化图像;
根据所述n个子区域的二值化图像确定所述n个子区域中的n条目标直线,所述目标直线为子区域中面积最小的直线;
确定所述n条目标直线中每条目标直线的两端顶点,得到所述当前处理的区域对应的多个目标顶点。
其中,所述根据第二预设算法获取所述当前处理的图像帧中所述目标卡片的卡片关键点信息,包括:
根据所述当前处理的图像帧的前一帧图像帧的所述目标卡片的卡片信息得到所述当前处理的图像帧的初始化图像帧;
确定所述初始化图像帧中的多个关键点;
获取所述多个关键点的原始坐标;
根据所述多个关键点的原始坐标得到所述多个关键点的目标特征值。
其中,所述根据所述多个关键点的原始坐标得到所述多个关键点的目标特征值,包括:
根据所述当前处理的关键点对应的第m横坐标,确定与所述第m横坐标对应的第m方向梯度直方图hog特征,得到所述针对当前处理的关键点的第m特征值,所述第m横坐标为所述当前处理的图像帧的第m次卷积的图像帧中的与所述当前处理的关键点对应的关键点的横坐标,m为正整数;
根据所述第m特征值确定与所述第m特征值对应的所述当前处理的关键点的第m横坐标变化量,所述第m横坐标变化量为所述第m横坐标到第m+1横坐标之间的变化值,所述第m+1横坐标为所述当前处理的图像帧的第m次卷积之后得到的图像帧中的与所述当前处理的关键点对应的关键点的横坐标;
根据所述第m横坐标和所述第m横坐标变化量得到所述第m+1横坐标。
第二方面,本申请实施例提供了一种卡片识别装置,该装置包括:
获取模块,用于在检测到卡片检测服务启动时,获取目标卡片对应的多帧图像帧,所述多帧图像帧中每帧图像帧为红绿蓝RGB格式的图像帧;
确定模块,用于根据所述多帧图像帧确定所述目标卡片的卡片信息,所述卡片信息用于反映所述目标卡片的边缘情况和关键点情况;
判断模块,用于根据所述目标卡片的卡片信息判断所述目标卡片是否为真卡。
其中,在所述根据所述多帧图像帧确定所述目标卡片的卡片信息方面,所述确定模块具体用于:判断当前处理的图像帧是否为所述多帧图像帧中的第一帧图像帧;若所述当前处理的图像帧为所述多帧图像帧中的第一帧图像帧,则根据第一预设算法获取所述当前处理的图像帧中所述目标卡片的卡片边缘信息,所述卡片边缘信息用于反映所述目标卡片的边缘情况;若所述当前处理的图像帧不为所述多帧图像帧中的第一帧图像帧,则确定所述当前处理的图像帧的前一帧图像帧中是否存在所述目标卡片;若所述当前处理的图像帧的前一帧图像帧中存在所述目标卡片,则根据第二预设算法获取所述当前处理的图像帧中所述目标卡片的卡片关键点信息,所述卡片关键点信息用于反映所述目标卡片的关键点情况;若所述当前处理的图像帧的前一帧图像帧中不存在所述目标卡片,则根据所述第一预设算法获取所述当前处理的图像帧中所述目标卡片的卡片边缘信息。
其中,在所述根据第一预设算法获取所述当前处理的图像帧中所述目标卡片的卡片边缘信息方面,所述确定模块具体用于:根据所述当前处理的图像帧得到第一参考图像帧,所述第一参考图像帧的尺寸为第一预设尺寸;根据所述第一参考图像帧得到第二参考图像帧,所述第一参考图像帧的像素值为所述第二参考图像帧的像素值的255倍;将所述第二参考图像帧导入目标神经网络模型,得到所述当前处理的图像帧中所述目标卡片的初始边缘直线参数和四个初始参考点;根据所述初始边缘直线参数和所述四个初始参考点得到所述当前处理的图像帧中所述目标卡片的目标边缘直线;确定与所述目标边缘直线对应的所述当前处理的图像帧中所述目标卡片的顶点。
其中,在所述目标神经网络模型包括语意分割模型和加权最小二乘法模型,所述将所述第二参考图像帧导入目标神经网络模型,得到所述当前处理的图像帧中所述目标卡片的初始边缘直线参数和四个初始参考点方面,所述确定模块具体用于:将所述第二参考图像帧导入所述语义分割模型,得到所述当前处理的图像帧中所述目标卡片的特征图;将所述特征图导入到所述加权最小二乘法模型,得到所述当前处理的图像帧中所述目标卡片的初始边缘直线参数和四个初始参考点。
其中,在所述根据所述初始边缘直线参数和所述四个初始参考点得到所述当前处理的图像帧中所述目标卡片的目标边缘直线方面,所述确定模块具体用于:根据所述四个初始参考点确定所述当前处理的图像帧中所述目标卡片的四个边缘区域;确定所述四个边缘区域中每个边缘区域对应的多个目标顶点;根据所述每个边缘区域对应的多个目标顶点确定所述每个边缘区域对应的目标边缘直线,得到所述当前处理的图像帧中所述目标卡片的目标边缘直线。
其中,在所述确定所述四个边缘区域中每个边缘区域对应的多个目标顶点方面,所述确定模块具体用于:将当前处理的区域分成n段,得到n个子区域,n为大于等于3的正整数;根据所述n个子区域得到所述n个子区域的二值化图像;根据所述n个子区域的二值化图像确定所述n个子区域中的n条目标直线,所述目标直线为子区域中面积最小的直线;确定所述n条目标直线中每条目标直线的两端顶点,得到所述当前处理的区域对应的多个目标顶点。
其中,在所述根据第二预设算法获取所述当前处理的图像帧中所述目标卡片的卡片关键点信息方面,所述确定模块具体用于:根据所述当前处理的图像帧的前一帧图像帧的所述目标卡片的卡片信息得到所述当前处理的图像帧的初始化图像帧;确定所述初始化图像帧中的多个关键点;获取所述多个关键点的原始坐标;根据所述多个关键点的原始坐标得到所述多个关键点的目标特征值。
其中,在所述根据所述多个关键点的原始坐标得到所述多个关键点的目标特征值方面,所述确定模块具体用于:根据所述当前处理的关键点对应的第m横坐标,确定与所述第m横坐标对应的第m方向梯度直方图hog特征,得到所述针对当前处理的关键点的第m特征值,所述第m横坐标为所述当前处理的图像帧的第m次卷积的图像帧中的与所述当前处理的关键点对应的关键点的横坐标,m为正整数;根据所述第m特征值确定与所述第m特征值对应的所述当前处理的关键点的第m横坐标变化量,所述第m横坐标变化量为所述第m横坐标到第m+1横坐标之间的变化值,所述第m+1横坐标为所述当前处理的图像帧的第m次卷积之后得到的图像帧中的与所述当前处理的关键点对应的关键点的横坐标;根据所述第m横坐标和所述第m横坐标变化量得到所述第m+1横坐标。
第三方面,本申请实施例提供了一种电子设备,包括:
处理器,适于实现一条或一条以上指令;以及,
计算机可读存储介质,所述计算机可读存储介质存储有一条或一条以上指令,所述一条或一条以上指令适于由所述处理器加载并执行如第一方面任一项所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,存储用于电子数据交换的计算机程序,其中,所述计算机程序被计算机执行时实现如第一方面任一项所述的方法。
本申请实施例中,在检测到卡片检测服务启动时,获取目标卡片对应的多帧图像帧,多帧图像帧中每帧图像帧为红绿蓝RGB格式的图像帧,之后,根据多帧图像帧确定目标卡片的卡片信息,卡片信息用于反映目标卡片的边缘情况和关键点情况,最后,根据目标卡片的卡片信息判断目标卡片是否为真卡。即通过采用检测加跟踪的卡片检测机制,提升卡片识别的精度,该卡片识别的过程不需要人工参与,可提高卡片识别的效率以及准确度。
附图说明
为了更清楚地说明本申请实施例技术方案,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是本申请实施例提供的另一种卡片识别方法的流程示意图;
图2是本申请实施例提供的一种解码器的结构示意图;
图3是本申请实施例提供的另一种解码器的结构示意图;
图4是本申请实施例提供的一种卡片识别装置的结构示意图;
图5是本申请另一实施例提供的一种电子设备的结构示意图。
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,都属于本申请保护的范围。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
其中,计算机视觉技术(Computer Vision,CV)是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
本申请涉及人工智能中的图像识别技术,利用图像识别技术将图像自动转换为卡片识别,不需要人工参与,可提高卡片识别的效率以及准确度;本申请可适用于智慧政务、智慧教育等领域,有利于推动智慧城市的建设。
请参见图1,是本申请实施例提供的一种卡片识别方法的流程示意图,由本申请实施例电子设备来执行,该卡片识别方法包括以下步骤S101~S103。
S101,电子设备在检测到卡片检测服务启动时,获取目标卡片对应的多帧图像帧,所述多帧图像帧中每帧图像帧为红绿蓝RGB格式的图像帧;
其中,所述目标卡片可以是身份证明类卡片,如身份证、通行证以及驾驶证等,所述目标卡片还可以是惠民类卡片,如社保卡、医保卡以及会员卡等,所述目标卡片还可以是金融类卡片,如存储卡、信用卡等,所述目标卡片还可以是其他类型的卡片,不作具体限定。
其中,所述卡片检测服务启动的触发条件可以是卡片感应区域感应到卡状物体,如,身份证感应区域感应到有卡状物体放置,再如,银行卡插卡槽感应到卡状物体插入,等等,不作具体限定;所述卡片检测服务启动的触发条件也可以是用户针对预设的检测服务启动按钮的触发操作,其中,所述服务启动按钮可以是实体按钮也可以是虚拟空间,例如,当前卡片检测为手持设备,所述手持设备上设置有启动卡片检测服务的实体按钮,当工作人员需要确定待检测的卡片的真假时,点击该手持设备的该实体按钮,将待检测的卡片放入所述手持设备的感应区域,具体实现中,该手持设备的感应区域可以是所述手持设备的图像获取装置的图像获取范围,当该图像获取装置为摄像头时,所述图像获取范围为所述摄像头的镜头范围内,当该图像获取装置为红外线图像传感器时,所述图像获取范围为所述红外线图像传感器的红外线感应范围内;所述卡片检测服务启动的触发条件也可以是其他触发操作,不作具体限定。
可选的,所述电子设备在检测到卡片检测服务启动时,获取目标卡片对应的多帧图像帧的具体实现方式可以是:所述电子设备在检测到卡片检测服务启动时,录制所述目标卡片对应的视频;所述电子设备按照第一预设时间间隔从录制的所述视频中获取所述目标卡片对应的多帧原始图像帧;所述电子设备判断所述多帧原始图像帧是否为RGB格式的图像帧;若否,则所述电子设备将所述多帧原始图像帧转化为RGB格式的图像帧。其中,所述第一预设时间间隔可以根据用户需求以及当前设备性能进行设置,对所述第一时间间隔的数值不作具体限定。
可选的,所述电子设备在检测到卡片检测服务启动时,获取目标卡片对应的多帧图像帧的具体实现方式可以是:所述电子设备在检测到卡片检测服务启动时,根据第二预设时间间隔对所述目标卡片进行拍照,得到多帧原始图像帧;所述电子设备判断所述多帧原始图像帧是否为RGB格式的图像帧;若否,则所述电子设备将所述多帧原始图像帧转化为RGB格式的图像帧。其中,所述第二预设时间间隔可以根据用户需求以及当前设备性能进行设置,对所述第二时间间隔的数值不作具体限定。
S102,所述电子设备根据所述多帧图像帧确定所述目标卡片的卡片信息,所述卡片信息用于反映所述目标卡片的边缘情况和关键点情况;
可选的,所述电子设备根据所述多帧图像帧确定所述目标卡片的卡片信息的实现方式包括以下步骤A11~A15:
A11、所述电子设备判断当前处理的图像帧是否为所述多帧图像帧中的第一帧图像帧;
A12、若所述当前处理的图像帧为所述多帧图像帧中的第一帧图像帧,则所述电子设备根据第一预设算法获取所述当前处理的图像帧中所述目标卡片的卡片边缘信息,所述卡片边缘信息用于反映所述目标卡片的边缘情况;
进一步的,所述电子设备根据第一预设算法获取所述当前处理的图像帧中所述目标卡片的卡片边缘信息,包括以下步骤B11~B15:
B11、所述电子设备根据所述当前处理的图像帧得到第一参考图像帧,所述第一参考图像帧的尺寸为第一预设尺寸;
其中,所述第一预设尺寸可以是长和宽的比例与所述目标卡片真实的长和宽的比例相等或相似的尺寸,不同的卡片,其尺寸可能不同,对所述第一预设尺寸不作具体限定。
可选的,所述电子设备根据所述当前处理的图像帧得到尺寸为第一预设尺寸的第一参考图像帧的实现方式可以是:所述电子设备获取所述目标卡片的真实尺寸;所述电子设备根据所述真实尺寸和尺寸与第一预设尺寸的对应关系,确定与所述真实尺寸对应的所述第一预设尺寸,所述尺寸与第一预设尺寸的对应关系预先存储在电子设备中。
可选的,所述第一预设尺寸还可以用户根据应用场景预先设置在所述电子设备中的尺寸,对所述第一预设尺寸的数值不作具体限定。
在一个可能的应用场景中,如所述当前算法运行在智能手机上,通过智能手机检测银行卡是否是真卡,正常情况下,手机是长方形的,拍摄得到的图像帧为长方形,身份证的长和宽的尺寸接近于二比一,即可以获取到上述多帧图像帧按照长和宽的比为二比一进行统一处理,需要说明的是,图像帧的尺寸越大,运算时间越长,精度越高,而为了保证时间和精度同时符合需求,则可设置第一预设尺寸为128*256,在这种情况下,可以将图像帧缩放到像素大小为128*256,需要说明的是,所述第一预设尺寸还可以是其他值,对所述第一预设尺寸不作具体限定。
B12、所述电子设备根据所述第一参考图像帧得到第二参考图像帧,所述第一参考图像帧的像素值为所述第二参考图像帧的像素值的255倍;
其中,所述根据所述第一参考图像帧得到第二参考图像帧是指将所述第一参考图像帧转化为二值图。
B13、所述电子设备将所述第二参考图像帧导入目标神经网络模型,得到所述当前处理的图像帧中所述目标卡片的初始边缘直线参数和四个初始参考点;
其中,所述目标神经网络模型包括语意分割模型和加权最小二乘法模型,所述将所述第二参考图像帧导入目标神经网络模型,得到所述当前处理的图像帧中所述目标卡片的初始边缘直线参数和四个初始参考点,包括:将所述第二参考图像帧导入所述语义分割模型,得到所述当前处理的图像帧中所述目标卡片的特征图;将所述特征图导入到所述加权最小二乘法模型,得到所述当前处理的图像帧中所述目标卡片的初始边缘直线参数和四个初始参考点。
其中,所述目标神经网络模型为shufflenet_basic_128模型,是基于deeplab v3模型改进而来的模型。
其中,所述shufflenet_basic_128模型包括编码器Encoder,解码器Decoder和最小二乘法模块Weighted_least_squares 3个部分组成。其中,所述Encoder采用shufflenet_0.5网络,Decoder采用deepnet v3模型的简化结构,具体的,解码器可以采用的结构,可以是如图2所示,解码器包括池化层Average Pool、第一1x1卷积层、第一激活函数BN+RELU、双线性差值Resize Bilinear层、全连接Concat层依次连接,第二1x1Conv卷积层、第二BN+RELU、Concat层依次连接。解码器可以采用的结构,还可以是如图3所示,第一1x1卷积层、第二1x1卷积层、拟合层Dropout、双线性差值层、参数层ArgMax。
其中,所述电子设备根据所述第二参考图像帧,得到所述当前处理的图像帧中所述目标卡片的初始边缘直线参数和四个初始参考点的具体实现过程是在所述导入目标神经网络模型,即shufflenet_basic_128模型中实现的。
下面,以所述第一参考图像帧的尺寸128*256为例,对所述电子设备将所述第二参考图像帧导入目标神经网络模型,得到所述当前处理的图像帧中所述目标卡片的初始边缘直线参数和四个初始参考点的实现过程进行介绍。
将所述尺寸为128*256的第一参考图像帧导入所述语义分割模型,得到第一参考图像帧的语义分割结果,即特征图,其尺寸为4*128*256;将所述4*128*256的特征图导入到所述加权最小二乘法模型,若,对每个128*256的特征图,设为x,则计算如下:X_map为x轴坐标的feature map;y_map为y轴坐标的feature map,计算方程组W*[y_map,1]=A*W*x_map,得到A=inv(T(WY)*WY)*(T(WY)*WX),其中,T(x)为x的转置,inv(x)为x的逆,A的尺寸为1*2,一共有4个128*256的特征图计算,可以共得到4*2个直线参数。
B14、所述电子设备根据所述初始边缘直线参数和所述四个初始参考点得到所述当前处理的图像帧中所述目标卡片的目标边缘直线;
在一个可能的实例中,所述根据所述初始边缘直线参数和所述四个初始参考点得到所述当前处理的图像帧中所述目标卡片的目标边缘直线,包括:所述电子设备根据所述四个初始参考点确定所述当前处理的图像帧中所述目标卡片的四个边缘区域;所述电子设备确定所述四个边缘区域中每个边缘区域对应的多个目标顶点;所述电子设备根据所述每个边缘区域对应的多个目标顶点确定所述每个边缘区域对应的目标边缘直线,得到所述当前处理的图像帧中所述目标卡片的目标边缘直线。
其中,所述四个边缘区域的尺寸可以相同,也可以不同,对所述四个边缘区域的尺寸大小不作具体限定。
所述电子设备确定所述四个边缘区域中每个边缘区域对应的多个目标顶点,包括:所述电子设备将当前处理的区域分成n段,得到n个子区域,n为大于等于3的正整数;所述电子设备根据所述n个子区域得到所述n个子区域的二值化图像;所述电子设备根据所述n个子区域的二值化图像确定所述n个子区域中的n条目标直线,所述目标直线为子区域中面积最小的直线;所述电子设备确定所述n条目标直线中每条目标直线的两端顶点,得到所述当前处理的区域对应的多个目标顶点。
其中,用户可以根据需要设置n的的值,对n的值不作具体限定。
其中,所述电子设备将当前处理的区域分成n段,得到n个子区域的实现方式可以是:所述电子设备索贝尔sobel边缘检测算法将当前处理的区域分成n段,得到n个子区域。
其中,所述电子设备根据所述n个子区域得到所述n个子区域的二值化图像的实现方式可以是:所述电子设备采用大津法OTSU对所述n个子区域的图片进行自适应二值化,得到所述n个子区域的二值化图像。
可以理解的是,所述四个边缘区域中每个边缘区域对应的多个目标顶点都会得到2n个顶点。
所述电子设备根据所述每个边缘区域对应的多个目标顶点确定所述每个边缘区域对应的目标边缘直线,得到所述当前处理的图像帧中所述目标卡片的目标边缘直线的实现方式可以是:对所述每个边缘区域对应的两个顶点采用随机采样ransac算法,拟合出所述每个边缘区域对应的边缘直线。
B15、所述电子设备确定与所述目标边缘直线对应的所述当前处理的图像帧中所述目标卡片的顶点。
A13、若所述当前处理的图像帧不为所述多帧图像帧中的第一帧图像帧,则所述电子设备确定所述当前处理的图像帧的前一帧图像帧中是否存在所述目标卡片;
A14、若所述当前处理的图像帧的前一帧图像帧中存在所述目标卡片,则所述电子设备根据第二预设算法获取所述当前处理的图像帧中所述目标卡片的卡片关键点信息,所述卡片关键点信息用于反映所述目标卡片的关键点情况;
所述根据第二预设算法获取所述当前处理的图像帧中所述目标卡片的卡片关键点信息,包括以下步骤B21~B24:
B21、所述电子设备根据所述当前处理的图像帧的前一帧图像帧的所述目标卡片的卡片信息得到所述当前处理的图像帧的初始化图像帧;
B22、所述电子设备确定所述初始化图像帧中的多个关键点;
所述多个关键点可以是卡片中的多个特征点,多所述关键点的数量不作具体限定。
B23、所述电子设备获取所述多个关键点的原始坐标;
B24、所述电子设备根据所述多个关键点的原始坐标得到所述多个关键点的目标特征值。
其中,所述电子设备根据所述多个关键点的原始坐标得到所述多个关键点的目标特征值,包括:所述电子设备根据所述当前处理的关键点对应的第m横坐标,确定与所述第m横坐标对应的第m方向梯度直方图hog特征,得到所述针对当前处理的关键点的第m特征值,所述第m横坐标为所述当前处理的图像帧的第m次卷积的图像帧中的与所述当前处理的关键点对应的关键点的横坐标;所述电子设备根据所述第m特征值确定与所述第m特征值对应的所述当前处理的关键点的第m横坐标变化量,所述第m横坐标变化量为所述第m横坐标到第m+1横坐标之间的变化值,所述第m+1横坐标为所述当前处理的图像帧的第m次卷积之后得到的图像帧中的与所述当前处理的关键点对应的关键点的横坐标;所述电子设备根据所述第m横坐标和所述第m横坐标变化量得到所述第m+1横坐标。
其中,所述第m横坐标变化量delta_xm、所述第m+1横坐标xm+1、所述第m横坐标xm、第m特征值Fm之间的对应关系可以是:delta_xm+1=w*Fm+b,xm+1=xm+delta_xm+1,其中,其中参数w和b,是采用最小二乘法提前训练得到的。
其中,对m的数量不作具体限定,即是,对图像帧的卷积次数不作具体限定,具体实现中,m可以4,当m为4时,计算速度和计算的结果精度符合使用需求。
A15、若所述当前处理的图像帧的前一帧图像帧中不存在所述目标卡片,则根据所述第一预设算法获取所述当前处理的图像帧中所述目标卡片的卡片边缘信息。
S103,所述电子设备根据所述目标卡片的卡片信息判断所述目标卡片是否为真卡。
可选的,可以采用svm分类器根据所述目标卡片的卡片信息判断所述目标卡片是否为真卡。
可选的,本申请中的电子设备可以是指区块链中的任一节点设备,所谓区块链是一种分布式数据存储、点对点传输(P2P传输)、共识机制、加密算法等计算机技术的新型应用模式,其本质上是一个去中心化的数据库;区块链可由多个借由密码学串接并保护内容的串连交易记录(又称区块)构成,用区块链所串接的分布式账本能让多方有效纪录交易,且可永久查验此交易(不可篡改)。其中,共识机制是指区块链网络中实现不同节点之间建立信任、获取权益的数学算法;也就是说,共识机制是区块链各网络节点共同认可的一种数学算法。本申请可利用区块链的共识机制,来实现将目标图像还原为目标卡片识别,可提高还原目标卡片识别的准确度。
例如,区块链中的各个节点设备对上述步骤S101~S103的执行结果进行共识验证,每个步骤的执行结果均被共识验证通过,则可以确定生成目标卡片识别准确度比较高;如果存在步骤的执行结果未被共识验证通过,则可以确定生成目标卡片识别的准确度比较低,则节点设备可以再次执行上述步骤S101~S103,重新获取目标卡片识别。或者,区块链中的各个节点设备可以对目标卡片识别(即仅对步骤S103的执行结果)进行共识验证,如果共识验证通过,则确定目标卡片识别的准确度比较高;如果共识验证未通过,则确定目标卡片识别的准确度比较低,节点设备可再次执行上述步骤S101~S103,重新获取目标卡片识别。
本申请实施例中,在检测到卡片检测服务启动时,获取目标卡片对应的多帧图像帧,多帧图像帧中每帧图像帧为红绿蓝RGB格式的图像帧,之后,根据多帧图像帧确定目标卡片的卡片信息,卡片信息用于反映目标卡片的边缘情况和关键点情况,最后,根据目标卡片的卡片信息判断目标卡片是否为真卡。即通过采用检测加跟踪的卡片检测机制,提升卡片识别的精度,该卡片识别的过程不需要人工参与,可提高卡片识别的效率以及准确度。
请参见图4,是本申请实施例提供的一种卡片识别装置的结构示意图,本申请实施例的所述卡片识别装置可以在上述提及的电子设备中。本实施例中,该卡片识别装置包括获取模块401、确定模块402、判断模块403:
获取模块401,用于在检测到卡片检测服务启动时,获取目标卡片对应的多帧图像帧,所述多帧图像帧中每帧图像帧为红绿蓝RGB格式的图像帧;
确定模块402,用于根据所述多帧图像帧确定所述目标卡片的卡片信息,所述卡片信息用于反映所述目标卡片的边缘情况和关键点情况;
判断模块403,用于根据所述目标卡片的卡片信息判断所述目标卡片是否为真卡。
其中,在所述根据所述多帧图像帧确定所述目标卡片的卡片信息方面,所述确定模块402具体用于:判断当前处理的图像帧是否为所述多帧图像帧中的第一帧图像帧;若所述当前处理的图像帧为所述多帧图像帧中的第一帧图像帧,则根据第一预设算法获取所述当前处理的图像帧中所述目标卡片的卡片边缘信息,所述卡片边缘信息用于反映所述目标卡片的边缘情况;若所述当前处理的图像帧不为所述多帧图像帧中的第一帧图像帧,则确定所述当前处理的图像帧的前一帧图像帧中是否存在所述目标卡片;若所述当前处理的图像帧的前一帧图像帧中存在所述目标卡片,则根据第二预设算法获取所述当前处理的图像帧中所述目标卡片的卡片关键点信息,所述卡片关键点信息用于反映所述目标卡片的关键点情况;若所述当前处理的图像帧的前一帧图像帧中不存在所述目标卡片,则根据所述第一预设算法获取所述当前处理的图像帧中所述目标卡片的卡片边缘信息。
其中,在所述根据第一预设算法获取所述当前处理的图像帧中所述目标卡片的卡片边缘信息方面,所述确定模块402具体用于:根据所述当前处理的图像帧得到第一参考图像帧,所述第一参考图像帧的尺寸为第一预设尺寸;根据所述第一参考图像帧得到第二参考图像帧,所述第一参考图像帧的像素值为所述第二参考图像帧的像素值的255倍;将所述第二参考图像帧导入目标神经网络模型,得到所述当前处理的图像帧中所述目标卡片的初始边缘直线参数和四个初始参考点;根据所述初始边缘直线参数和所述四个初始参考点得到所述当前处理的图像帧中所述目标卡片的目标边缘直线;确定与所述目标边缘直线对应的所述当前处理的图像帧中所述目标卡片的顶点。
其中,在所述目标神经网络模型包括语意分割模型和加权最小二乘法模型,所述将所述第二参考图像帧导入目标神经网络模型,得到所述当前处理的图像帧中所述目标卡片的初始边缘直线参数和四个初始参考点方面,所述确定模块402具体用于:将所述第二参考图像帧导入所述语义分割模型,得到所述当前处理的图像帧中所述目标卡片的特征图;将所述特征图导入到所述加权最小二乘法模型,得到所述当前处理的图像帧中所述目标卡片的初始边缘直线参数和四个初始参考点。
其中,在所述根据所述初始边缘直线参数和所述四个初始参考点得到所述当前处理的图像帧中所述目标卡片的目标边缘直线方面,所述确定模块402具体用于:根据所述四个初始参考点确定所述当前处理的图像帧中所述目标卡片的四个边缘区域;确定所述四个边缘区域中每个边缘区域对应的多个目标顶点;根据所述每个边缘区域对应的多个目标顶点确定所述每个边缘区域对应的目标边缘直线,得到所述当前处理的图像帧中所述目标卡片的目标边缘直线。
其中,在所述确定所述四个边缘区域中每个边缘区域对应的多个目标顶点方面,所述确定模块402具体用于:将当前处理的区域分成n段,得到n个子区域,n为大于等于3的正整数;根据所述n个子区域得到所述n个子区域的二值化图像;根据所述n个子区域的二值化图像确定所述n个子区域中的n条目标直线,所述目标直线为子区域中面积最小的直线;确定所述n条目标直线中每条目标直线的两端顶点,得到所述当前处理的区域对应的多个目标顶点。
其中,在所述根据第二预设算法获取所述当前处理的图像帧中所述目标卡片的卡片关键点信息方面,所述确定模块402具体用于:根据所述当前处理的图像帧的前一帧图像帧的所述目标卡片的卡片信息得到所述当前处理的图像帧的初始化图像帧;确定所述初始化图像帧中的多个关键点;获取所述多个关键点的原始坐标;根据所述多个关键点的原始坐标得到所述多个关键点的目标特征值。
其中,在所述根据所述多个关键点的原始坐标得到所述多个关键点的目标特征值方面,所述确定模块402具体用于:根据所述当前处理的关键点对应的第m横坐标,确定与所述第m横坐标对应的第m方向梯度直方图hog特征,得到所述针对当前处理的关键点的第m特征值,所述第m横坐标为所述当前处理的图像帧的第m次卷积的图像帧中的与所述当前处理的关键点对应的关键点的横坐标,m为正整数;根据所述第m特征值确定与所述第m特征值对应的所述当前处理的关键点的第m横坐标变化量,所述第m横坐标变化量为所述第m横坐标到第m+1横坐标之间的变化值,所述第m+1横坐标为所述当前处理的图像帧的第m次卷积之后得到的图像帧中的与所述当前处理的关键点对应的关键点的横坐标;根据所述第m横坐标和所述第m横坐标变化量得到所述第m+1横坐标。
本申请实施例中,在检测到卡片检测服务启动时,获取目标卡片对应的多帧图像帧,多帧图像帧中每帧图像帧为红绿蓝RGB格式的图像帧,之后,根据多帧图像帧确定目标卡片的卡片信息,卡片信息用于反映目标卡片的边缘情况和关键点情况,最后,根据目标卡片的卡片信息判断目标卡片是否为真卡。即通过采用检测加跟踪的卡片检测机制,提升卡片识别的精度,该卡片识别的过程不需要人工参与,可提高卡片识别的效率以及准确度。
请参见图5,是本申请实施例提供的一种电子设备的结构示意图,如图5所示的本实施例中的电子设备可以包括:一个或多个处理器501;一个或多个输入装置502,一个或多个输出装置503和存储器504。上述处理器501、输入装置502、输出装置503和存储器504通过总线505连接。
所处理器501可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入装置502可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出装置503可以包括显示器(LCD等)、扬声器等,输出装置503可以输出校正处理后的数据表。
该存储器504可以包括只读存储器和随机存取存储器,并向处理器501提供指令和数据。存储器504的一部分还可以包括非易失性随机存取存储器,存储器504用于存储计算机程序,所述计算机程序包括程序指令,处理器501用于执行存储器504存储的程序指令,以用于执行一种卡片识别方法,即用于执行以下操作:
在检测到卡片检测服务启动时,获取目标卡片对应的多帧图像帧,所述多帧图像帧中每帧图像帧为红绿蓝RGB格式的图像帧;
根据所述多帧图像帧确定所述目标卡片的卡片信息,所述卡片信息用于反映所述目标卡片的边缘情况和关键点情况;
根据所述目标卡片的卡片信息判断所述目标卡片是否为真卡。
本申请实施例中所描述的处理器501、输入装置502、输出装置503可执行本申请实施例提供的卡片识别方法的第一实施例所描述的实现方式,也可执行本申请实施例所描述的电子设备的实现方式,在此不再赘述。
本申请实施例中,在检测到卡片检测服务启动时,获取目标卡片对应的多帧图像帧,多帧图像帧中每帧图像帧为红绿蓝RGB格式的图像帧,之后,根据多帧图像帧确定目标卡片的卡片信息,卡片信息用于反映目标卡片的边缘情况和关键点情况,最后,根据目标卡片的卡片信息判断目标卡片是否为真卡。即通过采用检测加跟踪的卡片检测机制,提升卡片识别的精度,该卡片识别的过程不需要人工参与,可提高卡片识别的效率以及准确度。
本申请实施例中还提供一种计算机可读存储介质,存储用于电子数据交换的计算机程序,其中,所述计算机程序被计算机执行时实现如图1实施例中所示的卡片识别方法。
所述计算机可读存储介质可以是前述任一实施例所述的电子设备的内部存储单元,例如控制设备的硬盘或内存。所述计算机可读存储介质也可以是所述控制设备的外部存储设备,例如所述控制设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述控制设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述控制设备所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
作为示例,上述计算机可读存储介质可被部署在一个计算机设备上执行,或者被部署位于一个地点的多个计算机设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算机设备上执行,分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链网络。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种卡片识别方法,其特征在于,包括:
在检测到卡片检测服务启动时,获取目标卡片对应的多帧图像帧,所述多帧图像帧中每帧图像帧为红绿蓝RGB格式的图像帧;
根据所述多帧图像帧确定所述目标卡片的卡片信息,所述卡片信息用于反映所述目标卡片的边缘情况和关键点情况;
根据所述目标卡片的卡片信息判断所述目标卡片是否为真卡。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多帧图像帧确定所述目标卡片的卡片信息,包括:
判断当前处理的图像帧是否为所述多帧图像帧中的第一帧图像帧;
若所述当前处理的图像帧为所述多帧图像帧中的第一帧图像帧,则根据第一预设算法获取所述当前处理的图像帧中所述目标卡片的卡片边缘信息,所述卡片边缘信息用于反映所述目标卡片的边缘情况;
若所述当前处理的图像帧不为所述多帧图像帧中的第一帧图像帧,则确定所述当前处理的图像帧的前一帧图像帧中是否存在所述目标卡片;
若所述当前处理的图像帧的前一帧图像帧中存在所述目标卡片,则根据所述当前处理的图像帧的前一帧图像帧的所述目标卡片的卡片信息得到所述当前处理的图像帧的初始化图像帧;
确定所述初始化图像帧中的多个关键点;
获取所述多个关键点的原始坐标;
根据所述多个关键点的原始坐标得到所述多个关键点的目标特征值;
若所述当前处理的图像帧的前一帧图像帧中不存在所述目标卡片,则根据所述第一预设算法获取所述当前处理的图像帧中所述目标卡片的卡片边缘信息。
3.根据权利要求2所述的方法,其特征在于,所述根据第一预设算法获取所述当前处理的图像帧中所述目标卡片的卡片边缘信息,包括:
根据所述当前处理的图像帧得到第一参考图像帧,所述第一参考图像帧的尺寸为第一预设尺寸;
根据所述第一参考图像帧得到第二参考图像帧,所述第一参考图像帧的像素值为所述第二参考图像帧的像素值的255倍;
将所述第二参考图像帧导入目标神经网络模型,得到所述当前处理的图像帧中所述目标卡片的初始边缘直线参数和四个初始参考点;
根据所述初始边缘直线参数和所述四个初始参考点得到所述当前处理的图像帧中所述目标卡片的目标边缘直线;
确定与所述目标边缘直线对应的所述当前处理的图像帧中所述目标卡片的顶点。
4.根据权利要求3所述的方法,其特征在于,所述目标神经网络模型包括语意分割模型和加权最小二乘法模型,所述将所述第二参考图像帧导入目标神经网络模型,得到所述当前处理的图像帧中所述目标卡片的初始边缘直线参数和四个初始参考点,包括:
将所述第二参考图像帧导入所述语义分割模型,得到所述当前处理的图像帧中所述目标卡片的特征图;
将所述特征图导入到所述加权最小二乘法模型,得到所述当前处理的图像帧中所述目标卡片的初始边缘直线参数和四个初始参考点。
5.根据权利要求3或4所述的方法,其特征在于,所述根据所述初始边缘直线参数和所述四个初始参考点得到所述当前处理的图像帧中所述目标卡片的目标边缘直线,包括:
根据所述四个初始参考点确定所述当前处理的图像帧中所述目标卡片的四个边缘区域;
确定所述四个边缘区域中每个边缘区域对应的多个目标顶点;
根据所述每个边缘区域对应的多个目标顶点确定所述每个边缘区域对应的目标边缘直线,得到所述当前处理的图像帧中所述目标卡片的目标边缘直线。
6.根据权利要求5所述的方法,其特征在于,所述确定所述四个边缘区域中每个边缘区域对应的多个目标顶点,包括:
将当前处理的区域分成n段,得到n个子区域,n为大于等于3的正整数;
根据所述n个子区域得到所述n个子区域的二值化图像;
根据所述n个子区域的二值化图像确定所述n个子区域中的n条目标直线,所述目标直线为子区域中面积最小的直线;
确定所述n条目标直线中每条目标直线的两端顶点,得到所述当前处理的区域对应的多个目标顶点。
7.根据权利要求2所述的方法,其特征在于,所述根据所述多个关键点的原始坐标得到所述多个关键点的目标特征值,包括:
根据所述当前处理的关键点对应的第m横坐标,确定与所述第m横坐标对应的第m方向梯度直方图hog特征,得到所述针对当前处理的关键点的第m特征值,所述第m横坐标为所述当前处理的图像帧的第m次卷积的图像帧中的与所述当前处理的关键点对应的关键点的横坐标,m为正整数;
根据所述第m特征值确定与所述第m特征值对应的所述当前处理的关键点的第m横坐标变化量,所述第m横坐标变化量为所述第m横坐标到第m+1横坐标之间的变化值,所述第m+1横坐标为所述当前处理的图像帧的第m次卷积之后得到的图像帧中的与所述当前处理的关键点对应的关键点的横坐标;
根据所述第m横坐标和所述第m横坐标变化量得到所述第m+1横坐标。
8.一种卡片识别装置,其特征在于,包括:
第一获取模块,用于在检测到卡片检测服务启动时,获取目标卡片对应的多帧图像帧,所述多帧图像帧中每帧图像帧为红绿蓝RGB格式的图像帧;
第一确定模块,用于根据所述多帧图像帧确定所述目标卡片的卡片信息,所述卡片信息用于反映所述目标卡片的边缘情况和关键点情况;
判断模块,用于根据所述目标卡片的卡片信息判断所述目标卡片是否为真卡。
9.一种电子设备,其特征在于,包括:
处理器,适于实现一条或一条以上指令;以及,
计算机可读存储介质,所述计算机可读存储介质存储有一条或一条以上指令,所述一条或一条以上指令适于由所述处理器加载并执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序被计算机执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010735901.0A CN111860486B (zh) | 2020-07-27 | 2020-07-27 | 卡片识别方法、装置及设备 |
PCT/CN2020/111203 WO2021139169A1 (zh) | 2020-07-27 | 2020-08-26 | 卡片识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010735901.0A CN111860486B (zh) | 2020-07-27 | 2020-07-27 | 卡片识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860486A true CN111860486A (zh) | 2020-10-30 |
CN111860486B CN111860486B (zh) | 2023-10-31 |
Family
ID=72948882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010735901.0A Active CN111860486B (zh) | 2020-07-27 | 2020-07-27 | 卡片识别方法、装置及设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111860486B (zh) |
WO (1) | WO2021139169A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837285A (zh) * | 2021-01-29 | 2021-05-25 | 山东建筑大学 | 一种板面图像的边缘检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120087537A1 (en) * | 2010-10-12 | 2012-04-12 | Lisong Liu | System and methods for reading and managing business card information |
CN107578439A (zh) * | 2017-07-19 | 2018-01-12 | 阿里巴巴集团控股有限公司 | 生成目标图像的方法、装置及设备 |
CN109359502A (zh) * | 2018-08-13 | 2019-02-19 | 北京市商汤科技开发有限公司 | 防伪检测方法和装置、电子设备、存储介质 |
CN110570460A (zh) * | 2019-09-06 | 2019-12-13 | 腾讯云计算(北京)有限责任公司 | 目标跟踪方法、装置、计算机设备及计算机可读存储介质 |
CN110570209A (zh) * | 2019-07-30 | 2019-12-13 | 平安科技(深圳)有限公司 | 证件真伪验证方法、装置、计算机设备及存储介质 |
CN110598710A (zh) * | 2019-08-21 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 证件识别方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408533B (zh) * | 2016-09-12 | 2019-10-22 | 大连海事大学 | 一种卡片图像提取方法及系统 |
CN108563990B (zh) * | 2018-03-08 | 2022-03-29 | 南京华科和鼎信息科技有限公司 | 一种基于cis图像采集系统的证照鉴伪方法及系统 |
-
2020
- 2020-07-27 CN CN202010735901.0A patent/CN111860486B/zh active Active
- 2020-08-26 WO PCT/CN2020/111203 patent/WO2021139169A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120087537A1 (en) * | 2010-10-12 | 2012-04-12 | Lisong Liu | System and methods for reading and managing business card information |
CN107578439A (zh) * | 2017-07-19 | 2018-01-12 | 阿里巴巴集团控股有限公司 | 生成目标图像的方法、装置及设备 |
CN109359502A (zh) * | 2018-08-13 | 2019-02-19 | 北京市商汤科技开发有限公司 | 防伪检测方法和装置、电子设备、存储介质 |
CN110570209A (zh) * | 2019-07-30 | 2019-12-13 | 平安科技(深圳)有限公司 | 证件真伪验证方法、装置、计算机设备及存储介质 |
CN110598710A (zh) * | 2019-08-21 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 证件识别方法及装置 |
CN110570460A (zh) * | 2019-09-06 | 2019-12-13 | 腾讯云计算(北京)有限责任公司 | 目标跟踪方法、装置、计算机设备及计算机可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837285A (zh) * | 2021-01-29 | 2021-05-25 | 山东建筑大学 | 一种板面图像的边缘检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111860486B (zh) | 2023-10-31 |
WO2021139169A1 (zh) | 2021-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Walia et al. | Digital image forgery detection: a systematic scrutiny | |
Alkawaz et al. | Detection of copy-move image forgery based on discrete cosine transform | |
Kwon et al. | Learning jpeg compression artifacts for image manipulation detection and localization | |
US20200160040A1 (en) | Three-dimensional living-body face detection method, face authentication recognition method, and apparatuses | |
Ferrara et al. | On the effects of image alterations on face recognition accuracy | |
CN111862035B (zh) | 光斑检测模型的训练方法、光斑检测方法、设备及介质 | |
WO2022089124A1 (zh) | 证照真伪识别方法、装置、计算机可读介质及电子设备 | |
US20240013572A1 (en) | Method for face detection, terminal device and non-transitory computer-readable storage medium | |
Asghar et al. | Edge–texture feature-based image forgery detection with cross-dataset evaluation | |
CN110263805B (zh) | 证件验证、身份验证方法、装置及设备 | |
CN111626163A (zh) | 一种人脸活体检测方法、装置及计算机设备 | |
CN111325107A (zh) | 检测模型训练方法、装置、电子设备和可读存储介质 | |
WO2023185234A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
Tahaoglu et al. | Improved copy move forgery detection method via L* a* b* color space and enhanced localization technique | |
Kumar et al. | Salient keypoint-based copy–move image forgery detection | |
US20240193987A1 (en) | Face liveness detection method, terminal device and non-transitory computer-readable storage medium | |
Meena et al. | Image splicing forgery detection techniques: A review | |
Isaac et al. | A key point based copy-move forgery detection using HOG features | |
CN111860486B (zh) | 卡片识别方法、装置及设备 | |
Yohannan et al. | Detection of copy-move forgery based on Gabor filter | |
Golubev et al. | Validation of Real Estate Ads based on the Identification of Identical Images | |
CN113870190B (zh) | 竖直线条检测方法、装置、设备及存储介质 | |
Agarwal et al. | Blind forensics of images using higher order local binary pattern | |
Ohshima et al. | Visual place recognition from eye reflection | |
CN112348069B (zh) | 数据增强方法、装置、计算机可读存储介质及终端设备 |
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 |