CN111861952B - 一种图像生成模型、卡号识别模型的训练方法及装置 - Google Patents

一种图像生成模型、卡号识别模型的训练方法及装置 Download PDF

Info

Publication number
CN111861952B
CN111861952B CN202010507413.4A CN202010507413A CN111861952B CN 111861952 B CN111861952 B CN 111861952B CN 202010507413 A CN202010507413 A CN 202010507413A CN 111861952 B CN111861952 B CN 111861952B
Authority
CN
China
Prior art keywords
image
card
card number
sample
model
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.)
Active
Application number
CN202010507413.4A
Other languages
English (en)
Other versions
CN111861952A (zh
Inventor
汪昊
张天明
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 Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN202010507413.4A priority Critical patent/CN111861952B/zh
Publication of CN111861952A publication Critical patent/CN111861952A/zh
Application granted granted Critical
Publication of CN111861952B publication Critical patent/CN111861952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本申请提供了一种图像生成模型、卡号识别模型的训练方法及装置，包括：对包括呈立体形态的第一样本卡号的样本立体卡片图像进行处理，得到样本背景图像和包括呈平面形态的第一样本卡号的样本平面卡号图像；将样本背景图像和样本平面卡号图像作为图像生成模型的第一输入图像，根据输出图像和样本立体卡片图像，确定第一目标损失，根据第一目标损失调整图像生成模型对应的第一参数，直至图像生成模型的输出图像匹配样本立体卡片图像，得到包括训练好的第一参数的图像生成模型。本申请能够生成卡号呈立体形态的立体卡片图像，简化了对训练样本的要求，且该立体卡片图像能够作为训练样本对卡号识别模型进行训练，提高了卡号识别模型的识别准确度。

Description

一种图像生成模型、卡号识别模型的训练方法及装置
技术领域
本申请涉及机器学习技术领域，具体而言，涉及一种图像生成模型、卡号识别模型的训练方法及装置。
背景技术
在生活中，用户通常会持有多张不同类型的卡片，比如，银行卡、会员卡、社保卡等。用户通常可以通过卡片进行多种活动，比如，交易支付、交易积分、信息查询等。
随着互联网技术的快速发展，目前都是在线上进行用户活动，这样，就需要用户预先在相应的活动平台上绑定匹配的卡片，比如，用户在支付平台上绑定银行卡，通过银行卡进行交易支付。目前，都是用户手动输入卡片卡号，实现在活动平台上绑定卡片，该种方式效率低。
基于此，采用训练卡号识别模型，通过卡号识别模型进行卡号自动识别，但是，目前训练的卡号识别模型的识别准确度较差，无法满足实际需求。
发明内容
有鉴于此，本申请的目的在于提供一种图像生成模型、卡号识别模型的训练方法及装置，利用该方法能够生成卡号呈立体形态的立体卡片图像，简化了对训练样本的要求，并且，该立体卡片图像能够作为训练样本对卡号识别模型进行训练，提高了卡号识别模型的识别准确度。
第一方面，本申请实施例提供了一种图像生成模型的训练方法，所述训练方法包括：
获取样本立体卡片图像，所述样本立体卡片图像中包括呈立体形态的第一样本卡号；
对所述样本立体卡片图像进行处理，得到对应的样本背景图像和样本平面卡号图像；其中，所述样本平面卡号图像中包括呈平面形态的所述第一样本卡号；
将所述样本背景图像和所述样本平面卡号图像作为所述图像生成模型的第一输入图像，根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，根据所述第一目标损失调整所述图像生成模型对应的第一参数，直至所述图像生成模型的输出图像匹配所述样本立体卡片图像，得到包括训练好的第一参数的图像生成模型；其中，所述图像生成模型用于基于输入的目标卡片背景图像和目标平面卡号图像，生成包括呈立体形态的目标卡号的立体卡片图像；所述目标平面卡号图像中包括呈平面形态的目标卡号。
在一种可能的实施方式中，对所述样本立体卡片图像进行处理，得到对应的样本背景图像，包括：
获取所述样本立体卡片图像中的第一卡号区域；
对所述第一卡号区域进行覆盖处理，得到不包括卡号的样本背景图像。
在一种可能的实施方式中，对所述样本立体卡片图像进行处理，得到对应的样本平面卡号图像，包括：
根据所述样本立体卡片图像的目标尺寸，生成与所述目标尺寸相匹配的背景图像；
根据所述样本立体卡片图像中的第一卡号区域，确定所述背景图像中的第二卡号区域；
获取所述样本立体卡片图像中的第一样本卡号，并在所述背景图像中的第二卡号区域中打印所述第一样本卡号，得到所述样本平面卡号图像。
在一种可能的实施方式中，所述根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，包括：
将所述图像生成模型的输出图像作为图像判别模型的第二输入图像，根据所述图像判别模型对所述输出图像和所述样本立体卡片图像的判别结果，确定所述图像生成模型对应的对抗损失，并将所述对抗损失确定为所述第一目标损失。
在一种可能的实施方式中，在将所述图像生成模型的输出图像作为图像判别模型的第二输入图像之后，所述训练方法还包括：
根据所述图像判别模型对所述输出图像和所述样本立体卡片图像的判别结果，确定所述图像判别模型对应的第二目标损失，并根据所述第二目标损失调整所述图像判别模型对应的第二参数。
在一种可能的实施方式中，所述根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，包括：
根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的最小绝对值偏差损失，并将所述最小绝对值偏差损失确定为所述第一目标损失。
在一种可能的实施方式中，所述根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，还包括：
获取所述图像生成模型的输出图像中的卡号区域图像；
将所述卡号区域图像输入到预先训练好的识别模型中，根据所述识别模型的输出卡号和所述样本立体卡片图像中的样本卡号，确定所述图像生成模型对应的识别损失，并将所述识别损失确定为所述第一目标损失。
在一种可能的实施方式中，通过以下方式训练所述识别模型：
获取样本卡号区域图像，每一个样本卡号区域图像中包括对应的第二样本卡号；其中，所述样本卡号区域图像包括样本立体卡号区域图像和样本平面卡号区域图像；
将所述样本卡号区域图像作为所述识别模型的第三输入图像，将所述样本卡号区域图像对应的第二样本卡号作为所述识别模型的监督图像，根据所述识别模型基于所述第三输入图像的输出图像和所述监督图像，训练所述识别模型对应的第三参数，直至得到包括训练好的第三参数的识别模型。
在一种可能的实施方式中，在得到包括训练好的第一参数的图像生成模型之后，所述训练方法还包括：
获取目标卡片背景图像和目标平面卡号图像；其中，所述目标平面卡号图像中包括呈平面形态的目标卡号；
将所述目标卡片背景图像和所述目标平面卡号图像输入到所述图像生成模型中，得到包括所述目标卡片背景图像和呈立体形态的所述目标卡号的立体卡片图像。
第二方面，本申请实施例还提供了一种卡号识别模型的训练方法，所述训练方法包括：
获取样本卡片图像，所述样本卡片图像中包括样本卡号；其中，所述样本卡片图像包括立体卡片图像和平面卡片图像；
将所述样本卡片图像作为卡号识别模型的输入，将所述样本卡片图像中的样本卡号作为所述卡号识别模型的监督图像，根据所述卡号识别模型的输出图像和所述监督图像，训练所述卡号识别模型的模型参数，直至得到训练好的卡号识别模型；其中，所述卡号识别模型用于基于输入的待识别卡片图像输出所述待识别卡片图像中的目标卡号。
在一种可能的实施方式中，通过以下方式获取所述立体卡片图像：
获取第一卡片背景图像和卡号图像；其中，所述卡号图像中包括呈平面形态的第一卡号；
将所述第一卡片背景图像和所述卡号图像输入到预先训练好的图像生成模型中，得到包括所述第一卡片背景图像和呈立体形态的所述第一卡号的立体卡片图像。
在一种可能的实施方式中，通过如下方式获取所述平面卡片图像：
获取第二卡片背景图像和第二卡号；
在所述第二卡片背景图像上打印所述第二卡号，得到包括所述第二卡片背景图像和所述第二卡号的平面卡片图像。
在一种可能的实施方式中，在得到训练好的卡号识别模型之后，所述训练方法还包括：
获取目标订单对应的待识别卡片图像；
将所述待识别卡片图像输入到所述卡号识别模型中，得到所述卡号识别模型输出的所述待识别卡片图像中的目标卡号。
第三方面，本申请实施例还提供了一种图像生成模型的训练装置，所述训练装置包括：
第一获取模块，用于获取样本立体卡片图像，所述样本立体卡片图像中包括呈立体形态的第一样本卡号；
第一处理模块，用于对所述样本立体卡片图像进行处理，得到对应的样本背景图像和样本平面卡号图像；其中，所述样本平面卡号图像中包括呈平面形态的所述第一样本卡号；
第一训练模块，用于将所述样本背景图像和所述样本平面卡号图像作为所述图像生成模型的第一输入图像，根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，根据所述第一目标损失调整所述图像生成模型对应的第一参数，直至所述图像生成模型的输出图像匹配所述样本立体卡片图像，得到包括训练好的第一参数的图像生成模型；其中，所述图像生成模型用于基于输入的目标卡片背景图像和目标平面卡号图像，生成包括呈立体形态的目标卡号的立体卡片图像；所述目标平面卡号图像中包括呈平面形态的目标卡号。
在一种可能的实施方式中，所述第一处理模块对所述样本立体卡片图像进行处理，得到对应的样本背景图像，包括：
获取所述样本立体卡片图像中的第一卡号区域；
对所述第一卡号区域进行覆盖处理，得到不包括卡号的样本背景图像。
在一种可能的实施方式中，所述第一处理模块对所述样本立体卡片图像进行处理，得到对应的样本平面卡号图像，包括：
根据所述样本立体卡片图像的目标尺寸，生成与所述目标尺寸相匹配的背景图像；
根据所述样本立体卡片图像中的第一卡号区域，确定所述背景图像中的第二卡号区域；
获取所述样本立体卡片图像中的第一样本卡号，并在所述背景图像中的第二卡号区域中打印所述第一样本卡号，得到所述样本平面卡号图像。
在一种可能的实施方式中，所述第一训练模块根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，包括：
将所述图像生成模型的输出图像作为图像判别模型的第二输入图像，根据所述图像判别模型对所述输出图像和所述样本立体卡片图像的判别结果，确定所述图像生成模型对应的对抗损失，并将所述对抗损失确定为所述第一目标损失。
在一种可能的实施方式中，所述第一训练模块在将所述图像生成模型的输出图像作为图像判别模型的第二输入图像之后，还包括：
根据所述图像判别模型对所述输出图像和所述样本立体卡片图像的判别结果，确定所述图像判别模型对应的第二目标损失，并根据所述第二目标损失调整所述图像判别模型对应的第二参数。
在一种可能的实施方式中，所述第一训练模块根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，包括：
根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的最小绝对值偏差损失，并将所述最小绝对值偏差损失确定为所述第一目标损失。
在一种可能的实施方式中，所述第一训练模块根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，还包括：
获取所述图像生成模型的输出图像中的卡号区域图像；
将所述卡号区域图像输入到预先训练好的识别模型中，根据所述识别模型的输出卡号和所述样本立体卡片图像中的样本卡号，确定所述图像生成模型对应的识别损失，并将所述识别损失确定为所述第一目标损失。
在一种可能的实施方式中，所述训练装置还包括：
第二获取模块，用于获取样本卡号区域图像，每一个样本卡号区域图像中包括对应的第二样本卡号；其中，所述样本卡号区域图像包括样本立体卡号区域图像和样本平面卡号区域图像；
第二训练模块，用于将所述样本卡号区域图像作为所述识别模型的第三输入图像，将所述样本卡号区域图像对应的第二样本卡号作为所述识别模型的监督图像，根据所述识别模型基于所述第三输入图像的输出图像和所述监督图像，训练所述识别模型对应的第三参数，直至得到包括训练好的第三参数的识别模型。
在一种可能的实施方式中，所述训练装置还包括：
第三获取模块，用于在得到包括训练好的第一参数的图像生成模型之后，获取目标卡片背景图像和目标平面卡号图像；其中，所述目标平面卡号图像中包括呈平面形态的目标卡号；
第二处理模块，用于将所述目标卡片背景图像和所述目标平面卡号图像输入到所述图像生成模型中，得到包括所述目标卡片背景图像和呈立体形态的所述目标卡号的立体卡片图像。
第四方面，本申请实施例还提供了一种卡号识别模型的训练装置，所述训练装置包括：
第一获取模块，用于获取样本卡片图像，所述样本卡片图像中包括样本卡号；其中，所述样本卡片图像包括立体卡片图像和平面卡片图像；
训练模块，用于将所述样本卡片图像作为卡号识别模型的输入，将所述样本卡片图像中的样本卡号作为所述卡号识别模型的监督图像，根据所述卡号识别模型的输出图像和所述监督图像，训练所述卡号识别模型的模型参数，直至得到训练好的卡号识别模型；其中，所述卡号识别模型用于基于输入的待识别卡片图像输出所述待识别卡片图像中的目标卡号。
在一种可能的实施方式中，所述训练装置还包括：
第二获取模块，用于获取第一卡片背景图像和卡号图像；其中，所述卡号图像中包括呈平面形态的第一卡号；
第一处理模块，用于将所述第一卡片背景图像和所述卡号图像输入到预先训练好的图像生成模型中，得到包括所述第一卡片背景图像和呈立体形态的所述第一卡号的立体卡片图像。
在一种可能的实施方式中，所述训练装置还包括：
第三获取模块，用于获取第二卡片背景图像和第二卡号；
打印模块，用于在所述第二卡片背景图像上打印所述第二卡号，得到包括所述第二卡片背景图像和所述第二卡号的平面卡片图像。
在一种可能的实施方式中，所述训练装置还包括：
第四获取模块，用于在得到训练好的卡号识别模型之后，获取目标订单对应的待识别卡片图像；
第二处理模块，用于将所述待识别卡片图像输入到所述卡号识别模型中，得到所述卡号识别模型输出的所述待识别卡片图像中的目标卡号。
第五方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如第一方面任一项所述的图像生成模型的训练方法的步骤。
第六方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面任一项所述的图像生成模型的训练方法的步骤。
第七方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如第二方面任一项所述的卡号识别模型的训练方法的步骤。
第八方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第二方面任一项所述的卡号识别模型的训练方法的步骤。
本申请实施例提供了一种图像生成模型的训练方法及装置，无需要求输入图像和监督图像的内容一致，即可训练得到能够生成卡号呈立体形态的立体卡片图像，简化了对训练样本的要求，并且，该立体卡片图像能够作为训练样本对卡号识别模型进行训练，提高了卡号识别模型的识别准确度。
本申请实施例提供了一种卡号识别模型的训练方法及装置，通过获取包括立体卡片图像和平面卡片图像的样本卡片图像，该样本卡片图像中包括样本卡号；然后，将样本卡片图像中的样本卡号作为卡号识别模型的输出，训练卡号识别模型的模型参数，直至得到训练好的卡号识别模型；其中，卡号识别模型用于基于输入的待识别卡片图像输出待识别卡片图像对应的目标卡号。这样，采用基于上述方式训练好的卡号识别模型自动识别并输入待识别卡片图像对应的目标卡号，提高了卡号识别模型的识别准确度，并且，减少了用户的复杂操作，提高了卡号的输入效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1a示出了本申请实施例提供的一种图像生成模型的训练方法的流程图；
图1b示出了本申请实施例提供擦除第一卡号区域的样本背景图像示意图；
图1c示出了本申请实施例提供填充第一卡号区域的样本背景图像示意图；
图1d示出了本申请实施例提供的一种样本平面卡号图像的示意图；
图1e示出了本申请实施例提供的一种训练图像生成模型的结构示意图；
图2a示出了本申请实施例提供的另一种图像生成模型的训练方法的流程图；
图2b示出了本申请实施例提供的另一种训练图像生成模型的结构示意图；
图3示出了本申请实施例提供的另一种图像生成模型的训练方法的流程图；
图4示出了本申请实施例提供的另一种图像生成模型的训练方法的流程图；
图5示出了本申请实施例提供的一种卡号识别模型的训练方法的流程图；
图6示出了本申请实施例提供的另一种卡号识别模型的训练方法的流程图；
图7示出了本申请实施例提供的另一种卡号识别模型的训练方法的流程图；
图8示出了本申请实施例提供的另一种卡号识别模型的训练方法的流程图；
图9示出了本申请实施例提供的一种图像生成模型的训练装置的结构示意图；
图10示出了本申请实施例提供的一种卡号识别模型的训练装置的结构示意图；
图11示出了本申请实施例提供的一种电子设备的结构示意图；
图12示出了本申请实施例提供的另一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“网约车领域”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕“网约车领域”进行描述，但是应该理解，这仅仅是一个示例性实施例。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人。例如，用户可以是乘客、司机(或者驾驶员)、操作员等，或其任意组合。其中，“用户端”为“用户使用的终端设备”，比如，乘客对应乘客端，司机对应司机端。
本申请实施例中，以网约车领域为例，部分地区的乘客针对服务费用的支付方式主要以银行卡(比如信用卡)为主，相应的，乘客需要在支付平台上绑定银行卡，在绑定银行卡后，通过银行卡支付服务费用。目前，用户通常需要在支付平台上手动填写银行卡卡号，以在支付平台上绑定银行卡，并以通过该银行卡支付出行费用。但是，现有的方式中，需要用户手动输入银行卡卡号，使得用户的操作复杂，输入效率低，进而导致网约车平台的服务效率低。
随着深度学习技术的发展，可以利用深度学习的方式，训练卡号识别模型，即光学字符识别OCR(Optical Character Recognition，OCR模型)，以便基于OCR模型自动识别并输入待识别卡片图像对应的目标卡号，减少了用户的复杂操作，提高了卡号的输入效率，进而提高了网约车平台的服务效率。但是，训练OCR模型需要使用大量的用户的真实银行卡图像作为银行卡样本图像，实际中，由于隐私原因，通常无法获取到用户的真实银行卡图像，这就导致训练的OCR模型识别准确度较差，无法满足实际需求。
基于此，本申请的目的在于提供一种图像生成模型的训练方法及装置，无需要求输入图像和监督图像的内容一致，即可训练图像生成模型，该种训练方法简化了对训练样本的要求，并且，通过图像生成模型能够生成卡号呈立体形态的立体卡片图像，该立体卡片图像能够作为样本卡片图像用于训练卡号识别模型(OCR模型)，提高了卡号识别模型的识别准确度。
如图1a所示，本申请第一实施例提供了一种图像生成模型的训练方法，所述训练方法包括：
S101、获取样本立体卡片图像，所述样本立体卡片图像中包括呈立体形态的第一样本卡号。
S102、对所述样本立体卡片图像进行处理，得到对应的样本背景图像和样本平面卡号图像；其中，所述样本平面卡号图像中包括呈平面形态的所述第一样本卡号。
S103、将所述样本背景图像和所述样本平面卡号图像作为所述图像生成模型的第一输入图像，根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，根据所述第一目标损失调整所述图像生成模型对应的第一参数，直至所述图像生成模型的输出图像匹配所述样本立体卡片图像，得到包括训练好的第一参数的图像生成模型；其中，所述图像生成模型用于基于输入的目标卡片背景图像和目标平面卡号图像，生成包括呈立体形态的目标卡号的立体卡片图像；所述目标平面卡号图像中包括呈平面形态的目标卡号。
本申请实施例提供了一种图像生成模型的训练方法及装置，无需要求输入图像和监督图像的内容一致，即可训练得到能够生成卡号呈立体形态的立体卡片图像，简化了对训练样本的要求，并且，该立体卡片图像能够作为训练样本对卡号识别模型进行训练，提高了卡号识别模型的识别准确度。
下面分别对上述示例性的实施例的各步骤进行进一步的说明：
S101、获取样本立体卡片图像，所述样本立体卡片图像中包括呈立体形态的第一样本卡号。
本申请实施例中，样本立体卡片图像中包括样本背景图像和样本立体卡号，该样本立体卡号为呈立体形态(即呈凸体)的样本卡号。
上述样本立体卡片图像为能够获取到的用户的真实立体卡片图像，比如，为部分区域的用户的银行卡图像，该银行卡图像包括银行卡背景图像和呈立体形态的银行卡卡号。
S102、对所述样本立体卡片图像进行处理，得到对应的样本背景图像和样本平面卡号图像；其中，所述样本平面卡号图像中包括呈平面形态的所述第一样本卡号。
本申请实施例中，对样本立体卡片图像的处理过程如下：
第一，对所述样本立体卡片图像进行处理，得到对应的样本背景图像，包括：获取所述样本立体卡片图像中的第一卡号区域；对所述第一卡号区域进行覆盖处理，得到不包括卡号的样本背景图像。
其中，上述对第一卡号区域进行覆盖处理包括以下处理方式中的一种或多种：擦除处理、填充处理。这里，擦除处理即擦除掉第一卡号区域的内容；填充处理即将第一卡号区域进行纯色填充，即通过匹配样本背景图像的背景颜色填充第一卡号区域，以覆盖上述第一卡号区域。比如，如图1b所示，通过Photoshop软件擦除上述第一卡号区域，或者，如图1c所示，填充上述第一卡号区域。
第二，对所述样本立体卡片图像进行处理，得到对应的样本平面卡号图像，包括：
根据所述样本立体卡片图像的目标尺寸，生成与所述目标尺寸相匹配的背景图像；根据所述样本立体卡片图像中的第一卡号区域，确定所述背景图像中的第二卡号区域；获取所述样本立体卡片图像中的第一样本卡号，并在所述背景图像中的第二卡号区域中打印所述第一样本卡号，得到所述样本平面卡号图像。
本申请实施例中，首先制作具有与样本立体卡片图像的目标尺寸相同的背景图像，并基于样本立体卡片图像中第一卡号区域的区域位置，确定该背景图像中第二卡号区域的区域位置，然后，提取样本立体卡片图像中的卡号，并在上述第二卡号区域的区域位置打印该卡号，得到样本平面卡号图像。其中，如图1d所示，样本平面卡号图像的卡号内容与样本立体卡片图像的卡号内容相一致，且卡号字体与样本立体卡片图像的字体相一致。
可选的，制作的背景图像可以是纯色背景图像，比如黑色背景图像。需要说明的是，该背景图像只要保证能够识别打印到该背景图像上的卡号即可，本申请实施例不对该其背景图像作具体限定。
S103、将所述样本背景图像和所述样本平面卡号图像作为所述图像生成模型的第一输入图像，根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，根据所述第一目标损失调整所述图像生成模型对应的第一参数，直至所述图像生成模型的输出图像匹配所述样本立体卡片图像，得到包括训练好的第一参数的图像生成模型；其中，所述图像生成模型用于基于输入的目标卡片背景图像和目标平面卡号图像，生成包括呈立体形态的目标卡号的立体卡片图像；所述目标平面卡号图像中包括呈平面形态的目标卡号。
本申请实施例中，服务器的第一个阶段为训练阶段，训练阶段是为了学习图像生成模型的第一参数，即训练生成网络G的第一参数。
具体过程如下：将样本背景图像和样本平面卡号图像在图像生成模型(即生成网络G)的输入层的通道上进行拼接，作为生成网络G的第一输入图像，经过生成网络G运算之后，输出卡号呈立体形态的立体卡片图像(比如立体银行卡图像)，其中，生成的立体卡片图像的卡号与样本平面卡号图像中的卡号相一致，立体卡片图像的背景图像与样本背景图像相一致；然后，根据生成网络G的输出图像和样本立体卡片图像，确定生成网络G对应的第一目标损失，并根据该第一目标损失调整生成网络G对应的第一参数，直至生成网络G的输出图像与样本立体卡片图像的相似度大于设定阈值，得到包括训练好的第一参数的生成网络G(即图像生成模型)。
其中，图像生成模型用于基于输入的目标卡片背景图像和包括目标卡号的目标平面卡号图像，生成包括呈立体形态的目标卡号的立体卡片图像。这里，目标卡片背景图像可以是任意卡片背景图像；目标平面卡号图像也可以是任意卡号图像，即目标平面卡号图像中可任意指定卡号内容，卡号在图像中的位置和卡号数字间距等。
本申请实施例中，图像生成模型是基于生成式对抗网络(GenerativeAdversarial Network，GAN)的pix2pix，该pix2pix是基于GAN的图像翻译)，pix2pix可以把一种风格的图像转换为另外一种风格，但是在训练时，其需要两幅内容一一对应(也即两幅内容相同但风格不同)的图像，实际中，由于一些特殊场景下(比如银行卡图像)，由于隐私原因，无法获得这种一一对应的银行卡图像。本申请实施例中，在训练过程中，获取样本背景图像和样本平面卡号图像，并将上述样本背景图像和样本平面卡号图像在图像生成模型的输入层的通道上进行拼接，作为图像生成模型的第一输入图像，无需要求输入图像和监督图像的内容一致，即可训练得到能够生成卡号呈立体形态的立体卡片图像，简化了对训练样本的要求，且避免了要求输入图像和监督图像内容一一对应的问题。
本申请实施例中，采用大批量的输入图像和监督图像，重复步骤101至步骤103的步骤，直至对生成网络G参数进行更新，最终得到的包括训练好的生成网络G的图像生成模型。
本申请实施例提供的图像生成模型的训练方法中，所述根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，包括：
将所述图像生成模型的输出图像作为图像判别模型的第二输入图像，根据所述图像判别模型对所述输出图像和所述样本立体卡片图像的判别结果，确定所述图像生成模型对应的对抗损失，并将所述对抗损失确定为所述第一目标损失。
在本申请实施例中，在训练生成网络G的第一参数的同时，将生成网络G的输出图像作为图像判别模型(即判别网络D)的第二输入图像，判别网络D将该输出图像和样本立体卡片图像进行匹配，并根据判别网络D计算的输出图像和样本立体卡片图像的相似度判别结果，并基于该相似度判别结果确定生成网络G对应的对抗损失，并将该对抗损失确定为第一目标损失，以便基于该对抗损失调整图像生成模型对应的第一参数。
其中，生成网络G的输出图像与监督图像(即样本立体卡片图像)的相似性较高，则对抗损失较小，相似度低则对抗损失较大。
另外，在本申请实施例中，需要对图像判别模型(即判别网络D)的第二参数进行训练，训练该第二参数的目的是基于判别网络D的判别结果更好训练生成网络G的第一参数。相应的，本申请实施例提供的图像生成模型的训练方法中，在将所述图像生成模型的输出图像作为图像判别模型的第二输入图像之后，所述训练方法还包括：
根据所述图像判别模型对所述输出图像和所述样本立体卡片图像的判别结果，确定所述图像判别模型对应的第二目标损失，并根据所述第二目标损失调整所述图像判别模型对应的第二参数。
本申请实施例中，在将生成网络G的输出图像作为图像判别模型(即判别网络D)的第二输入图像后，判别网络D将该输出图像和样本立体卡片图像进行匹配，根据判别网络D对输出图像和样本立体卡片图像的判别结果，得到判别网络D对应的第二目标损失，并进一步根据该第二目标损失调整判别网络D对应的第二参数，这样，通过训练判别网络D的第二参数，能够基于判别网络D的判别结果更好地训练生成网络G的第一参数。
本申请实施例中，通过第二参数能够提高判别网络D的输出结果，基于该输出结果能够提高对抗损失的精度，进而提高训练的生成网络G的第一参数的精度。
在本申请实施例中，生成网络G对应的第一参数和判别网络D对应的第二参数的更新是通过监督训练来完成，监督训练需要输入图像和监督图像，输入图像经过图像生成模型(即生成网络G)后得到生成图像(即输出图像)，根据生成图像(即输出图像)与监督图像的差异计算第一目标损失和第二目标损失，基于该第一目标损失和第二目标损失进行反向传播后，对生成网络G的第一参数进行更新以及对判别网络D的第二参数进行更新。其中，输入图像是样本立体卡片图像对应的样本背景图像和样本平面卡号图像(即基于样本立体卡片图像构造的输入图像)，监督图像是样本立体卡片图像(即监督图像是真实的图像)。
在训练过程中，将样本背景图像和样本平面卡号图像在图像生成模型(即生成网络G)的输入层的通道上进行拼接，作为图像生成模型(即生成网络G)的第一输入图像，将图像生成模型(即生成网络G)的输出图像作为图像判别模型(即判别网络D)的第二输入图像，根据输出图像和图像判别模型(即判别网络D)的判别结果，确定第一目标损失和第二目标损失，根据第一目标损失调整图像生成模型(即生成网络G)对应的第一参数和图像判别模型(即判别网络D)对应的第二参数，直至得到包括训练好的第一参数的图像生成模型(即生成网络G)和得到包括训练好的第二参数的图像判别模型(即判别网络D)。
在本申请实施例中，图像生成模型(即生成网络G)采用生成对抗网络进行训练，生成对抗网络包括生成网络G和判别网络D，生成网络G为加入跳跃连接的U-Net，其作用是对输入图像进行处理产生输出图像，判别网D为一个分类网络，用来判断输出图像与监督图像是否相似，常用的生成对抗网络结构如图1e所示，样本平面卡号图像(即期望卡号图像)与样本背景图像拼接后，作为生成对抗网络的输入，真实图像(即样本立体卡片图像)作为监督图像进行训练，生成的对抗训练常用的损失为对抗损失、L1损失和识别损失，下面分别对L1损失和识别损失进行说明：
第一，本申请实施例提供的图像生成模型的训练方法中，所述根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，包括：
根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的最小绝对值偏差损失，并将所述最小绝对值偏差损失确定为所述第一目标损失。
本申请实施例中，获取生成网络G的输出图像对应的第一像素值矩阵和样本立体卡片图像对应的第二像素值矩阵，将第一像素值矩阵和第二像素值矩阵相减，得到最小绝对值偏差损失，即L1损失，将该L1损失确定为第一目标损失，并基于该L1损失反向传播，更新生成网络G对应的第一参数。
第二，如图2a和图2b所示，第一目标损失为识别损失，本申请实施例提供的图像生成模型的训练方法中，所述根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，还包括：
S201、获取所述图像生成模型的输出图像中的卡号区域图像。
S202、将所述卡号区域图像输入到预先训练好的识别模型中，根据所述识别模型的输出卡号和所述样本立体卡片图像中的样本卡号，确定所述图像生成模型对应的识别损失，并将所述识别损失确定为所述第一目标损失。
本申请实施例中，在得到生成网络G对应的输出图像后，识别输出图像中的卡号，并确定输出图像中的卡号区域图像，之后，裁剪输出图像中的卡号区域图像，并将卡号区域图像输入到预先训练好的识别模型中，得到识别模型的输出结果，根据识别模型的输出结果和样本立体卡片图像中的卡号，确定识别损失，并将识别损失确定为第一目标损失，以便基于该识别损失更新生成网络G对应的第一参数。
这个识别损失经过反向传播便会对生成网络G的第一参数进行更新，通过识别损失更新生成网络G对应的第一参数，能够优化训练好的图像生成模型，使训练好的图像生成模型输出的立体卡片图像包括清晰、完整的卡号，促使图像生成模型生成的卡号更具有识别性。
进一步的，如图3所示，在本申请实施例提供的图像生成模型的训练方法，通过以下方式训练所述识别模型：
S301、获取样本卡号区域图像，每一个样本卡号区域图像中包括对应的第二样本卡号；其中，所述样本卡号区域图像包括样本立体卡号区域图像和样本平面卡号区域图像。
S302、将所述样本卡号区域图像作为所述识别模型的第三输入图像，将所述样本卡号区域图像对应的第二样本卡号作为所述识别模型的监督图像，根据所述识别模型基于所述第三输入图像的输出图像和所述监督图像，训练所述识别模型对应的第三参数，直至得到包括训练好的第三参数的识别模型。
结合步骤301和步骤302，可选的，样本卡号区域图像可以是从样本卡片图像中裁剪出来的样本卡号区域图像。
将样本卡号区域图像作为识别模型的第三输入图像，识别模型输出识别图像，根据识别图像和作为第三输入图像的样本卡号区域图像对应的目标卡号(即监督图像中的第二样本卡号)，计算损失，并基于该损失反向传播，调整识别模型的第三参数，直至得到训练好的识别模型。
在本申请实施例中，如图4所示，本申请实施例提供的图像生成模型的训练方法，在得到包括训练好的第一参数的图像生成模型之后，所述训练方法还包括：
S401、获取目标卡片背景图像和目标平面卡号图像；其中，所述目标平面卡号图像中包括呈平面形态的目标卡号。
S402、将所述目标卡片背景图像和所述目标平面卡号图像输入到所述图像生成模型中，得到包括所述目标卡片背景图像和呈立体形态的所述目标卡号的立体卡片图像。
结合步骤401和步骤402，在生成图像生成模型后，基于目标卡片背景图像和目标平面卡号图像在图像生成模型的输入层的通道上进行拼接，并输入到该图像生成模型中，该图像生成模型基于训练好的第一参数对拼接后的目标卡片背景图像和目标平面卡号图像进行处理，得到包括目标卡片背景图像和呈立体形态的目标卡号的立体卡片图像。其中，得到的立体卡片图像中目标卡号与目标平面卡号图像中呈平面形态的目标卡号相一致，且该立体卡片图像的背景图像与目标卡片背景图像相一致。
其中，上述目标卡片背景图像可以是任意卡片背景图像；上述目标平面卡号图像也可以是任意卡号图像，也即该目标平面卡号图像中可任意指定卡号内容，卡号在图像中的位置和卡号数字间距等。
相应的，在得到立体卡片图像之后，基于该立体卡片图像和平面卡片图像作为样本卡片图像训练卡号识别模型，并基于卡号识别模型识别并输出的待识别卡片图像对应的目标卡号，提高了卡号识别模型的识别准确度。
参照图5所示，为本申请第二实施例提供的一种卡号识别模型的训练方法的流程图，该卡号识别模型的训练方法包括：
S501、获取样本卡片图像，所述样本卡片图像中包括样本卡号；其中，所述样本卡片图像包括立体卡片图像和平面卡片图像。
S502、将所述样本卡片图像作为卡号识别模型的输入，将所述样本卡片图像中的样本卡号作为所述卡号识别模型的监督图像，根据所述卡号识别模型的输出图像和所述监督图像，训练所述卡号识别模型的模型参数，直至得到训练好的卡号识别模型；其中，所述卡号识别模型用于基于输入的待识别卡片图像输出所述待识别卡片图像中的目标卡号。
本申请实施例提供了一种卡号识别模型的训练方法，通过获取样本卡片图像，该样本卡片图像中包括立体卡片图像和平面卡片图像；之后，将样本卡片图像作为卡号识别模型的输入，将样本卡片图像中包括的样本卡号作为卡号识别模型的输出，训练卡号识别模型的模型参数，直至得到训练好的卡号识别模型。这样，采用基于上述方式训练好的卡号识别模型自动识别并输入待识别卡片图像对应的目标卡号，提高了卡号识别模型的识别准确度，并且，减少了用户的复杂操作，提高了卡号的输入效率，进而提高了网约车平台的服务效率。
下面分别对上述示例性的实施例的各步骤进行进一步的说明：
S501、获取样本卡片图像，所述样本卡片图像中包括样本卡号；其中，所述样本卡片图像包括立体卡片图像和平面卡片图像。
本申请实施例中，获取多张样本卡片图像，每一张样本卡片图像中均包括样本背景图像和样本卡号；其中，不同的样本卡片图像中的样本卡号不同，而不同的样本卡片图像中的样本背景图像可以相同，也可以不同。
上述样本卡片图像包括立体卡片图像和平面卡片图像；其中，立体卡片图像是指卡片图像中包括立体的(或者呈凸体)的卡号；平面卡片图像是指卡片图像中包括与该卡片图像位于同一平面卡号。
可选的，上述样本卡片图像可以为银行卡图像，每个样本卡片图像中包括的样本卡号可以为银行卡卡号。
S502、将所述样本卡片图像作为卡号识别模型的输入，将所述样本卡片图像中的样本卡号作为所述卡号识别模型的监督图像，根据所述卡号识别模型的输出图像和所述监督图像，训练所述卡号识别模型的模型参数，直至得到训练好的卡号识别模型；其中，所述卡号识别模型用于基于输入的待识别卡片图像输出所述待识别卡片图像中的目标卡号。
本申请实施例中，服务器中预先构建有包括模型参数的卡号识别模型，服务器在获取了上述样本卡片图像后，将上述样本卡片图像作为该卡号识别模型的输入，得到该卡号识别模型输出的对应于上述样本卡片图像的输出结果(即输出卡号)，计算该输出结果(即输出卡号)与对应于上述样本卡片图像的实际输出结果(即样本卡号)的损失，基于该损失更新卡号识别模型的模型参数，重复上述过程，直至满足预设的停止条件，得到包括训练好的模型参数的卡号识别模型；
可选的，预设的停止条件可以包括卡号识别模型的输出结果(即输出卡号)与实际结果(即实际样本卡号)的损失小于第一预设阈值，还可以包括输出结果(即输出卡号)的准确度大于第二预设阈值。
在本申请实施例中，样本卡片图像包括立体卡片图像和平面卡片图像，考虑到实际情况中，由于隐私原因，无法直接获取到部分用户的真实卡片图像(包括立体卡片图像和平面卡片图像)，在本申请实施例中，通过以下两种方式生成立体卡片图像和平面卡片图像：
第一，如图6所示，通过如下方式获取所述立体卡片图像：
S601、获取第一卡片背景图像和卡号图像；其中，所述卡号图像中包括呈平面形态的第一卡号。
在一种实施方式中，上述第一卡片背景图像具有第一预设尺寸，上述卡号图像具有第二预设尺寸；这里，预设尺寸包括预设的图像长度和图像宽度，上述第一预设尺寸和第二预设尺寸可以相同，也可以不同。其中，第一卡片背景图像可以为预先构造的任意图像，也可以为覆盖了卡号(银行卡卡号)的卡片图像(比如，银行卡图像)。
S602、将所述第一卡片背景图像和所述卡号图像输入到预先训练好的图像生成模型中，得到包括所述第一卡片背景图像和呈立体形态的所述第一卡号的立体卡片图像。
本申请实施例中，服务器中预先训练有图像生成模型，该图像生成模型是基于生成对抗网络训练得到的模型，其能够基于一种风格的输入图像，输出另一种风格的输出图像，比如，基于包括呈平面形态的卡号的银行卡图像输出呈立体形态的卡号的银行卡图像。
本申请实施例中，第一卡片背景图像和卡号图像在图像生成模型的输入层的通道上进行拼接，并输入到该图像生成模型中，该图像生成模型基于训练好的模型参数对拼接后的第一卡片背景图像和卡号图像进行处理，得到包括第一卡片背景图像，且第一卡号呈立体形态的立体卡片图像。其中，得到的立体卡片图像中第一卡号呈立体形态，且该立体卡片图像的背景图像与第一卡片背景图像相一致。
比如，将第一银行卡背景图像和第一银行卡卡号图像在图像生成模型的输入层的通道上进行拼接，并输入到该图像生成模型中，该图像生成模型基于训练好的模型参数对拼接后的第一银行卡背景图像和第一银行卡卡号图像进行处理，得到包括第一银行卡背景图像和呈立体形态(即呈凸体)的第一银行卡卡号的银行卡图像。
本申请实施例中，利用生成对抗网络来生成立体银行卡图像，该立体银行卡的卡号区域具有较好的立体感，与真实的卡号呈立体形态的银行卡图像相似度较高。
通过上述方式，能够生成对应的第一卡号呈立体形态(即凹凸感)的立体银行卡图像(即呈凸体银行卡图像)，使生成的立体银行卡图像与真实的卡号呈立体形态的银行卡图像较为接近，进而基于立体银行卡图像作为样本图像训练卡号识别模型，丰富了样本卡片图像的种类。
第二，如图7所示，通过如下方式获取所述平面卡片图像：
S701、获取第二卡片背景图像和第二卡号。
在本申请实施例中，第二卡片背景图像具有第三预设尺寸，该第三预设尺寸可以和上述第一预设尺寸和第二预设尺寸相同，也可以不同。其中，第二卡片背景图像可以为预先构造的任意图像，也可以为覆盖了卡号(银行卡卡号)的卡片图像(比如，银行卡图像)。
S702、在所述第二卡片背景图像上打印所述第二卡号，得到包括所述第二卡片背景图像和所述第二卡号的平面卡片图像。
在一种实施方式中，确定第二卡片背景图像中的打印区域(也即卡号区域，该卡号区域可以是预先设置好的)，并在所述打印区域打印的第二卡号，得到包括第二卡片背景图像和第二卡号的平面卡片图像。
在另外一种实施方式中，获取卡号图像，通过对卡号图像进行处理得到第二卡号。比如，检测第二卡号图像中的目标卡号区域，识别并提取该目标卡号区域中的第二卡号。根据第二卡号图像中第二卡号所在的特定区域，确定第二卡片背景图像中的打印区域(也即卡号区域)，并在所述打印区域打印的第二卡号，得到包括第二卡片背景图像和第二卡号的平面卡片图像。
本申请实施例中，通过在卡片背景图像上打印数字的方式生成平面卡片图像(比如，印刷体银行卡图像)，进而基于平面卡片图像作为样本图像训练卡号识别模型，丰富了样本卡片图像的种类。
如图8所示，在本申请实施例中，在得到训练好的卡号识别模型之后，所述训练方法还包括：
S801、获取目标订单对应的待识别卡片图像。
S802、将所述待识别卡片图像输入到所述卡号识别模型中，得到所述卡号识别模型输出的所述待识别卡片图像中的目标卡号。
本申请实施例中，在网约车领域，当乘客的出行订单结束后，出行服务结束后，乘客需要支付该订单对应的出行费用，此时，用户通过用户终端获取待识别卡片图像(比如，银行卡图像)，并将该待识别卡片图像发送给服务器。服务器在接收到该待识别卡片图像后，将该待识别卡片图像输入到预先训练好的卡号识别模型中，得到该卡号识别模型输出的该待识别卡片图像对应的目标卡号，并将目标卡号发送给支付平台，支付平台自动填写用户对应的目标卡号。
通过本申请实施例提供的方法，采用基于上述方式训练好的卡号识别模型自动识别并输入待识别卡片图像对应的目标卡号，提高了卡号识别模型的识别准确度，并且，减少了用户的复杂操作，提高了卡号的输入效率，进而提高了网约车平台的服务效率。
基于同一发明构思，本申请第三实施例中还提供了与第一实施例提供的图像生成模型的训练方法对应的图像生成模型的训练装置，由于本申请实施例中的装置解决问题的原理与本申请第一实施例中图像生成模型的训练方法相似，因此，装置的实施可以参见方法的实施，重复之处不再赘述。
参照图9所示，为本申请第三实施例提供的一种图像生成模型的训练装置的结构示意图，所述训练装置包括：
第一获取模块901，用于获取样本立体卡片图像，所述样本立体卡片图像中包括呈立体形态的第一样本卡号；
第一处理模块902，用于对所述样本立体卡片图像进行处理，得到对应的样本背景图像和样本平面卡号图像；其中，所述样本平面卡号图像中包括呈平面形态的所述第一样本卡号；
第一训练模块903，用于将所述样本背景图像和所述样本平面卡号图像作为所述图像生成模型的第一输入图像，根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，根据所述第一目标损失调整所述图像生成模型对应的第一参数，直至所述图像生成模型的输出图像匹配所述样本立体卡片图像，得到包括训练好的第一参数的图像生成模型；其中，所述图像生成模型用于基于输入的目标卡片背景图像和目标平面卡号图像，生成包括呈立体形态的目标卡号的立体卡片图像；所述目标平面卡号图像中包括呈平面形态的目标卡号。
在一种可能的实施方式中，第一处理模块902对所述样本立体卡片图像进行处理，得到对应的样本背景图像，包括：
获取所述样本立体卡片图像中的第一卡号区域；
对所述第一卡号区域进行覆盖处理，得到不包括卡号的样本背景图像。
在一种可能的实施方式中，第一处理模块902对所述样本立体卡片图像进行处理，得到对应的样本平面卡号图像，包括：
根据所述样本立体卡片图像的目标尺寸，生成与所述目标尺寸相匹配的背景图像；
根据所述样本立体卡片图像中的第一卡号区域，确定所述背景图像中的第二卡号区域；
获取所述样本立体卡片图像中的第一样本卡号，并在所述背景图像中的第二卡号区域中打印所述第一样本卡号，得到所述样本平面卡号图像。
在一种可能的实施方式中，第一训练模块903根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，包括：
将所述图像生成模型的输出图像作为图像判别模型的第二输入图像，根据所述图像判别模型对所述输出图像和所述样本立体卡片图像的判别结果，确定所述图像生成模型对应的对抗损失，并将所述对抗损失确定为所述第一目标损失。
在一种可能的实施方式中，第一训练模块903在将所述图像生成模型的输出图像作为图像判别模型的第二输入图像之后，还包括：
根据所述图像判别模型对所述输出图像和所述样本立体卡片图像的判别结果，确定所述图像判别模型对应的第二目标损失；
根据所述第二目标损失调整所述图像判别模型对应的第二参数。
在一种可能的实施方式中，第一训练模块903根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，包括：
根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的最小绝对值偏差损失，并将所述最小绝对值偏差损失确定为所述第一目标损失。
在一种可能的实施方式中，第一训练模块903根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，还包括：
获取所述图像生成模型的输出图像中的卡号区域图像；
将所述卡号区域图像输入到预先训练好的识别模型中，根据所述识别模型的输出卡号和所述样本立体卡片图像中的样本卡号，确定所述图像生成模型对应的识别损失，并将所述识别损失确定为所述第一目标损失。
在一种可能的实施方式中，所述图像生成模型的训练装置还包括：
第二获取模块，用于获取样本卡号区域图像，每一个样本卡号区域图像中包括对应的第二样本卡号；其中，所述样本卡号区域图像包括样本立体卡号区域图像和样本平面卡号区域图像；
第二训练模块，用于将所述样本卡号区域图像作为所述识别模型的第三输入图像，将所述样本卡号区域图像对应的第二样本卡号作为所述识别模型的监督图像，根据所述识别模型基于所述第三输入图像的输出图像和所述监督图像，训练所述识别模型对应的第三参数，直至得到包括训练好的第三参数的识别模型。
在一种可能的实施方式中，所述训练装置还包括：
第三获取模块，用于在得到包括训练好的第一参数的图像生成模型之后，获取目标卡片背景图像和目标平面卡号图像；其中，所述目标平面卡号图像中包括呈平面形态的目标卡号；
第二处理模块，用于将所述目标卡片背景图像和所述目标平面卡号图像输入到所述图像生成模型中，得到包括所述目标卡片背景图像和呈立体形态的所述目标卡号的立体卡片图像。
本申请实施例提供了一种图像生成模型的训练装置，无需要求输入图像和监督图像的内容一致，即可训练能够生成呈立体形态的立体卡片图像，简化了对训练样本的要求，并且，该立体卡片图像能够作为训练样本对卡号识别模型进行训练，提高了卡号识别模型的识别准确度。
基于同一发明构思，本申请第四实施例中还提供了与第二实施例提供的卡号识别模型的训练方法对应的卡号识别模型的训练装置，由于本申请实施例中的装置解决问题的原理与本申请第二实施例上述卡号识别模型的训练方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图10所示，为本申请第四实施例提供的一种卡号识别模型的训练装置的结构示意图，所述训练装置包括：
第一获取模块1001，用于获取样本卡片图像，所述样本卡片图像中包括样本卡号；其中，所述样本卡片图像包括立体卡片图像和平面卡片图像；
训练模块1002，用于将所述样本卡片图像作为卡号识别模型的输入，将所述样本卡片图像中的样本卡号作为所述卡号识别模型的监督图像，根据所述卡号识别模型的输出图像和所述监督图像，训练所述卡号识别模型的模型参数，直至得到训练好的卡号识别模型；其中，所述卡号识别模型用于基于输入的待识别卡片图像输出所述待识别卡片图像中的目标卡号。
在一种可能的实施方式中，所述训练装置还包括：
第二获取模块，用于获取第一卡片背景图像和卡号图像；其中，所述卡号图像中包括呈平面形态的第一卡号；
第一处理模块，用于将所述第一卡片背景图像和所述卡号图像输入到预先训练好的图像生成模型中，得到包括所述第一卡片背景图像和呈立体形态的所述第一卡号的立体卡片图像。
在一种可能的实施方式中，所述训练装置还包括：
第三获取模块，用于获取第二卡片背景图像和第二卡号；
打印模块，用于在所述第二卡片背景图像上打印所述第二卡号，得到包括所述第二卡片背景图像和所述第二卡号的平面卡片图像。
在一种可能的实施方式中，所述训练装置还包括：
第四获取模块，用于在得到训练好的卡号识别模型之后，获取目标订单对应的待识别卡片图像；
第二处理模块，用于将所述待识别卡片图像输入到所述卡号识别模型中，得到所述卡号识别模型输出的所述待识别卡片图像中的目标卡号。
本申请实施例提供的卡号识别模型的训练装置，采用基于上述方式训练好的卡号识别模型自动识别并输入待识别卡片图像对应的目标卡号，提高了卡号识别模型的识别准确度，并且，减少了用户的复杂操作，提高了卡号的输入效率，进而提高了网约车平台的服务效率。
如图11所示，本申请第五实施例提供的一种电子设备1100，包括：处理器1101、存储器1102和总线，所述存储器1102存储有所述处理器1101可执行的机器可读指令，当电子设备运行时，所述处理器1101与所述存储器1102之间通过总线通信，所述处理器1101执行所述机器可读指令，以执行如上述第一实施例中的图像生成模型的训练方法的步骤。
具体地，上述存储器1102和处理器1101能够为通用的存储器和处理器，这里不做具体限定，当处理器1101运行存储器1102存储的计算机程序时，能够执行上述第一实施例中的图像生成模型的训练方法。
对应于上述第一实施例中的图像生成模型的训练方法，本申请第六实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一实施例中的图像生成模型的训练方法的步骤。
如图12所示，本申请第七实施例提供的一种电子设备1200，包括：处理器1201、存储器1202和总线，所述存储器1202存储有所述处理器1201可执行的机器可读指令，当电子设备运行时，所述处理器1201与所述存储器1202之间通过总线通信，所述处理器1201执行所述机器可读指令，以执行如上述第二实施例中的卡号识别模型的训练方法的步骤。
具体地，上述存储器1202和处理器1201能够为通用的存储器和处理器，这里不做具体限定，当处理器1201运行存储器1202存储的计算机程序时，能够执行上述第二实施例中的卡号识别模型的训练方法。
对应于上述第二实施例中的卡号识别模型的训练方法，本申请第八实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第二实施例中的卡号识别模型的训练方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上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，可轻易想到变化或替换，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 (19)

1.一种图像生成模型的训练方法，其特征在于，所述训练方法包括：
获取样本立体卡片图像，所述样本立体卡片图像中包括呈立体形态的第一样本卡号；
对所述样本立体卡片图像进行处理，得到对应的样本背景图像和样本平面卡号图像；其中，所述样本平面卡号图像中包括呈平面形态的所述第一样本卡号；
将所述样本背景图像和所述样本平面卡号图像作为所述图像生成模型的第一输入图像，根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，根据所述第一目标损失调整所述图像生成模型对应的第一参数，直至所述图像生成模型的输出图像匹配所述样本立体卡片图像，得到包括训练好的第一参数的图像生成模型；其中，所述图像生成模型用于基于输入的目标卡片背景图像和目标平面卡号图像，生成包括呈立体形态的目标卡号的立体卡片图像；所述目标平面卡号图像中包括呈平面形态的目标卡号。
2.根据权利要求1所述的图像生成模型的训练方法，其特征在于，对所述样本立体卡片图像进行处理，得到对应的样本背景图像，包括：
获取所述样本立体卡片图像中的第一卡号区域；
对所述第一卡号区域进行覆盖处理，得到不包括卡号的样本背景图像。
3.根据权利要求1所述的图像生成模型的训练方法，其特征在于，对所述样本立体卡片图像进行处理，得到对应的样本平面卡号图像，包括：
根据所述样本立体卡片图像的目标尺寸，生成与所述目标尺寸相匹配的背景图像；
根据所述样本立体卡片图像中的第一卡号区域，确定所述背景图像中的第二卡号区域；
获取所述样本立体卡片图像中的第一样本卡号，并在所述背景图像中的第二卡号区域中打印所述第一样本卡号，得到所述样本平面卡号图像。
4.根据权利要求1所述的图像生成模型的训练方法，其特征在于，所述根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，包括：
将所述图像生成模型的输出图像作为图像判别模型的第二输入图像，根据所述图像判别模型对所述输出图像和所述样本立体卡片图像的判别结果，确定所述图像生成模型对应的对抗损失，并将所述对抗损失确定为所述第一目标损失。
5.根据权利要求4所述的图像生成模型的训练方法，其特征在于，在将所述图像生成模型的输出图像作为图像判别模型的第二输入图像之后，所述训练方法还包括：
根据所述图像判别模型对所述输出图像和所述样本立体卡片图像的判别结果，确定所述图像判别模型对应的第二目标损失，并根据所述第二目标损失调整所述图像判别模型对应的第二参数。
6.根据权利要求1所述的图像生成模型的训练方法，其特征在于，所述根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，包括：
根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的最小绝对值偏差损失，并将所述最小绝对值偏差损失确定为所述第一目标损失。
7.根据权利要求1所述的图像生成模型的训练方法，其特征在于，所述根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，还包括：
获取所述图像生成模型的输出图像中的卡号区域图像；
将所述卡号区域图像输入到预先训练好的识别模型中，根据所述识别模型的输出卡号和所述样本立体卡片图像中的样本卡号，确定所述图像生成模型对应的识别损失，并将所述识别损失确定为所述第一目标损失。
8.根据权利要求7所述的图像生成模型的训练方法，其特征在于，通过以下方式训练所述识别模型：
获取样本卡号区域图像，每一个样本卡号区域图像中包括对应的第二样本卡号；其中，所述样本卡号区域图像包括样本立体卡号区域图像和样本平面卡号区域图像；
将所述样本卡号区域图像作为所述识别模型的第三输入图像，将所述样本卡号区域图像对应的第二样本卡号作为所述识别模型的监督图像，根据所述识别模型基于所述第三输入图像的输出图像和所述监督图像，训练所述识别模型对应的第三参数，直至得到包括训练好的第三参数的识别模型。
9.根据权利要求1所述的图像生成模型的训练方法，其特征在于，在得到包括训练好的第一参数的图像生成模型之后，所述训练方法还包括：
获取目标卡片背景图像和目标平面卡号图像；其中，所述目标平面卡号图像中包括呈平面形态的目标卡号；
将所述目标卡片背景图像和所述目标平面卡号图像输入到所述图像生成模型中，得到包括所述目标卡片背景图像和呈立体形态的所述目标卡号的立体卡片图像。
10.一种卡号识别模型的训练方法，其特征在于，所述训练方法包括：
获取样本卡片图像，所述样本卡片图像中包括样本卡号；其中，所述样本卡片图像包括立体卡片图像和平面卡片图像；
将所述样本卡片图像作为卡号识别模型的输入，将所述样本卡片图像中的样本卡号作为所述卡号识别模型的监督图像，根据所述卡号识别模型的输出图像和所述监督图像，训练所述卡号识别模型的模型参数，直至得到训练好的卡号识别模型；其中，所述卡号识别模型用于基于输入的待识别卡片图像输出所述待识别卡片图像中的目标卡号。
11.根据权利要求10所述的卡号识别模型的训练方法，其特征在于，通过以下方式获取所述立体卡片图像：
获取第一卡片背景图像和卡号图像；其中，所述卡号图像中包括呈平面形态的第一卡号；
将所述第一卡片背景图像和所述卡号图像输入到预先训练好的图像生成模型中，得到包括所述第一卡片背景图像和呈立体形态的所述第一卡号的立体卡片图像。
12.根据权利要求10所述的卡号识别模型的训练方法，其特征在于，通过如下方式获取所述平面卡片图像：
获取第二卡片背景图像和第二卡号；
在所述第二卡片背景图像上打印所述第二卡号，得到包括所述第二卡片背景图像和所述第二卡号的平面卡片图像。
13.根据权利要求10所述的卡号识别模型的训练方法，其特征在于，在得到训练好的卡号识别模型之后，所述训练方法还包括：
获取目标订单对应的待识别卡片图像；
将所述待识别卡片图像输入到所述卡号识别模型中，得到所述卡号识别模型输出的所述待识别卡片图像中的目标卡号。
14.一种图像生成模型的训练装置，其特征在于，所述训练装置包括：
第一获取模块，用于获取样本立体卡片图像，所述样本立体卡片图像中包括呈立体形态的第一样本卡号；
第一处理模块，用于对所述样本立体卡片图像进行处理，得到对应的样本背景图像和样本平面卡号图像；其中，所述样本平面卡号图像中包括呈平面形态的所述第一样本卡号；
第一训练模块，用于将所述样本背景图像和所述样本平面卡号图像作为所述图像生成模型的第一输入图像，根据所述图像生成模型的输出图像和所述样本立体卡片图像，确定所述图像生成模型对应的第一目标损失，根据所述第一目标损失调整所述图像生成模型对应的第一参数，直至所述图像生成模型的输出图像匹配所述样本立体卡片图像，得到包括训练好的第一参数的图像生成模型；其中，所述图像生成模型用于基于输入的目标卡片背景图像和目标平面卡号图像，生成包括呈立体形态的目标卡号的立体卡片图像；所述目标平面卡号图像中包括呈平面形态的目标卡号。
15.一种卡号识别模型的训练装置，其特征在于，所述训练装置包括：
第一获取模块，用于获取样本卡片图像，所述样本卡片图像中包括样本卡号；其中，所述样本卡片图像包括立体卡片图像和平面卡片图像；
训练模块，用于将所述样本卡片图像作为卡号识别模型的输入，将所述样本卡片图像中的样本卡号作为所述卡号识别模型的监督图像，根据所述卡号识别模型的输出图像和所述监督图像，训练所述卡号识别模型的模型参数，直至得到训练好的卡号识别模型；其中，所述卡号识别模型用于基于输入的待识别卡片图像输出所述待识别卡片图像中的目标卡号。
16.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至9任一项所述的图像生成模型的训练方法的步骤。
17.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至9任一项所述的图像生成模型的训练方法的步骤。
18.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求10至13任一项所述的卡号识别模型的训练方法的步骤。
19.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求10至13任一项所述的卡号识别模型的训练方法的步骤。
CN202010507413.4A 2020-06-05 2020-06-05 一种图像生成模型、卡号识别模型的训练方法及装置 Active CN111861952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010507413.4A CN111861952B (zh) 2020-06-05 2020-06-05 一种图像生成模型、卡号识别模型的训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010507413.4A CN111861952B (zh) 2020-06-05 2020-06-05 一种图像生成模型、卡号识别模型的训练方法及装置

Publications (2)

Publication Number Publication Date
CN111861952A CN111861952A (zh) 2020-10-30
CN111861952B true CN111861952B (zh) 2023-11-24

Family

ID=72986065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010507413.4A Active CN111861952B (zh) 2020-06-05 2020-06-05 一种图像生成模型、卡号识别模型的训练方法及装置

Country Status (1)

Country Link
CN (1) CN111861952B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528998B (zh) * 2021-02-18 2021-06-01 成都新希望金融信息有限公司 证件图像处理方法、装置、电子设备及可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019237846A1 (zh) * 2018-06-11 2019-12-19 腾讯科技（深圳）有限公司 图像处理方法、人脸识别方法、装置和计算机设备
CN110766026A (zh) * 2019-10-11 2020-02-07 上海上湖信息技术有限公司 一种快速识别卡号的方法及装置、模型训练方法及装置
JP2020035380A (ja) * 2018-08-31 2020-03-05 株式会社小松製作所 画像処理システム、表示装置、画像処理方法、学習済みモデルの生成方法、および学習用データセット

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019237846A1 (zh) * 2018-06-11 2019-12-19 腾讯科技（深圳）有限公司 图像处理方法、人脸识别方法、装置和计算机设备
JP2020035380A (ja) * 2018-08-31 2020-03-05 株式会社小松製作所 画像処理システム、表示装置、画像処理方法、学習済みモデルの生成方法、および学習用データセット
CN110766026A (zh) * 2019-10-11 2020-02-07 上海上湖信息技术有限公司 一种快速识别卡号的方法及装置、模型训练方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于CNN的银行卡数字识别方法;李尚林;王鲁达;刘东;;图学学报(01);全文 *

Also Published As

Publication number Publication date
CN111861952A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
US20210027081A1 (en) Method and device for liveness detection, and storage medium
CN111539484B (zh) 训练神经网络的方法及装置
CN111415336B (zh) 一种图像篡改识别方法、装置、服务器及存储介质
CN111951154B (zh) 包含背景和介质的图片的生成方法及装置
CN111143813B (zh) 一种验证问题的生成方法、验证方法及装置
CN109934229A (zh) 图像处理方法、装置、介质和计算设备
CN111861952B (zh) 一种图像生成模型、卡号识别模型的训练方法及装置
CN108154103A (zh) 检测推广信息显著性的方法、装置、设备和计算机存储介质
CN109741391A (zh) 路面积水深度的检测方法、装置和存储介质
CN113239910B (zh) 证件识别方法、装置、设备及存储介质
CN111444808A (zh) 基于图像的事故定责方法、装置、计算机设备和存储介质
CN110249329A (zh) 防止网络漫画擅自复制及被复制网络漫画追踪系统、方法及程序
CN115880695A (zh) 卡证的识别方法、卡证识别模型的训练方法及电子设备
JP2023543964A (ja) 画像処理方法、画像処理装置、電子機器、記憶媒体およびコンピュータプログラム
CN108648189A (zh) 图像模糊检测方法、装置、计算设备及可读存储介质
CN114913338A (zh) 分割模型的训练方法及装置、图像识别方法及装置
US11611733B2 (en) Cross-view image optimizing method, apparatus, computer equipment, and readable storage medium
CN110688878B (zh) 活体识别检测方法、装置、介质及电子设备
CN111192150B (zh) 车辆出险代理业务的处理方法、装置、设备及存储介质
CN115408710A (zh) 一种图像脱敏方法和相关装置
CN114863482A (zh) 图像处理方法、装置、电子设备以及存储介质
CN114612989A (zh) 人脸识别数据集的生成方法及装置、电子设备及存储介质
KR20150094108A (ko) 배경 영상의 위치를 이용한 관심맵 생성 방법 및 이를 기록한 기록 매체
CN113269064A (zh) 一种乘车方法和装置
CN110717124B (zh) 用于实现像素页面的像素占领的方法及装置

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