CN111899270B - 卡片边框检测方法、装置、设备及可读存储介质 - Google Patents

Abstract

本发明涉及人工智能，提供一种卡片边框检测方法、装置、设备及可读存储介质，所述方法包括：获取到原始卡片图像后进行预处理，然后通过检测模型获取卡片的边框直线参数，再基于边框直线参数进行分段直接检测和拟合的后处理，得到图像中的卡片边框。此外，本发明还涉及区块链技术，原始卡片图像和/卡片边框可存储于区块链中。本发明通过图像边缘检测的方式检测得到卡片的边框，有利于避免在复杂背景或边缘模糊情况下误判的情况，提高了卡片边框检测的准确性，为后续卡片信息的提取等处理提供了方便。

Description

卡片边框检测方法、装置、设备及可读存储介质

技术领域

本发明涉及图像处理领域，尤其涉及一种卡片边框检测方法、装置、设备及可读存储介质。

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。其中各种卡片的边框(边缘)检测算法是卡片识别算法中很重要的一环。现有的卡片边框检测算法，主要是设置各种条件过滤掉一些边缘信息，得到卡片边框，这种方法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

本发明的主要目的在于提供一种卡片边缘检测方法、装置、设备及可读存储介质，旨在解决现有的卡片边框检测准确性差的技术问题。

为实现上述目的，本发明实施例提供一种卡片边框检测方法，所述卡片边框检测方法包括：

获取原始卡片图像，并对所述原始卡片图像进行预处理，得到待识别图像；

将所述待识别图像输入至预设检测模型，通过所述预设检测模型提取得到对应的图像特征信息，并根据所述图像特征信息计算得到边框直线参数；

根据所述边框直线参数获取所述原始卡片图像的检测边框直线，并根据所述检测边框直线在所述原始卡片图像中分别截取卡片各边的边缘区域；

对各边的边缘区域进行切割，得到各边的切割区域，并对各切割区域进行直线检测，得到各切割区域的区域有效直线；

根据同边的有效直线得到同边的边缘区域顶点，并对同边的边缘区域顶点进行拟合，得到对应的边框拟合直线；

组合各边对应的边框拟合直线，得到卡片边框。

此外，为实现上述目的，本发明实施例还提供一种卡片边框检测装置，所述卡片边框检测装置包括：

图像获取模块，用于获取原始卡片图像，并对所述原始卡片图像进行预处理，得到待识别图像；

模型输入模块，用于将所述待识别图像输入至预设检测模型，通过所述预设检测模型提取得到对应的图像特征信息，并根据所述图像特征信息计算得到边框直线参数；

区域截取模块，用于根据所述边框直线参数获取所述原始卡片图像的检测边框直线，并根据所述检测边框直线在所述原始卡片图像中分别截取卡片各边的边缘区域；

直线检测模块，用于对各边的边缘区域进行切割，得到各边的切割区域，并对各切割区域进行直线检测，得到各切割区域的区域有效直线；

直线拟合模块，用于根据同边的有效直线得到同边的边缘区域顶点，并对同边的边缘区域顶点进行拟合，得到对应的边框拟合直线；

直线组合模块，用于组合各边对应的边框拟合直线，得到卡片边框。

此外，为实现上述目的，本发明实施例还提供一种卡片边框检测设备，所述卡片边框检测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的卡片边框检测方法的步骤。

此外，为实现上述目的，本发明实施例还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上述的卡片边框检测方法的步骤。

本发明实施例获取到原始卡片图像后进行预处理，然后通过检测模型获取卡片的边框直线参数，再基于边框直线参数进行分段直接检测和拟合的后处理，得到图像中的卡片边框，从而通过图像边缘检测的方式检测得到卡片的边框，有利于避免在复杂背景或边缘模糊情况下误判的情况，提高了卡片边框检测的准确性，为后续卡片信息的提取等处理提供了方便。

附图说明

图1为本发明实施例方案中涉及的卡片边框检测设备的硬件结构示意图；

图2为本发明卡片边框检测方法第一实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例涉及的卡片边框检测方法主要应用于卡片边框检测设备，该卡片边框检测设备可以是手机、平板电脑、个人计算机(personal computer，PC)、笔记本电脑、服务器等具有数据处理功能的设备。

参照图1，图1为本发明实施例方案中涉及的卡片边框检测设备的硬件结构示意图。本发明实施例中，该卡片边框检测设备可以包括处理器1001(例如中央处理器CentralProcessing Unit，CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity，WI-FI接口)；存储器1005可以是高速随机存取存储器(random access memory，RAM)，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

继续参照图1，图1中作为一种计算机可读存储介质的存储器1005可以包括操作系统、网络通信模块以及计算机程序。在图1中，网络通信模块可用于连接预设数据库，与数据库进行数据通信；而处理器1001可以调用存储器1005中存储的计算机程序，并执行本发明实施例提供的卡片边框检测方法。

基于上述的硬件架构，提出本发明卡片边框检测方法的各实施例。

本发明实施例提供了一种卡片边框检测方法。

参照图2，图2为本发明卡片边框检测方法第一实施例的流程示意图。

本实施例中，所述卡片边框检测方法包括以下步骤：

步骤S10，获取原始卡片图像，并对所述原始卡片图像进行预处理，得到待识别图像；

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。其中各种卡片的边框(边缘)检测算法是卡片识别算法中很重要的一环。现有的卡片边框检测算法，主要是设置各种条件过滤掉一些边缘信息，得到卡片边框，这种方法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。对此，本实施例提出一种卡片边框检测方法，获取到原始卡片图像后进行预处理，然后通过检测模型获取卡片的边框直线参数，再基于边框直线参数进行分段直接检测和拟合的后处理，得到图像中的卡片边框，从而通过图像边缘检测的方式检测得到卡片的边框，有利于避免在复杂背景或边缘模糊情况下误判的情况，提高了卡片边框检测的准确性，为后续卡片信息的提取等处理提供了方便。

本实施例中的卡片边缘检测方法是由卡片边缘检测设备实现的，该卡片边框检测设备可以是手机、平板电脑、个人计算机、服务器等设备，本实施例中以手机为例进行说明。本实施例在进行检查前，首先将获取(构建)一个用以从图形中进行检测出卡片轮廓的网络模型，该模型可称为检测模型。本实施例的检测模型是基于deeplab v3模型改进而来；原始的deeplab v3模型比较大，对于数据处理(从输入到输出)的过程需要花费一定的时间、且对硬件性能具有较高要求，而本实施例是通过手机进行检测，因此对deeplab v3模型进行了改进，得到检测模型。检测模型包括编解码器和运算器，其中编解码器又包括编码器和解码器。当然，在构建检测模型时，需要通过一定数量的图像样本进行训练，以得到符合一定要求的检测模型。

在得到检测模型时，手机可先获取将要检测的原始卡片图像，该原始卡片图像，可以是手机调用摄像头拍摄得到，也可以是从网络上下载或从其它终端传输得到的；当然该原始卡片图像中包括有卡片。手机获取到原始卡片图像时，首先将会对原始卡片图像进行预处理，以使得原始卡片图像满足检测模型的输入要求，同时也有利于提高检测模型的处理效率，降低手机的性能压力。

进一步的，所述步骤S10包括：

步骤S11，通过摄像头获取RGB彩色原始卡片图像，并对RGB彩色原始卡片图像进行缩放，得到预设尺寸的缩放图像；

本实施例中的原始卡片图像可以是手机通过摄像头拍摄得到的，拍摄得到的图像可以是RGB彩色形式的原始卡片图像。对于该拍摄得到的RGB彩色原始卡片图像，用户在进行拍摄时不一定是按照检测模型要求的输入尺寸要求来拍摄的，因此需要对RGB彩色原始卡片图像进行缩放，得到预设尺寸的缩放图像。例如，将RGB彩色原始卡片图像缩小(或放大)或128*256尺寸的缩放图像。

步骤S12，降低所述缩放图像的像素值，得到待识别图像。

在得到缩放图像后，还将对缩放图像的像素值进行调整，降低缩放图像的像素值，得到待识别图像，以便后期进行图像处理，具体降低的方式可以是用缩放图像的像素值除以255，得到新的像素值；当然还可以是采用二值化的处理等。通过上述方式，可通过手机拍摄的方式获取到原始卡片图像，并对原始卡片图像进行缩放和降低像素的预处理，以使得原始卡片图像满足检测模型的输入要求，以便后期进行图像处理，降低手机的性能压力。

步骤S20，将所述待识别图像输入至预设检测模型，通过所述预设检测模型提取得到对应的图像特征信息，并根据所述图像特征信息计算得到边框直线参数；

本实施例中，在得到待识别图像时，即可将待识别图像输入至检测模型，通过检测模型提取得到对应的图像特征信息，特征提取的过程，可以包括对待识别图像的卷积、池化等处理，以从待识别图像中提取出能够表示图像特征的图像特征信息。在得到图像特征信息时，将根据图像特征信息计算得到边框直线参数，该边框直线参数用以描述图像中卡片边框的轮廓信息，例如可以是卡片边框直线表达式、卡片的顶点坐标、卡片所在区域的位置信息等。

相应的，所述预设检测模型包括编解码器和运算器，所述步骤S20包括：

步骤S21，将所述待识别图像输入至预设检测模型，通过编解码器对待识别图像进行特征提取，得到卡片各边的特征图像；

本实施例中的检测模型包括编解码器和运算器，编解码器又包括编码器(Encoder)和解码器(Decoder)，所述图像特征特征信息可以是特征图像的形式。具体的，Encoder可以采用shufflenet_0.5网络，shufflenet是一种轻量级的网络模型，包括分组卷积部分和通道混淆部分，用以对图像进行图像特征的提取；由于本实施例是应用于手机，而手机的处理性能具有一定的限制，为了提高处理效率，降低手机的性能压力，本实施例是对shufflenet进行了缩减，将宽度设置原来的0.5倍，也即得到shufflenet_0.5，从而减少了数据处理量；待识别图像通过编码器进行编码后，得到的一次特征图像与待识别图像相比，其大小具有一定的缩减，例如待识别图像是128*256尺寸，而一次特征图像为32*64尺寸。而Decoder是基于deeplab v3模型实现的，在deeplab v3模型的ASPP(核心模块)中，包括有五个branch，本实施例的decoder可以是只取其中的2个branch，以减少数据处理量；在得到一次特征图像后，将通过Decoder对一次特征图像进行变换)包括卷积和池化等处理)，从而得到对应的特征图像(feature map)；feature map与一次图像相比，其大小具有一定的放大，例如一次特征图像是32*64尺寸，而特征图像是128*256尺寸。

步骤S22，通过运算器对所述特征图像进行加权最小二乘运算，得到对应的边框直线参数。

本实施例中，在得到feature map时，可通过运算器对feature map进行加权最小二乘运算(Weighted_least_squares)，从而对feature map进行分析，得到该特征图像对应的边框直线参数，本实施例中，该边框直线参数用以描述图像中卡片边框的轮廓信息。其中，由于卡片是具有四条边框，为了提高分析的准确性，对于提取得到特征图像时，可以是对每条边框输出对应的feature map，然后对每个feature map分别进行加权最小二乘运算，得到对应的边框直线参数。具体的，对于每个feature map，可先以某一点为坐标原点建立坐标系，例如feature map的中心，然后确定feature map各特征点的特征坐标，并建立对应的方程组：W*[y_map，1]＝A*W*x_map；在该方程组中，W表示预设特征值，x_map为x轴坐标的特征值，y_map为y轴坐标的特征值，A表示边框直线参数(矩阵或集合的方式，如直线y＝ax+b中的a和b)；通过求解根据上述方程组，可得到A＝inv(T(WY)*WY)*(T(WY)*WX)，其中T(WY)为WY的转置，inv(T(WY)*WY)为(T(WY)*WY)的逆。

通过上述方式，手机可对待识别图像进行分析，得到边框直线参数时，以根据边框直线参数粗略确定卡片边框的位置，并获取到原始卡片图像中的检测边框直线；此外，由于检测模型是端到端的模型，因此还有利于提高检测的精度。

步骤S30，根据所述边框直线参数获取所述原始卡片图像的检测边框直线，并根据所述检测边框直线在所述原始卡片图像中分别截取卡片各边的边缘区域；

本实施例中，在得到边框直线参数时，手机即可根据边框直线参数粗略确定卡片边框的位置，并获取到原始卡片图像中的检测边框直线。值得说明的是，本实施例中的检测边框直线根据卡片边框的大致位置获取的，为了进一步提高边框检测的准确性，本实施例后续将根据检测边框直线进行进一步的分析，以更准确地定位卡片边框。在得到检测边框直线时，可以基于检测边框直线在所述原始卡片图像中分别截取卡片各边的边缘区域，例如，以检测边框直线为基线，分别向线的两侧平移一段距离，得到边缘区域；可以认为，卡片各边的实际即是位于在边缘区域中。当然，在获取边缘区域时，是每条检测边框直线分别获取对应的边缘区域，而一张卡片通常是矩形的，具有四条边，也即是有四条检测边框直线，进而是获取到四个边缘区域。

步骤S40，对各边的边缘区域进行切割，得到各边的切割区域，并对各切割区域进行直线检测，得到各切割区域的区域有效直线；

本实施例中，在得到各边的边缘区域时，对于每一个边缘区域，可分别进行横向切割，得到若干个切割区域。由于卡片各边的实际位于在边缘区域中，那么在对边缘区域切割时，也可认为是对卡片边框所在的直线进行了切割，得到若干段直线(线段)；然后，可分别对这些切割区域进行直线检测，得到各切割区域的区域有效直线。其中，在进行直线检测时，可以根据实际需要选取合适的算法进行，例如可以是基于霍夫(Hough)变换进行检测，具体的，可将图像(区域)上的点变换到一组参数空间上，根据参数空间点的累计结果找到一个极大值对应的解，那么这个解就对应着要直线的在预设坐标下对应的斜率k与常数b，从而检测到该点；当然还可以是基于LSD快速直线检测算法等方式进行直线检测。

步骤S50，根据同边的有效直线得到同边的边缘区域顶点，并对同边的边缘区域顶点进行拟合，得到对应的边框拟合直线；

本实施例中，在得到各切割区域的区域有效直线时，每个切割区域的区域有效直线与区域边缘相交都将形成两个边缘区域顶点；若一个边的边缘区域被切割为x(x＞1)个切割区域，则该边的边缘区域共对应了2x个边缘区域顶点。对于每一个边缘区域，可分别对边缘区域顶点进行拟合，从而得到对应的边框拟合直线。由于有4个边缘区域，因此将得到4个边框拟合直线。

步骤S60，组合各边对应的边框拟合直线，得到卡片边框。

本实施例中，当得到各边框拟合直线时，即可组合各边框拟合直线，从而得到一个闭合的边框，该边框即为卡片边框。

进一步的，当得到卡片边框时，可基于该卡片边框对边框内的卡片图像进行识别，进而获取的卡片信息，例如，可通过OCR(Optical Character Recognition，光学字符识别)模块对该卡片图像中的每个单字符图像进行识别，其中，在该OCR模块可以通过CNN(Convolutional Neural Networks，卷积神经网络)等技术对该单字符图像进行分类识别。如此，即实现了对该卡片中的卡片信息进行识别。通过光学字符识别算法对所述卡片边框内的卡片图像进行识别，获得所述卡片图像中的字符信息，使得用户不需要主动地输入卡片信息，减少了用户的操作。

需要强调的是，为进一步保证上述原始卡片图像和/卡片的私密和安全性，上述的原始卡片图像和/卡片边框对应的边框位置信息还可以存储于一区块链的节点中。当然，在得到卡片信息时，卡片信息也可以是存储于一区块链的节点中。

本实施例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本实施例获取原始卡片图像，并对所述原始卡片图像进行预处理，得到待识别图像；将所述待识别图像输入至预设检测模型，通过所述预设检测模型提取得到对应的图像特征信息，并根据所述图像特征信息计算得到边框直线参数；根据所述边框直线参数获取所述原始卡片图像的检测边框直线，并根据所述检测边框直线在所述原始卡片图像中分别截取卡片各边的边缘区域；对各边的边缘区域进行切割，得到各边的切割区域，并对各切割区域进行直线检测，得到各切割区域的区域有效直线；根据同边的有效直线得到同边的边缘区域顶点，并对同边的边缘区域顶点进行拟合，得到对应的边框拟合直线；组合各边对应的边框拟合直线，得到卡片边框。通过以上方式，本实施例获取到原始卡片图像后进行预处理，然后通过检测模型获取卡片的边框直线参数，再基于边框直线参数进行分段直接检测和拟合的后处理，得到图像中的卡片边框，从而通过图像边缘检测的方式检测得到卡片的边框，有利于避免在复杂背景或边缘模糊情况下误判的情况，提高了卡片边框检测的准确性，为后续卡片信息的提取等处理提供了方便。

基于上述卡片边框检测方法第一实施例，提出本申请卡片边框检测方法第二实施例。

本实施例中，所述步骤S40包括：

步骤S41，分别对各边的边缘区域进行边缘检测，得到各边的边缘轮廓；

本实施例中，在得到各边的边缘区域时，对于每个边缘区域进行边缘检测，得到各边的边缘轮廓；该边缘检测可以是基于sobel算子的方式实现的。Sobel算子包括横向及纵向两组矩阵，将之与边缘区域(图像)做平面卷积，可分别得到横向及纵向的亮度差分近似值，然后再基于某点亮度差分近似值计算梯度，若梯度大于某一阈值，则该点为边缘点。当然，为了减少运算量和内置函数所用的空间，可以是将所有的边缘区域变换为同一方向，然后仅用一个算子来检测边缘轮廓(例如通过横向的算子来检测竖向的边框轮廓)。

步骤S42，对各边的边缘区域进行切割，得到各边的切割区域；

本实施例中，在得到边缘轮廓后，对于每一个边缘区域，可分别进行横向切割，得到若干个切割区域。值得说明的是，本实施例中是先进行边缘检测，再进行分割；实际中也可以是先切割，再进行边缘检测。

步骤S43，通过大津法和所述边缘轮廓确定各切割区域的灰度阈值，并根据所述灰度阈值对各切割区域进行二值化处理；

在得到各切割区域后，将通过大津法(OTSU)和各边缘区域的边缘轮廓确定各切割区域的灰度阈值，该灰度阈值可认为是前景与背景的分割阈值。具体的，对于一个切割区域，假设前景的像素点数占切割区域的比例为w0，前景的像素点的平均灰度u0，背景的像素点数占切割区域的比例为w1，前景的像素点的平均灰度u1，类间方差为g，则有

g＝w0*w1*(μ0-μ1)2

可采用遍历的方法不断变换w0、u0、w1、u1，当g最大时，g即为灰度阈值。而当得到灰度阈值时，即可根据该灰度阈值对切割区域进行二值化处理，将切割区域分为白和灰(或黑)两种区域。

步骤S44，对二值化的各切割区域分别进行直线检测，得到各切割区域的区域有效直线。

在进行二值化后，可分别对各切割区域分别进行直线检测，得到各切割区域的区域有效直线。值得说明的是，有的切割区域，可能会检测到多条直线，这有可能是卡片背景复杂或其它干扰因素导致，此时需要从中选取一条作为该切割区域的区域有效直线。具体的，若某一切割区域在进行直线检测后，该区域检测得到的区域直线数量大于一，则该切割区域可记为目标切割区域；此时，对于该目标切割区域的每一条区域直线，可先确定其与目标切割区域边缘所围成灰度区域，并确定各灰度区域的面积；背景或干扰因素与卡片重叠时，一般导致检测到的卡片面积与实际避免相比偏大，因此可选出灰度区域面积最小的灰度区域(即认为最小面积的边才是卡片的实际边)，并将该灰度区域所对应的区域直线确定为区域有效直线。

通过以上方式，本实施例可在各切割区域中得到对应区域有效直线，从而便于后续根据多个区域有效直线拟合得到对应的边框拟合直线，提高了卡片边框检测的准确性。

基于上述卡片边框检测方法第一或第二实施例，提出本申请卡片边框检测方法第三实施例。

本实施例中，所述步骤S50包括：

步骤S51，从同边的边缘区域顶点中随机选取两个测试点以构建测试线，并计算同边的各边缘区域顶点到所述测试线的测试距离；

本实施例在得到各切割区域的区域有效直线时，每个切割区域的区域有效直线与区域边缘相交都将形成两个边缘区域顶点；若一个边的边缘区域被切割为x(x＞1)个切割区域，则该边的边缘区域共对应了2x个边缘区域顶点。对于每一个边缘区域，可分别对边缘区域顶点进行拟合，从而得到对应的边框拟合直线。本实施例的直线拟合，将采用ransac直线拟合的方式，有利于提高抗噪能力，降低卡片图像复杂背景或其它干扰因素对边框识别带来的不利影响。由于卡片是有四个边，因此在拟合时，是分别对各边缘区域的边缘区域顶点进行拟合，以下以其中一个边为例进行说明。对于边缘区域顶点所组成的点击，首先可随机取两个测试点构建对应测试线，然后分别计算其它边缘区域顶点到该测试线的测试距离。

步骤S52，确定测试距离小于距离阈值的边缘区域顶点，并根据测试距离小于距离阈值的边缘区域顶点得到测试点集；

当得到其它边缘区域顶点倒该测试线的测试距离时，将进一步确定测试距离小于距离阈值的边缘区域顶点，这些点可组成一个测试点集，并记录该测试点集中包括的测试点数量。

步骤S53，重复执行上述步骤，直至得到n个测试点集，n为大于1的正整数；

重复上述S51和S52步骤(也即重新选取测试点并构建直线，然后获取测试点集)，直至得到n个测试点集，n为大于1的正整数。

步骤S54，确定各测试点集中的测试点数量，并将测试点数量最多的测试点集确定为目标点集；

当得到n个测试点集时，可分别确定各测试点集中的测试点数量，并将测试点数量最多的测试点集确定为目标点集。

步骤S55，根据目标点集的测试点进行直线拟合，得到对应的边框拟合直线。

在得到目标点集时，可基于目标点集的测试点进行直线拟合，得到对应的边框拟合直线。而对于不属于目标点集的边缘区域顶点，则可以认为是噪声数据。

通过以上方式，本实施例采用ransac直线拟合的方式，有利于提高抗噪能力，降低卡片图像复杂背景或其它干扰因素对边框识别带来的不利影响。

此外，本发明实施例还提供一种卡片边框检测装置。

本实施例中，所述卡片边框检测装置包括：

图像获取模块10，用于获取原始卡片图像，并对所述原始卡片图像进行预处理，得到待识别图像；

模型输入模块20，用于将所述待识别图像输入至预设检测模型，通过所述预设检测模型提取得到对应的图像特征信息，并根据所述图像特征信息计算得到边框直线参数；

区域截取模块30，用于根据所述边框直线参数获取所述原始卡片图像的检测边框直线，并根据所述检测边框直线在所述原始卡片图像中分别截取卡片各边的边缘区域；

直线检测模块40，用于对各边的边缘区域进行切割，得到各边的切割区域，并对各切割区域进行直线检测，得到各切割区域的区域有效直线；

直线拟合模块50，用于根据同边的有效直线得到同边的边缘区域顶点，并对同边的边缘区域顶点进行拟合，得到对应的边框拟合直线；

直线组合模块60，用于组合各边对应的边框拟合直线，得到卡片边框。

其中，上述卡片边框检测装置的各虚拟功能模块存储于图1所示卡片边框检测设备的存储器1005中，用于实现计算机程序的所有功能；各模块被处理器1001执行时，可实现卡片边框检测的功能。

进一步的，所述图像获取模块10包括：

图像缩放单元，用于通过摄像头获取RGB彩色原始卡片图像，并对RGB彩色原始卡片图像进行缩放，得到预设尺寸的缩放图像；

像素降低单元，用于降低所述缩放图像的像素值，得到待识别图像。

进一步的，所述预设检测模型包括编解码器和运算器，所述模型输入模块20包括：

特征提取单元，用于将所述待识别图像输入至预设检测模型，通过编解码器对待识别图像进行特征提取，得到卡片各边的特征图像；

加权运算单元，用于通过运算器对所述特征图像进行加权最小二乘运算，得到对应的边框直线参数。

进一步的，所述加权运算单元，具体用于根据所述特征图像建立直角坐标系，根据所述直角坐标系获取所述特征图像中各特征点的特征点坐标；根据各所述特征点的特征点坐标建立方程组，求解所述方程组获得所述原始卡片图像的边框直线参数。

进一步的，所述直线检测模块40包括：

边缘检测单元，用于分别对各边的边缘区域进行边缘检测，得到各边的边缘轮廓；

边缘切割单元，用于对各边的边缘区域进行切割，得到各边的切割区域；

二值处理单元，用于通过大津法和所述边缘轮廓确定各切割区域的灰度阈值，并根据所述灰度阈值对各切割区域进行二值化处理；

直线检测单元，用于对二值化的各切割区域分别进行直线检测，得到各切割区域的区域有效直线。

进一步的，所述直线检测单元，具体用于对二值化的各切割区域分别进行直线检测，得到各切割区域的区域直线；若存在区域直线数大于一的目标切割区域，则获取目标切割区域中各区域直线分别围成的灰度区域面积；将面积最小的灰度区域面积对应的区域直线确定为目标切割区域的区域有效直线。

进一步的，所述直线拟合模块50，包括：

点集获取单元，用于从同边的边缘区域顶点中随机选取两个测试点以构建测试线，并计算同边的各边缘区域顶点到所述测试线的测试距离；确定测试距离小于距离阈值的边缘区域顶点，并根据测试距离小于距离阈值的边缘区域顶点得到测试点集；重复执行上述步骤，直至得到n个测试点集，n为大于1的正整数；

目标确定单元，用于确定各测试点集中的测试点数量，并将测试点数量最多的测试点集确定为目标点集；

直线拟合单元，用于根据目标点集的测试点进行直线拟合，得到对应的边框拟合直线。

其中，上述卡片边框检测装置中各个模块的功能实现与上述卡片边框检测方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。

此外，本发明实施例还提供一种计算机可读存储介质。

本发明计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上述的卡片边框检测方法的步骤。

其中，计算机程序被执行时所实现的方法可参照本发明卡片边框检测方法的各个实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种卡片边框检测方法，其特征在于，所述卡片边框检测方法包括：

获取原始卡片图像，并对所述原始卡片图像进行预处理，得到待识别图像；

将所述待识别图像输入至预设检测模型，通过所述预设检测模型提取得到对应的图像特征信息，并根据所述图像特征信息计算得到边框直线参数；

根据所述边框直线参数获取所述原始卡片图像的检测边框直线，并根据所述检测边框直线在所述原始卡片图像中分别截取卡片各边的边缘区域；

对各边的边缘区域进行切割，得到各边的切割区域，并对各切割区域进行直线检测，得到各切割区域的区域有效直线；

根据同边的有效直线得到同边的边缘区域顶点，并对同边的边缘区域顶点进行拟合，得到对应的边框拟合直线；

组合各边对应的边框拟合直线，得到卡片边框；

所述预设检测模型包括编解码器和运算器；所述将所述待识别图像输入至预设检测模型，通过所述预设检测模型提取得到对应的图像特征信息，并根据所述图像特征信息计算得到边框直线参数的步骤包括：

将所述待识别图像输入至预设检测模型，通过编解码器对待识别图像进行特征提取，得到卡片各边的特征图像；

根据所述特征图像建立直角坐标系，根据所述直角坐标系获取所述特征图像中各特征点的特征点坐标；

根据各特征点的特征点坐标建立方程组，求解所述方程组获得所述原始卡片图像的边框直线参数；

所述对各边的边缘区域进行切割，得到各边的切割区域，并对各切割区域进行直线检测，得到各切割区域的区域有效直线的步骤包括：

分别对各边的边缘区域进行边缘检测，得到各边的边缘轮廓；

对各边的边缘区域进行切割，得到各边的切割区域；

通过大津法和所述边缘轮廓确定各切割区域的灰度阈值，并根据所述灰度阈值对各切割区域进行二值化处理；

对二值化的各切割区域分别进行直线检测，得到各切割区域的区域有效直线。

2.如权利要求1所述的卡片边框检测方法，其特征在于，所述对二值化的各切割区域分别进行直线检测，得到各切割区域的区域有效直线的步骤包括：

对二值化的各切割区域分别进行直线检测，得到各切割区域的区域直线；

若存在区域直线数大于一的目标切割区域，则获取目标切割区域中各区域直线分别围成的灰度区域面积；

将面积最小的灰度区域面积对应的区域直线确定为目标切割区域的区域有效直线。

3.如权利要求1所述的卡片边框检测方法，其特征在于，所述对同边的边缘区域顶点进行拟合，得到对应的边框拟合直线的步骤包括：

从同边的边缘区域顶点中随机选取两个测试点以构建测试线，并计算同边的各边缘区域顶点到所述测试线的测试距离；

确定测试距离小于距离阈值的边缘区域顶点，并根据测试距离小于距离阈值的边缘区域顶点得到测试点集；

重复执行上述步骤，直至得到n个测试点集，n为大于1的正整数；

确定各测试点集中的测试点数量，并将测试点数量最多的测试点集确定为目标点集；

根据目标点集的测试点进行直线拟合，得到对应的边框拟合直线。

4.如权利要求1所述的卡片边框检测方法，其特征在于，所述原始卡片图像和/或卡片边框对应的边框位置信息存储于区块链中。

5.一种卡片边框检测装置，其特征在于，所述卡片边框检测装置包括：

图像获取模块，用于获取原始卡片图像，并对所述原始卡片图像进行预处理，得到待识别图像；

模型输入模块，用于将所述待识别图像输入至预设检测模型，通过所述预设检测模型提取得到对应的图像特征信息，并根据所述图像特征信息计算得到边框直线参数；

所述模型输入模块，还用于将所述待识别图像输入至预设检测模型，通过编解码器对待识别图像进行特征提取，得到卡片各边的特征图像；根据所述特征图像建立直角坐标系，根据所述直角坐标系获取所述特征图像中各特征点的特征点坐标；根据各特征点的特征点坐标建立方程组，求解所述方程组获得所述原始卡片图像的边框直线参数；

区域截取模块，用于根据所述边框直线参数获取所述原始卡片图像的检测边框直线，并根据所述检测边框直线在所述原始卡片图像中分别截取卡片各边的边缘区域；

直线检测模块，用于对各边的边缘区域进行切割，得到各边的切割区域，并对各切割区域进行直线检测，得到各切割区域的区域有效直线；

所述直线检测模块，还用于分别对各边的边缘区域进行边缘检测，得到各边的边缘轮廓；对各边的边缘区域进行切割，得到各边的切割区域；通过大津法和所述边缘轮廓确定各切割区域的灰度阈值，并根据所述灰度阈值对各切割区域进行二值化处理；对二值化的各切割区域分别进行直线检测，得到各切割区域的区域有效直线；

直线拟合模块，用于根据同边的有效直线得到同边的边缘区域顶点，并对同边的边缘区域顶点进行拟合，得到对应的边框拟合直线；

直线组合模块，用于组合各边对应的边框拟合直线，得到卡片边框。

6.一种卡片边框检测设备，其特征在于，所述卡片边框检测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至4中任一项所述的卡片边框检测方法的步骤。

7.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1至4中任一项所述的卡片边框检测方法的步骤。