CN111950355A - 印章识别方法、装置及电子设备 - Google Patents

Abstract

本公开实施例提供一种印章识别方法、装置及电子设备，属于图像处理技术领域。其中方法包括：获取待识别图片；将所述待识别图片输入训练完成的印章识别模型，检测所述待识别图片中是否包含印章像素；若所述待识别图片中包含印章像素，识别所述待识别图片中所包含的目标印章的形状；根据所述目标印章的形状，确定所述目标印章在所述待识别图片中的位置。通过本公开的方案，将待识别图片输入训练完成的印章识别模型以检测确定包含印章像素，进而根据所包含的印章像素先识别出所包含的目标印章的形状，再根据形状来确定目标印章在待识别图片中的位置，进而快速、准确地定位出图片中的印章，保证即使在复杂场景下也能快速、准确地定位多种类型的印章。

Description

印章识别方法、装置及电子设备

技术领域

本公开涉及图像处理技术领域，尤其涉及一种印章识别方法、装置及电子设备。

背景技术

现有技术大多是关于发票的印章检测，发票的背景比较简单，一般为白色，而且发票印章颜色、形状等特征比较明显，而护照背景有各种图案，背景颜色与有的印章颜色接近，而且护照印章的颜色和种类比较多，一页上可能有多个印章，会有重叠，工作人员随机盖章，造成章的角度0到360度都有，盖章的时候油墨比较淡或者油墨不均匀，造成印章缺失、模糊，护照页没有铺平造成拍照印章变形，造成护照印章检测准确率不高，发票印章检测的方法不能应用在护照印章检测上，而且用传统的图像处理方法，获取印章的固有特征比较困难。

可见，现有的印章识别方案存在识别场景较少、识别准确率较低的技术问题。

发明内容

有鉴于此，本公开实施例提供一种印章识别方法、装置及电子设备，至少部分解决现有技术中存在的问题。

第一方面，本公开实施例提供了一种印章识别方法，包括：

获取待识别图片；

将所述待识别图片输入训练完成的印章识别模型，检测所述待识别图片中是否包含印章像素；

若所述待识别图片中包含印章像素，识别所述待识别图片中所包含的目标印章的形状；

根据所述目标印章的形状，确定所述目标印章在所述待识别图片中的位置。

根据本公开实施例的一种具体实现方式，所述若所述待识别图片中包含印章像素，识别所述待识别图片中所包含的目标印章的形状的步骤，包括：

通过所述印章识别模型提取所述待识别图片的浅层语义特征和深层语义特征；

通过所述印章识别模型对所述浅层语义特征和所述深层语义特征进行融合，构建所述目标印章的多尺度特征；

根据所述目标印章的多尺度特征，识别所述目标印章的形状。

根据本公开实施例的一种具体实现方式，所述获取待识别图片的步骤之前，所述方法还包括：

获取对应不同预设参数的多个基础样本图片，其中，每个所述基础样本图片均包含至少一个印章所在的像素区域，所述预设参数包括颜色参数、形状参数、印章尺寸参数、印章与所述基础样本图片的尺寸比例和印章在所述基础样本图片中的位置中的至少一种；

按照预设规则将全部所述基础样本图片进行旋转，得到对应的升级样本图片；

将所述基础样本图片和所述升级样本图片均输入预先构建的基础卷积神经网络进行学习训练，得到所述印章识别模型。

根据本公开实施例的一种具体实现方式，所述将所述基础样本图片和所述升级样本图片均输入预先构建的基础卷积神经网络进行学习训练的步骤之前，所述方法还包括：

利用3x3卷积核和深度可分离卷积核搭建共享卷积层；

在所述卷积网络架构布局用于提取浅层语义特征的第一滤波器，以及用于提取深层语义特征的第二滤波器；

整合得到所述基础卷积神经网络。

根据本公开实施例的一种具体实现方式，所述3x3卷积核的数量为1个，所述深度可分离卷积核的数量范围为5至10个；和/或，

所述第一滤波器的数量为16个，所述第二滤波器的数量为512个。

根据本公开实施例的一种具体实现方式，所述将所述基础样本图片和所述升级样本图片均输入预先构建的基础卷积神经网络进行学习训练，得到所述印章识别模型的步骤，包括：

将所述基础样本图片和所述升级样本图片输入预先构建的基础卷积神经网络；

根据不同的训练参数对所述卷积神经网络模型进行多次训练，并得到初始识别模型每次训练的损失率，其中，所述训练参数包括学习率和/或者训练轮数；

将所述初始训练模型在训练过程中的损失率最低时对应的模型，作为所述印章识别模型。

根据本公开实施例的一种具体实现方式，所述得到初始识别模型每次训练的损失率的步骤，包括：

统计参与训练的全部样本图片中印章的数量为N个，其中，N为正整数；

计算N个印章在所述样本图片中的实际坐标与所述初始识别模型检测出的估计坐标之间的坐标差值；

将全部所述坐标差值的和除以N，得到所述初始识别模型在每次训练的损失率。

根据本公开实施例的一种具体实现方式，所述根据所述目标印章的形状，确定所述目标印章在所述待识别图片中的位置的步骤之后，所述方法还包括：

根据所述目标印章的形状和位置，定位所述目标印章对应的文本区域；

识别所述文本区域内的文本信息。

第二方面，本公开实施例提供了一种印章识别装置，包括：

获取模块，用于获取待识别图片；

检测模块，用于将所述待识别图片输入训练完成的印章识别模型，检测所述待识别图片中是否包含印章像素；

识别模块，用于若所述待识别图片中包含印章像素，识别所述待识别图片中所包含的目标印章的形状；

确定模块，用于根据所述目标印章的形状，确定所述目标印章在所述待识别图片中的位置。

第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的印章识别方法。

第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的印章识别方法。

第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的印章识别方法。

本公开实施例中的印章识别方案，包括：获取待识别图片；将所述待识别图片输入训练完成的印章识别模型，检测所述待识别图片中是否包含印章像素；若所述待识别图片中包含印章像素，识别所述待识别图片中所包含的目标印章的形状；根据所述目标印章的形状，确定所述目标印章在所述待识别图片中的位置。通过本公开的方案，将待识别图片输入训练完成的印章识别模型以检测是否包含印章像素，进而根据所包含的印章类别先识别出所包含的目标印章的形状，再根据形状来确定目标印章在待识别图片中的位置，进而快速、准确地定位出图片中的印章，本方案中的印章识别模型基于轻量化的网络结构，即使在复杂场景下也能快速、准确地定位多种类型的印章。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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它的附图。

图1为本公开实施例提供的一种印章识别方法的流程示意图；

图2为本公开实施例提供的另一种印章识别方法的部分流程示意图；

图3至图6为本公开实施例提供的印章识别方法所涉及的基础卷积神经网络结构及过程示意图；

图7为本公开实施例提供的一种印章识别装置的结构示意图；

图8为本公开实施例提供的电子设备的示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

本公开实施例提供一种印章识别方法，可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。

参见图1，为本公开实施例提供的一种印章识别方法的流程示意图。如图1所示，所述方法主要包括以下步骤：

S101，获取待识别图片；

本实施例提供的印章识别方法，应用于护照、发票等对应图片上的印章识别场景，尤其是针对护照上印章种类多样、盖章位置和角度多样等导致的印章识别难度较大的场景。

所提供的印章识别方法应用于电子设备，电子设备外接或者内置图像采集装置，这样，在进行印章识别时，电子设备预先通过图像采集装置获取待识别的印章所在的图片，定义为待识别图片。在具体实施时，可以在持护照进行身份验证的通道前设置图像采集装置，用户将护照内待识别的印章所在页贴合到图像采集装置的图像采集端口，采集护照页图片，作为后续印章识别验证所依据的待识别图片。需要说明的是，该待识别图片中可能包含至少一个印章所在的像素区域，当然也可能不包含印章所在像素区域。

S102，将所述待识别图片输入训练完成的印章识别模型，检测所述待识别图片中是否包含印章像素；

在获取待识别图片之后，为避免不必要的印章识别流程，先判断该待识别图片中是否包含印章。电子设备内预先加载好训练完成的印章识别模型，该印章识别模型可以检测所输入的图片中是否包含印章像素，并对印章进行定位识别。

将该待识别图片输入训练完成的印章识别模型之后，即可检测该待识别图片中是否包含印章像素。若检测到待识别图片中包含了至少一个印章对应的印章像素，则可以继续执行后续的印章识别流程，若不包含印章所在的像素区域，则不需要继续执行后续的印章识别流程，避免不必要的计算操作，提高检测效率。

印章识别模型检测待识别图片中印章像素的方式有多种，例如可以根据预设的特征点识别算法，识别是否包含对应印章的特征点。本实施方式中，所使用的训练完成的印章识别模型包括区域候选网络(Region Proposal Net，简称RPN class，进行印章像素识别。当然也可以应用其他判断待识别图片中是否包含印章所在的像素区域的方式，不作限定。

印章识别模型检测待识别图片中的印章像素的结果通常为包含印章像素和不包含像素中的任一种。所检测出来的每块印章像素分别对应一个印章所在像素区域，此像素区域理论上存在一个待识别的印章，定义每个待识别的印章为目标印章。

S103，若所述待识别图片中包含印章像素，识别所述待识别图片中所包含的目标印章的形状；

依据上述步骤检测到待识别图片中包含印章像素之后，即可依据所检测到的印章像素，识别该印章像素区域的目标印章的形状，具体为矩形印章、圆形印章或是其他形状的印章。

电子设备可以根据特征点识别的方式来检测目标印章的全部特征点，再根据所检测到的全部特征点来识别目标印章的形状。具体进行印章形状识别时，通过印章识别模型来识别目标印章的形状。

S104，根据所述目标印章的形状，确定所述目标印章在所述待识别图片中的位置。

依据上述步骤确定待识别的目标印章的形状后，即可查找待识别图片中对应该形状的像素特征点，进而确定根据像素特征点在该待识别图片中的位置，来确定目标印章在该待识别图片中的位置，尤其是该目标印章的边缘轮廓在该待识别图片中的具体位置。

根据本公开实施例的一种具体实现方式，上述获取所述待识别图片中所包含的目标印章的形状的步骤，可以包括：

通过所述印章识别模型提取所述待识别图片的浅层语义特征和深层语义特征；

对所述浅层语义特征和所述深层语义特征进行融合，构建所述目标印章的多尺度特征；

根据所述目标印章的多尺度特征，识别所述目标印章的形状。

本实施方式中，利用预设的印章识别模型检测目标印章的形状和位置的过程为，在将该待识别的图片输入印章识别模型之后，对所述印章识别模型进行特征提取。特征提取即为通过印章识别模型提取所述待识别图片的浅层语义特征和深层语义特征，再对所提取的浅层语义特征和深层语义特征进行融合，这样既可构建对应该目标印章的多尺度特征，进而依据该多尺度特征来确定目标印章的形状。

需要说明的是，上述体积的浅层语义特征是指位置、轮廓、纹理、颜色等低分辨率特征，可以通过低分辨率的第一滤波器提取得到，而深层语义特征则是指像素通道、细节等高分辨率特征，需要通过高分辨率的第二滤波器提取得到。所综合得到的多尺度特征主要是针对一张待识别图片中存在多个目标印章的情形，而只有一个目标印章的则不存在多尺度特征。多尺度特征包括，印章与背景护照页的尺寸比例，印章长宽的比例。依据多尺度特征确定目标印章的形状则主要是通过四个通道构建对应矩形框的4个顶点，一个通道构建类别信息等。

此外，根据本公开的另一种具体实现方式，所述根据所述目标印章的形状，确定所述目标印章在所述待识别图片中的位置的步骤之后，所述方法还可以包括：

根据所述目标印章的形状和位置，定位所述目标印章对应的文本区域；

识别所述文本区域内的文本信息。

本实施方式中，对印章检测之后的流程作了进一步限定。印章通常包括边缘像素区域和内部文本区域，为了对印章进一步验证，需要结合目标印章的形状和位置，来准确定位目标印章对应的文本区域，进而来识别该文本区域内的文本信息。

例如，可以按照预设边框尺寸直接从目标印章对应的像素区域标记出边框区域，边框区域内的像素区域即为文本区域。或者，还可以训练对应的文本区域定位模型，利用训练好的文本区域定位模型进行文本区域的定位，不作限定。

从所检测的目标印章中定位出具体的文本区域后，即可对该文本区域的文本信息进行识别，进而通过文本信息获取该印章的归属、日期等数据信息。

识别该文本区域内的文本信息的方式可以有多种，例如常规的光学字符识别(Optical Character Recognition，简称OCR)，即电子设备例如扫描仪或数码相机检查图片上的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字。

当然，文本信息的识别方式也可以有其他方式。例如，训练对应文本信息识别的模型，利用训练好的文本区域定位模型进行文本信息识别等，不作限定。

上述本发明实施例提供的印章识别方法，能够利用训练好的印章识别模型先从待识别图片中确定存在印章像素，再分别进行印章形状和位置的识别，这样，可以快速分割出护照等待识别图片中每页里的多枚印章图案。通过确定印章的形状和位置，便于印章信息的提取和分类，能有效提高印章信息的提取效率，方便了印章信息的识别验证。

此外，根据本公开实施例的一种具体实现方式，对上述印章识别过程中所使用的印章识别模型在使用之前的训练过程作了进一步限定。需要说明的是，虽然限定印章识别模型的训练流程在使用印章识别模型进行印章识别的流程之前，但不限定在每次执行印章识别流程之前都必须要进行印章识别模型的训练过程。具体的，如图2所示，所述获取待识别图片的步骤之前，所述方法还可以包括：

S201，获取对应不同预设参数的多个基础样本图片，其中，每个所述基础样本图片均包含至少一个印章所在的像素区域，所述预设参数包括颜色参数、形状参数、印章尺寸参数、印章与所述基础样本图片的尺寸比例和印章在所述基础样本图片中的位置中的至少一种；

在利用基础卷积神经网络进行印章识别模型训练的时候，为提高各种情况下的印章识别效率和准确率，要准备尽可能丰富的基础样本数据，以使得印章识别模型学习训练得到较强的印章识别能力。

考虑到护照页上的印章所在页可能存在多种背景颜色，且不同出入境关口所使用的印章形状可能不同，印章尺寸与所在页的尺寸比例也不同，在准备样本数据时，可以构造各种样式的印章，即在护照背景图片上构造各种颜色、各种形状及尺寸比例的印章数据，如红色三角形、绿色四边形、黑色正六边形等。此外，还可以设置不通尺寸参数的印章，即宽度长度参数不同的印章，以及印章与所在基础样本图片的尺寸比例不同的基础样本图片，印章在所在基础样本图片中的位置不同等多种情况。

为保证样本数据的有效性，所构造的印章数据要尽量接近真实的印章数据，即印章的尺寸相对护照页的尺寸也设置为一个相对固定的尺寸比例。需要说明的是，可以仅采集少量的基础样本图片，通过颜色调整、形状拉伸调整等方式获得较多的样本图片，以实现数据增强。需要说明的是，本申请所涉及的识别过程中，需要先检测图片中是否包含印章像素，在检测到印章像素之后才进行印章形状和位置识别。在准备样本图片进行学习训练时，可以仅准备包含印章像素的样本图片，使得印章识别模型能够学习训练检测出图片中是否包含印章像素的能力，针对未检测到印章像素的样本图片则直接输出不包含印章像素的结果。当然在另一种情况下，也可以同时准备包含印章像素的样本图片和不包含印章像素的样本图片，使得后续的印章识别模型能够对比两类图片来学习训练检测图片中是否包含印章像素的能力，准确检测图片中是否包含印章像素，在确定检测到印章像素之后才继续进行印章识别。

将构造的各种参数的印章数据，作为后续训练的基础样本图片。

S202，按照预设规则将全部所述基础样本图片进行旋转，得到对应的升级样本图片；

此外，考虑到用户持护照进出境时，工作人员盖章角度、护照页放置角度等不统一，护照页上所呈现的印章的角度也多样。为训练模型针对不同角度印章的识别能力，可以加载预设规则，设定旋转方案。例如，可以将全部的基础样本图片均进行预设角度的旋转，进行0度到360度的旋转，每次旋转1度或者其他特定角度即可得到一张新的图片，将每次旋转后的图片作为对应基础样本图片的升级样本图片。

需要说明的是，样本数据中印章的数量一般是越多越好，每个国家至少有出境/入境两种类型，如果每次旋转1度，每种类型可以得到359个印章数据，共计360个。

这样，仅通过少量的基础样本图片，通过旋转等方式实现数据增强，获得大量可用的样本数据。

S203，将所述基础样本图片和所述升级样本图片均输入预先构建的基础卷积神经网络进行学习训练，得到所述印章识别模型。

将上述步骤获得的基础样本图片和升级样本图片均输入到预先构建的基础卷积神经网络进行学习训练，即可得到印章识别模型。卷积神经网络学习样本数据进行训练的过程可以参考常规的模型训练过程，不再赘述。

本实施例中所采用的基础卷积神经网络可以为常规的卷积神经网络，为减少内存占用和运算量，本实施方式还提供了一种简化的印章识别模型，优化样本数据的训练过程和印章识别过程。根据本公开实施例的一种具体实现方式，如图3所示，所述将所述基础样本图片和所述升级样本图片均输入预先构建的基础卷积神经网络进行学习训练的步骤之前，所述方法还可以包括：

利用3x3卷积核和深度可分离卷积核搭建卷积网络架构中间层的共享卷积层；

在所述卷积网络架构的输出层布局用于提取浅层语义特征的第一滤波器，以及用于提取深层语义特征的第二滤波器。

整合得到所述基础卷积神经网络。

可选的，所述3x3卷积核的数量为1个，所述深度可分离卷积核的数量范围为5至10个；和/或，

所述第一滤波器的数量为16个，所述第二滤波器的数量为512个。

具体的，如图3所示，所采用的基础卷积神经网络的共享卷积层相对现有的图像分割网络较少，即采用1个3x3卷积层和9个深度可分离卷积作为共享卷积层，自顶向下进行特征融合，其中深度可分离卷积的数量可以在5-10个之间选择，输出层中用全卷积的实例分割分支的语义信息。

如图3所示，矩形框S1是自顶向下融合高低层特征，既有浅层的位置信息又有高层的语义特征，从而可以判定像素是不是印章以及印章的形状、颜色等。浅层特征可以通过低分辨率的第一滤波器提取，深层特征可以通过高分辨率的第二滤波器提取，第一和第二仅用于区分不同分辨率和的两类滤波器，不限定具体哪一个滤波器。从上到下，分4个阶段，是为了后面分别提取从小到大的各种尺寸的印章。图3中矩形框S2标注的这些参数是滤波器的数量，有多少个滤波器就提取图像中多少个特征，共享卷积部分也就是主干网络BackBone，按照箭头指向，前面层就是浅层，后面层就深层，由浅到深，滤波器的数量不断增加，因为高层提取的特征比较抽象，需要更多数量，可以按照16、32、64、128、256、512逐步增加，具体每层的滤波器数量的设置，跟输入的图片大小也相关，图像的特征是否明显和对应层数相关。在浅层就需要conv 3x3x16，即16个特征来提取位置、轮廓、纹理、颜色等浅层特征，而在深层就需要512个滤波器提取512个特征，来表示高层的语义特征。

如图3所示的矩形框S3对应具体提取印章像素的流程，预先设定好印章的长宽比和相对原有图片的大小比例，利用在4个阶段各自进行向量卷积运算(Convolution，简称conv)，即conv 3x3x128后的特征图上的印章的特征，对应着原有图片的位置，再结合设置的预先设定的对应印章各种大小比例和长宽比的锚框anchor，得到这些anchor对应是印章的概率和印章框4个顶点的位置，如图4所示，即区域候选网络类(Region Proposal Net，简称RPN class)和区域候选网络窗口(Region Proposal Network box，简称RPN box)，RPN处理即可找印章的特征，对应着原有图片的位置，再结合设置的anchor，最终得到感兴趣的区域方案Proposal。比如最终只选择概率从大到小的前100个anchor，从100个anchor中找对应哪个阶段的，也就是FPN特征金字塔特征层选择。此外，S2区域还包括深度卷积处理模块depthwise conv block、上采样卷积处理upsampling conv和最大池化处理Max Pool等操作，不再赘述。

如图3所示的矩形框S4所示，再经过感兴趣区域调整ROI(Region Of InterestAlign，简称ROI Align)，ROI Align要处理的对象是感兴趣区域对应的特征金字塔网络(Feature Pyramid Network，简称FPN)特征层。如图4和图5所示，ROI Align就是把特征图中对应的区域划分成格子区域比如7x7或14x14的，其中格子区域的每个格子的值由邻近的元素值确定。右边ROI Align是划分成7x7的格子区域，左边ROI Align是划分成14x14的格子区域。对右边ROI Align之后就得到的特征图扁平化处理，得到一个一维向量，再通过全连接层映射到分类层和回归层，得到是印章的概率和印章位置的4个顶点。然后再通过分类和回归的结果再筛选一遍FPN特征层，反向找到结果对应的anchor对应的四阶段中的特征图，再进行ROI Align划分14x14的格子区域，即可得到掩码Mask。

在前述实施方式的基础上，所述将所述基础样本图片和所述升级样本图片均输入预先构建的基础卷积神经网络进行学习训练，得到所述印章识别模型的步骤，还可以包括：

将所述基础样本图片和所述升级样本图片输入预先构建的基础卷积神经网络；

根据不同的训练参数对所述卷积神经网络模型进行多次训练，并得到初始识别模型每次训练的损失率，其中，所述训练参数包括学习率和/或者训练轮数；

将所述初始训练模型在训练过程中的损失率最低时对应的模型，作为所述印章识别模型。

为了得到损失率低的印章识别模型，初始的学习率可以设置为0.01，轮数一般为100，第40、80、100轮时学习率设置为之前的0.1倍，也就是学习率阶梯变化0.01，0.001，0.0001，0.00001。

具体的，所述得到初始识别模型每次训练的损失率的步骤，可以包括：

统计参与训练的全部样本图片中印章的数量为N个，其中，N为正整数；

计算N个印章在所述样本图片中的实际坐标与所述初始识别模型检测出的估计坐标之间的坐标差值；

将全部所述坐标差值的和除以N，得到所述初始识别模型在每次训练的损失率。

在采用样本数据集训练网络结构优化的模型后，可以通过调节训练中的学习率、轮数等参数对模型进行多次训练优化，并找到损失率最低适合的模型，作为可以应用于印章识别流程的印章识别模型。其中损失为印章真实位置与模型检测出印章位置的坐标差值和，损失最低为0.0001，损失率是损失的平均值。当章的数量为N个时，将N个印章真实位置与模型检测出印章位置的坐标差值和除以N得到损失率。此处所指的N通常是上千上万的数量级，不做具体限定。

如图6所示，T1指图片，T2指真实印章位置，T3则是指模型预测的印章位置。比如图片大小为100x100，这100就是长宽各100个像素，那印章的一个顶点位置(6，6)是在长宽第6个像素，根据公式一：

得出该像素对应坐标的坐标差值，进而可以取最小外切矩形框的四个顶点，也可以取章的边缘的点，每个印章还可以取多个点。此时根据公式二：

通过样本印章图片的真实位置与模型检测出位置之间的差值计算，逐步缩小损失率，可以使得模型检测出的位置与实际位置趋于一致，提高印章识别的准确率。

综上所述，本公开实施例提供的印章识别方法，根据护照印章特点，进行形状、位置的数据增强，保证覆盖尽可能多的印章类型。网络结构优化，减少共享卷积层数，用1个3x3卷积层和9个深度可分离卷积作为共享卷积层，自顶向下进行特征融合，既有深层的语义特征，又有浅层分辨率的细节特征。输出层中用全卷积的实例分割分支的语义信息，引导印章检测分支模型。将印章定位、印章文本定位、文本识别整合，构建三个图像卷积网络提取印章图像的特征，针对非固定的印章位置、种类、字符类型都能适用，实现自动化的印章信息提取功能。此外，对于新类型护照印章，只需要增加少量数据，通过微调更新模型，就可以保证识别的兼容性，使得该方案具有良好的可扩展性。

与上面的方法实施例相对应，参见图7，本公开实施例还提供了一种印章识别装置70，包括：

获取模块701，用于获取待识别图片；

判断模块702，用于将所述待识别图片输入训练完成的印章识别模型，检测所述待识别图片中是否包含印章像素；

识别模块703，用于若所述待识别图片中包含印章像素，识别所述待识别图片中所包含的目标印章的形状；

确定模块704，用于根据所述目标印章的形状，确定所述目标印章在所述待识别图片中的位置。

图7所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。

参见图8，本公开实施例还提供了一种电子设备80，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的印章识别方法。

本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的印章识别方法。

本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的印章识别方法。

下面参考图8，其示出了适于用来实现本公开实施例的电子设备80的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，电子设备80可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备80操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备80与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备80，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备能够实现上述方法实施例提供的方案。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备能够实现上述方法实施例提供的方案。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。

以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种印章识别方法，其特征在于，所述方法包括：

获取待识别图片；

将所述待识别图片输入训练完成的印章识别模型，检测所述待识别图片中是否包含印章像素；

若所述待识别图片中包含印章像素，识别所述待识别图片中所包含的目标印章的形状；

根据所述目标印章的形状，确定所述目标印章在所述待识别图片中的位置。

2.根据权利要求1所述的方法，其特征在于，所述若所述待识别图片中包含印章像素，识别所述待识别图片中所包含的目标印章的形状的步骤，包括：

通过所述印章识别模型提取所述待识别图片的浅层语义特征和深层语义特征；

通过所述印章识别模型对所述浅层语义特征和所述深层语义特征进行融合，构建所述目标印章的多尺度特征；

根据所述目标印章的多尺度特征，识别所述目标印章的形状。

3.根据权利要求2所述的方法，其特征在于，所述获取待识别图片的步骤之前，所述方法还包括：

获取对应不同预设参数的多个基础样本图片，其中，每个所述基础样本图片均包含至少一个印章所在的像素区域，所述预设参数包括颜色参数、形状参数、印章尺寸参数、印章与所述基础样本图片的尺寸比例和印章在所述基础样本图片中的位置中的至少一种；

按照预设规则将全部所述基础样本图片进行旋转，得到对应的升级样本图片；

将所述基础样本图片和所述升级样本图片均输入预先构建的基础卷积神经网络进行学习训练，得到所述印章识别模型。

4.根据权利要求3所述的方法，其特征在于，所述将所述基础样本图片和所述升级样本图片均输入预先构建的基础卷积神经网络进行学习训练的步骤之前，所述方法还包括：

利用3x3卷积核和深度可分离卷积核搭建共享卷积层；

在所述卷积网络架构布局用于提取浅层语义特征的第一滤波器，以及用于提取深层语义特征的第二滤波器；

整合得到所述基础卷积神经网络。

5.根据权利要求4所述的方法，其特征在于，所述3x3卷积核的数量为1个，所述深度可分离卷积核的数量范围为5至10个；和/或，

所述第一滤波器的数量为16个，所述第二滤波器的数量为512个。

6.根据权利要求3至5中任一项所述的方法，其特征在于，所述将所述基础样本图片和所述升级样本图片均输入预先构建的基础卷积神经网络进行学习训练，得到所述印章识别模型的步骤，包括：

将所述基础样本图片和所述升级样本图片输入预先构建的基础卷积神经网络；

根据不同的训练参数对所述卷积神经网络模型进行多次训练，并得到初始识别模型每次训练的损失率，其中，所述训练参数包括学习率和/或者训练轮数；

将所述初始训练模型在训练过程中的损失率最低时对应的模型，作为所述印章识别模型。

7.根据权利要求6所述的方法，其特征在于，所述得到初始识别模型每次训练的损失率的步骤，包括：

统计参与训练的全部样本图片中印章的数量为N个，其中，N为正整数；

计算N个印章在所述样本图片中的实际坐标与所述初始识别模型检测出的估计坐标之间的坐标差值；

将全部所述坐标差值的和除以N，得到所述初始识别模型在每次训练的损失率。

8.根据权利要求1所述的方法，其特征在于，所述根据所述目标印章的形状，确定所述目标印章在所述待识别图片中的位置的步骤之后，所述方法还包括：

根据所述目标印章的形状和位置，定位所述目标印章对应的文本区域；

识别所述文本区域内的文本信息。

9.一种印章识别装置，其特征在于，包括：

获取模块，用于获取待识别图片；

检测模块，用于将所述待识别图片输入训练完成的印章识别模型，检测所述待识别图片中是否包含印章像素；

识别模块，用于若所述待识别图片中包含印章像素，识别所述待识别图片中所包含的目标印章的形状；

确定模块，用于根据所述目标印章的形状，确定所述目标印章在所述待识别图片中的位置。

10.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-8中任一项所述的印章识别方法。

Images