CN112418158A - 适于检测身份证明卡的系统及与其关联的装置和处理方法 - Google Patents

Abstract

提供了一种适于检测身份证明卡的系统及与其关联的装置和处理方法。所述装置，包括：拍摄设备，用于拍摄与客户所关联的身份证明卡相关联的数据，所述拍摄的数据能由深度学习算法处理，以便获得关于所述身份证明卡的一般预测信息。所述装置还包括处理器，用于处理所述一般预测信息以针对性地确定关于所述身份证明卡的信息。

Description

适于检测身份证明卡的系统及与其关联的装置和处理方法

技术领域

本文一般性地而非唯一地涉及一种适用于检测身份证明卡的系统。本文还涉及与该系统相关联的装置和/或处理方法。

背景技术

在“电子化了解你的顾客/客户(eKYC)”的场景中，拍摄关于顾客/客户的数据/信息至关重要。

传统上，这可以例如通过使用设备来检测属于顾客/客户或与其相关联的身份证明卡的方式来完成。身份证明卡可以包括与其所有者(即，身份证明卡所属或关联的顾客/客户)相关联的个人信息/数据(例如，姓名、身份证明卡号、国籍和/或出生日期)。

一种常规的解决方案/技术是使用电子设备来扫描属于顾客/客户或与其相关联的身份证明卡。其他常规技术包括使用电子设备拍摄属于顾客/客户或与其相关联的身份证明卡的图像。

然而，本文考虑到不必以可靠和/或有效的方式拍摄数据/信息。

特别地，本文考虑到常规解决方案/技术不便于以用户友好、有效和/或可靠的方式检测身份证明卡。

本文考虑到需要改进可以检测身份证明卡的方式。

发明内容

为了改进可以检测身份证明卡的方式，本文考虑到基于两阶段的检测策略。

通过考虑的基于两阶段的策略的方式，本文预期可以以更可靠/准确的方式检测身份证明卡，而基本上无需例如依赖/过度依赖身份证明卡相对于检测设备的最佳位置。此外，可能可以大大减少拍摄顾客/客户数据/信息所需的尝试(或者，例如，仅需要一次尝试)。因此，本文进一步预期可以促进以用户友好的方式和/或有效的方式对身份证明卡进行检测。

根据本文的实施例，提供了一种装置。

所述装置包括：拍摄设备，用于拍摄与客户所关联的身份证明卡相关联的数据，所述拍摄的数据能由深度学习算法处理，以便获得关于所述身份证明卡的一般预测信息。所述装置还包括处理器，用于处理所述一般预测信息以针对性地确定关于所述身份证明卡的信息。

根据本文的另一实施例，提供了一种处理方法。

所述处理方法可以包括第一阶段身份证明卡检测步骤，其中，基于卷积神经网络(CNN)获得关于所述身份证明卡的一般预测信息。

所述处理方法还可以包括第二阶段身份证明卡检测步骤，其中，基于所述获得的一般预测信息来针对性地确定关于所述身份证明卡的信息。

附图说明

在下文中，参考以下附图描述本文的实施例，其中：

图1示出了根据本文的实施例的系统的示例，该系统可以包括至少一个装置和/或至少一个数据库；

图2更详细地示出了根据本文的实施例的图1的装置的示例；

图3示出了根据本文的实施例的与图1的系统相关联的示例性场景；

图4示出了根据本文的实施例的计算机设备，该计算机设备可以对应于图1的装置和/或图1的数据库或者与其相关联；

图5示出了根据本文的实施例的与图1的系统相关联的处理方法的示例；以及

图6示出了根据本文的实施例的可例如对应于图2的装置的装置的模块的示例的图示。

具体实施方式

本文考虑到，关于较早讨论的常规解决方案/技术，使用检测设备对顾客/客户的身份证明卡进行可靠检测取决于身份证明卡相对于检测设备的位置。

例如，如果将身份证明卡相对于检测设备进行定位使得身份证明卡的拍摄的图像偏斜(例如，在身份证明卡的照片以极大角度拍摄的情况下)和/或如果身份证明卡距离检测设备太远，则可能无法准确拍摄与顾客/客户相关联的数据/信息。这可能导致错误的数据/信息被拍摄和/或需要多次尝试来拍摄顾客/客户数据/信息。

因此，本文考虑到常规解决方案/技术要求身份证明卡相对于检测设备最佳地进行定位，因此，不便于以用户友好、有效和/或可靠的方式检测身份证明卡。

为了改进身份证明卡可被检测的方式，本文通常考虑基于两阶段的检测，如将参考图1至图6进一步详细讨论的。

将仅以举例的方式参照附图描述实施例。附图中相同的附图标记和字符表示相同的元件或等同物。

以下描述的某些部分是根据对计算机存储器内数据的操作的算法以及功能或符号表示来显式或隐式呈现的。这些算法描述以及功能或符号表示是数据处理领域技术人员用来最有效地向本领域其他技术人员传达其工作实质的手段。这里，算法通常被认为是导致所需结果的一系列自洽的步骤。这些步骤是需要对诸如能够存储、传输、组合、比较和以其他方式操纵的电信号、磁信号或光信号之类的物理量进行物理操纵的步骤。

除非另有特别说明，并且从下文中可以明显看出，否则将理解，在整个本文中，利用诸如“接收”、“扫描”、“计算”、“确定”、“代替”、“生成”、“初始化”、“输出”等的术语，指的是计算机系统或类似电子设备的动作和处理，所述计算机系统或类似电子设备将计算机系统内的以物理量表示的数据操纵和转换为计算机系统或其他信息存储、传输或显示设备内的类似以物理量表示的其他数据。

本文还公开了用于执行一个或多个方法的操作的一个或多个装置。这样的装置可以被专门地构造用于所需的目的，或者可以包括计算机或由存储在计算机中的计算机程序选择性地激活或重新配置的其他设备。本文提出的算法和显示与任何特定计算机或其他装置没有固有的关联。根据本文的教导，各种机器可以与程序一起使用。可选地，用于执行所需方法步骤的更专用的装置的构造可能是合适的。适合于执行本文描述的各种方法/处理的计算机的结构将从下面的描述中显现。

另外，本文还隐含地公开了一种计算机程序，因为对于本领域技术人员而言清楚的是，本文所述方法的各个步骤可以通过计算机代码来实现。计算机程序不旨在限于任何特定的编程语言及其实现。应当理解，各种编程语言及其代码可以用于实现本文所包含的公开内容的教导。而且，计算机程序不旨在限于任何特定的控制流。在不脱离本文的精神或范围的情况下，计算机程序还有许多其他变体，其可以使用不同的控制流。

此外，计算机程序的一个或多个步骤可以并行而不是顺序地执行。这样的计算机程序可以存储在任何计算机可读介质上。计算机可读介质可以包括诸如磁盘或光盘的存储设备、存储芯片、或适合于与计算机接口的其他存储设备。计算机可读介质还可以包括诸如在互联网系统中例示的硬连线介质，或者诸如在GSM移动电话系统中例示的无线介质，以及诸如蓝牙、ZigBee、Wi-Fi的其他无线系统。当在这样的计算机上加载并执行该计算机程序时，该计算机程序有效地产生了实现优选方法的步骤的装置。

在下文中将参考图1至图6更详细地讨论前述内容。

参照图1，示出了根据本文的实施例的系统100的示例。系统100可以适用于检测可以属于至少一个顾客/客户或与其相关联的至少一个身份证明卡。身份证明卡可以承载(carry)与顾客/客户相关联的信息/数据或与其相关联。根据本文的实施例，对身份证明卡的检测可以例如根据基于两阶段的检测/策略，如稍后将更详细讨论的。

系统100可以包括一个或多个装置102、一个或多个数据库104以及通信网络106。

装置102可耦接到数据库104。具体地，装置102可以例如经由通信网络106耦接到数据库104。

在一个实施例中，装置102可以耦接到通信网络106，数据库104可以耦接到通信网络106。耦接可以通过有线耦接和/或无线耦接方式进行。通常，装置102可以被配置为经由通信网络106与数据库104通信。

装置102可以例如对应于一个或多个计算机(例如，膝上型计算机、台式计算机和/或具有计算能力的电子移动设备，诸如智能手机和电子平板电脑)。

通常，装置102可以被配置为拍摄与顾客/客户相关联的信息/数据。基于拍摄的信息/数据(即，与顾客/客户相关联的信息数据)，装置102可以被配置为生成并传送一个或多个输入信号。

例如，装置102可以被配置为拍摄与身份证明卡相关联的至少一个图像，该身份证明卡承载与顾客/客户相关联的信息/数据。本文考虑到拍摄的图像可能包含虚假信息/数据(例如，除了身份证明卡的图像之外，还包括不必要的背景图像)。在这方面，本文考虑到输入信号可能包含虚假数据/信息(即，与顾客/客户所关联的数据/信息无关)。本文预期减少/消除这种虚假数据/信息。

根据本文的实施例，输入信号可以从装置102传送到数据库104，以进行处理从而生成一个或多个检测信号。检测信号可以例如对应于关于身份证明卡的基于预测的信息。可以将检测信号从数据库104传送到装置102以进行处理。装置102可以被配置为针对检测信号执行一个或多个处理任务以生成一个或多个输出信号。输出信号可以例如对应于身份证明卡的虚假信息/数据已经被大大减少/基本消除(例如，不必要的背景图像已经被大大减少/基本消除)的图像。

本文考虑到上述输出信号可能不具有期望的(或非理想的)质量。例如，虚假数据/信息可能没有以适当的方式被减少/消除，和/或关于身份证明卡的顾客/客户的数据/信息可能没有以可理解的/准确的方式被再现(例如，发生偏斜的示例性情况)。

根据本文的实施例，装置102可以被配置为确定输出信号是否具有可接受的质量。如果确定输出信号的质量不可接受/不够/不理想，则装置102可以进一步被配置为通过调整/改善(refinement)的方式处理检测信号，以便产生一个或多个调整的检测信号。装置102还可以进一步被配置为将调整的检测信号传送到数据库104以进行处理，从而生成一个或多个改善的检测信号。可以将改善的检测信号从数据库104传送到装置102，以进行进一步处理，从而产生改善的输出信号的方式。

与前述输出信号相比，改善的输出信号可以被认为具有更高的质量(例如，更准确、更可理解和/或更多地减少虚假信息/数据)。具体地，例如，改善的输出信号可以被视为输出信号的更高质量的版本(例如，更准确的版本/更可理解的版本)。

根据本文的实施例，将参考图2更详细地讨论装置102。

数据库104可以例如承载深度学习类型算法/网络，或者可以例如对应于深度学习类型算法/网络。在一个示例中，数据库104可以对应于承载卷积神经网络(CNN)的一个或多个主机设备(例如，一个或多个计算机或计算机的网络)。在另一示例中，数据库104可以对应于CNN。

通常，数据库104可以被配置为接收输入信号和/或预处理的输入信号，以进行进一步处理，从而可以基于例如CNN生成检测信号和/或改善的检测信号。数据库104可以进一步被配置为将检测信号和/或改善的检测信号传送到装置102以进行进一步处理。

通信网络106可以例如对应于互联网通信网络。经由通信网络106的通信(即，装置102与数据库104之间的通信)可以通过有线通信和/或无线通信的方式进行。

如前所述，本文考虑到基于两阶段的检测。

第一阶段检测可以涉及获得/导出前述检测信号。例如，关于第一阶段检测，可以执行基于预测的处理以大体预测与身份证明卡相关联的信息，诸如位置(例如，基于与身份证明卡部分302相关联的上述角点(corner point(s))。

第二阶段检测通常可以涉及处理检测信号以获得/生成前述输出信号。第二阶段检测可以可选地进一步涉及基于前述改善的检测信号来生成/获得前述改善的输出信号。例如，关于第二阶段检测，可以执行基于预测的处理，以针对性地(即，精确地)确定与身份证明卡相关联的信息，诸如位置(例如，基于与经处理的身份证明卡部分相关联的上述角点和/或与身份证明卡相关联的改善的身份证明卡部分308)。

现在，根据本文的实施例，在下文中可以参考图2更详细地讨论装置102。

参照图2，根据本文的实施例，在实施例200的上下文中更详细地示出了装置102。

在实施例200中，装置102可以包括一个或多个拍摄设备202以及一个或多个处理器204。拍摄设备202可以耦接到处理器204。耦接可以通过有线耦接和/或无线耦接的方式进行。

拍摄设备202可以被配置为拍摄与顾客/客户相关联的信息/数据。在一个示例中，拍摄设备202可以对应于图像拍摄设备(例如，相机)，其可以被配置为拍摄与身份证明卡相关联的至少一个图像，如稍后参考图3将在示例性场景的上下文中进一步详细讨论的。

基于拍摄的信息/数据(即，与顾客/客户相关联的信息/数据)，拍摄设备202可以被配置为生成并传送一个或多个输入信号。可以将输入信号从拍摄设备202传送到处理器204和/或数据库104。如前所述，输入信号可以包括虚假数据/信息(例如，背景图像)。

处理器204可以被配置为接收输入信号。此外，处理器204可以被配置为传送输入信号和/或处理输入信号。

例如，处理器204可以被配置为将输入信号传送到数据库104以进行处理。数据库104可以被配置为通过基于预测的处理(例如，基于CNN)的方式来处理输入信号，以生成一个或多个检测信号。检测信号可以被传送到处理器204以进行进一步处理。

处理器204可以被配置为针对检测信号执行一个或多个处理任务。

在一个实施例中，处理器204可以被配置为执行基于变换的处理(例如，基于透视变换的处理)。例如，可以通过基于透视变换的处理的方式来处理检测信号，以生成与身份证明卡相关联的一个或多个输出信号。输出信号可以例如对应于身份证明卡的图像，并且上述虚假数据/信息可以被大大减少/基本消除。处理器204可以被进一步配置为执行基于确定的处理以确定输出信号是否具有可接受的质量。例如，可接受的质量的确定可以基于：是否可以/已经以适当的方式减少/消除了虚假数据/信息，和/或是否可以/已经以可理解/准确的方式再现与身份证明卡的顾客/客户有关的数据/信息。

在一个实施例中，如果确定输出信号的质量不可接受/不够/不理想，则处理器204可以进一步被配置为执行基于调整/改善的处理。

具体地，如果确定输出信号的质量不可接受/不够/不理想，则处理器204可以进一步被配置为通过预定调整/改善的方式处理接收的检测信号。具体地，可以通过基于调整/改善的处理的方式来处理接收的检测信号，以生成调整的检测信号。

基于调整/改善的处理例如可以涉及预定调整/改善参数的应用。根据本文的实施例，这将在下文中参考图3针对示例性场景进行进一步详细讨论。

可以将调整的检测信号从装置102(例如，从处理器204)传送到数据库104，以进行进一步处理。基于调整的检测信号，数据库104可以被配置为生成一个或多个改善的检测信号。可以将改善的检测信号从数据库104传送到装置102以进行处理(例如，由处理器204)，以便生成与身份证明卡相关联的一个或多个改善的输出信号。例如，处理器可以通过基于透视变换的处理的方式来接收和处理改善的检测信号，以生成与身份证明卡相关联的改善的输出信号。

如前所述，与上述输出信号相比，改善的输出信号可以被认为具有更高的质量(例如，更准确/更可理解)。具体地，例如，改善的输出信号可以被视为输出信号的更高质量的版本(例如，更准确的版本/更可理解的版本)。

在下文中，将参考图3基于示例性场景300来讨论前述内容。

参考图3，示出了根据本文的实施例的示例性场景300。

如前所述，根据本文的实施例，装置102可以被配置为例如拍摄与身份证明卡相关联的至少一个图像。

在示例性场景300中，讨论了拍摄的图像300a、经处理的图像300b和改善的图像300c。

拍摄的图像300a可以与身份证明卡部分302相关联，并且可以包括背景图像部分304。具体地，拍摄的图像300a可以对应于作为身份证明卡部分302和背景图像部分304的组合的图像。身份证明卡部分302可以基于“x”乘“y”分辨率(例如400乘300分辨率；400×300分辨率，其中“x”＝300和“y”＝400)，并且可以与一个或多个角点相关联。背景图像部分304可以被视为虚假数据/信息。例如，在拍摄的图像300a中，与背景图像部分304相比，身份证明卡部分302的比例可以更高(例如，身份证明卡部分302与背景图像部分304之间的比率为80：20)。在一个示例中，拍摄的图像300a的大约70％可以是身份证明卡部分302，而拍摄的图像300a的大约30％可以是背景图像部分304。

另外，根据本文的实施例，与拍摄的图像300a相关联的身份证明卡部分302可以例如被视觉感知为是偏斜的(例如，在身份证明卡定位不良并且当身份证明卡以极端角度被定位时拍摄/拍摄图像的示例性情况下)。

此外，前述输入信号可以与拍摄的图像300a相关联。

在从装置102传送并由数据库104接收输入信号(即，与拍摄的图像300a相关联的信号)之后，数据库104可以通过预测处理的方式(例如，基于前述CNN)处理拍摄的图像300a，以便预测与身份证明卡部分302的如由p1、p2、p3和p4表示的角点有关的信息。前述检测信号可以对应于关于角点(即，p1、p2、p3和p4)的预测信息。

检测信号可以由装置102接收以进行处理(例如，基于透视变换的处理)，从而生成可以对应于经处理的图像300b的前述输出信号。

经处理的图像300b可以与经处理的身份证明卡部分306相关联。另外，与每个拍摄的图像300a相比，上述背景图像部分304可以被大大减少/基本消除。例如，在经处理的图像300b中，与背景图像部分304相比，经处理的身份证明卡部分306的比例可高得多(例如，经处理的身份证明卡部分306与背景图像部分304之间的比率为100：1)。在一个示例中，经处理的图像300b的90％或更多可以是经处理的身份证明卡部分306，而经处理的图像300b的10％或更少可以是背景图像部分304。此外，在一个实施例中，与身份证明卡部分302相比，经处理的身份证明卡部分306可被认为被视觉感知为偏斜较少。具体地，与身份证明卡部分302相比，与经处理的身份证明卡部分306相关联的偏斜程度可较小。在一个实施例中，可以基本上消除偏斜(例如，经处理的身份证明卡部分306可以基本被视觉感知为是不偏斜的)。

例如，拍摄的图像300a和经处理的图像300b可各自与身份证明(即，身份证明卡部分302/经处理的身份证明卡部分306)和虚假数据(即，背景图像部分304)之间的比率相关联。与拍摄的图像300a相比，与经处理的图像300b相关联的、身份证明和虚假数据之间的比率可被认为更好/得到了改善。具体地，与每个拍摄的图像300a的、身份证明卡部分302和背景图像部分304之间的比率相比，每个经处理的图像300b的、经处理的身份证明卡部分306和背景图像部分304之间的比率可以更高。更具体地，与每个拍摄的图像300a的身份证明卡部分302(即，相对于背景图像部分304)的比例相比，每个经处理的图像300b的经处理的身份证明卡部分306(即，相对于背景图像部分304)的比例可被认为高得多。

在这方面，经处理的图像300b可以例如对应于一组输出信号，其中与顾客/客户相关联(即，与经处理的身份证明卡部分306相关联)的数据/信息可以以更可理解的方式(即，与身份证明卡部分302所关联的客户或客户数据/信息进行比较)更准确地再现。

经处理的身份证明卡部分306可以与一个或多个角点相关联。例如，经处理的身份证明卡部分306可以与如由p1'、p2'、p3'和p4'表示的四个角点相关联。与经处理的身份证明卡部分306的角点有关的信息可以基于例如针对身份证明卡部分302的角点的基于透视变换的处理来导出/获得/确定。

例如，p1、p2、p3和p4可以通过基于透视变换的处理的方式被处理，以分别产生p1’、p2’、p3’和p4’。

根据本文的实施例，在根据示例性场景300的基于400乘300分辨率的上下文中，p1'可被预定义为(0,0)，p2'可被预定义为(400,0)，p3'可被预定义为(400,300)，p4'可被预定义为(400,0)。

适当地，经处理的图像300b例如可以被视为拍摄的图像300a的改进版本，因为可以以更准确/可理解的方式来再现/获得/确定与顾客/客户相关联的数据/信息。在这方面，预期可以以更可靠/准确的方式检测身份证明卡，而基本上无需例如依赖/过度依赖身份证明卡相对于检测设备的最佳定位。此外，可能可以大大减少拍摄顾客/客户数据/信息所需的尝试(或者，例如，可能仅需要一次尝试)。因此，本文还可以例如促进以用户友好的方式和/或有效的方式对身份证明卡进行检测。

本文预期可能需要/期望针对已处理的图像300b进行进一步改进。例如，经处理的图像300b可被认为仍然具有不够/不可接受/不理想的质量。

因此，根据本文的实施例，可生成与经处理的图像300b相比可被认为具有更高质量(例如，更准确/更可理解)的改善的图像300c。改善的图像300c可以例如对应于前述改善的输出信号。

具体地，本文预期，在一个实施例中，可以基于上述调整的检测信号来产生改善的图像300c。改善的图像300c可以与改善的身份证明卡部分308相关联或可以基本上对应于改善的身份证明卡部分308。

例如，可以将一个或多个改善/调整参数应用于接收的检测信号，以生成调整的检测信号。可以进行例如与拍摄的图像300a所关联的身份证明卡部分302相关联的宽度和/或高度有关的调整/改善。

具体地，身份证明卡部分302可以与宽度(由“w”表示)和高度(由“h”表示)相关联。例如，关于检测信号(即，如前所述，其可以对应于关于与身份证明卡部分302相关联的角点“p1”、“p2”、“p3”和“p4”的预测信息)，可以如下针对“x”应用为0.1和w的乘积的预定调整/改善因子(即0.1×w或0.1*w)，以及针对“y”应用为0.1和h的乘积的预定调整/改善因子(即，0.1×h或0.1*h)：

p1(x,y)＝p1(x-0.1*w,y-0.1*h)

p2(x,y)＝p2(x+0.1*w,y-0.1*h)

p3(x,y)＝p3(x+0.1*w,y+0.1*h)

p4(x,y)＝p4(x-0.1*w,y+0.1*h)

在这方面，根据本文的实施例，将理解，调整的检测信号可包括p1(x,y)、p2(x,y)、p3(x,y)和/或p4(x,y)。

根据本文的实施例，在根据示例性场景300的基于400乘300分辨率的上下文中，p1(x,y)可被预定义为(0,0)(例如，x＝0；y＝0)，p2(x,y)可被预定义为(400,0)(例如，x＝400；y＝0)，p3(x,y)可被预定义为(400,300)(例如，x＝400；y＝300)，以及p4(x,y)可被预定义为(400,0)(例如，x＝400；y＝0)。

调整的检测信号(例如，p1(x,y)、p2(x,y)、p3(x,y)和/或p4(x,y))可以被传送到数据库104以进行处理(例如，基于CNN)，从而生成与身份证明卡有关的改善的基于预测的信息(例如，角点)。关于例如身份证明卡的角点的改善的基于预测的信息可以例如由p1”、p2”、p3”和p4”表示。例如，p1(x,y)、p2(x,y)、p3(x,y)和/或p4(x,y)可以基于CNN进行处理以分别生成p1”、p2”、p3”和/或p4”。在这方面，可理解，改善的检测信号可以包括p1”、p2”、p3”和/或p4”。

例如，p1”、p2”、p3”和/或p4”可以通过基于透视变换的处理的方式(例如，由装置102)进行处理，以分别产生pp1、pp2、pp3和/或pp4。

改善的身份证明卡部分308可以与一个或多个角点相关联，或可以包括一个或多个角点，这些角点可以由pp1、pp2、pp3和/或pp4表示。根据本文的实施例，在根据示例性场景300的基于400乘300分辨率的上下文中，pp1可被预定义为(0,0)，pp2可被预定义为(400,0)，pp3可被预定义为(400,300)，pp4可被预定义为(400,0)。

在一个实施例中，理想情况下，改善的图像300c应该没有背景图像部分304。在这方面，改善的图像300c可以例如基本上对应于改善的身份证明卡部分308(即，没有背景图像部分304/背景图像部分304被认为是可忽略的(如果有的话))。因此，在改善的图像300c中，上述背景图像部分304(每个拍摄的图像300a和/或经处理的图像300b的背景图像部分)可被认为已至少基本上被消除(或可忽略)。例如，改善的图像100c的98％以上(例如，理想地为100％)可以是改善的身份证明卡部分308，而改善的图像300c的2％或更少(例如，理想地为0％)可以是背景图像部分304。因此，与经处理的图像300b相比，在改善的图像300c中，与背景图像部分304相比，改善的身份证明卡部分308的比例可被认为高得多(例如，改善的身份证明卡部分308和背景图像部分304之间的比率为100：0.1或0)。

此外，在一个实施例中，与经处理的身份证明卡部分306相比，例如改善的身份证明卡部分308可被认为被视觉感知为偏斜较少。具体地，与经处理的身份证明卡部分306相比，与改善的身份证明卡部分308相关联的偏斜程度可以较小。在一个实施例中，可以基本上消除偏斜(即，改善的卡部分308被视觉感知为是不偏斜的)。

如前所述，与前述输出信号(即，对应于经处理的图像300b)相比，改善的输出信号(即，对应于改善的图像300c)可以被认为具有更高的质量(例如，更准确/更可理解)。具体地，例如，改善的图像300c可以被认为是经处理的图像300b的更高质量的版本(例如，更准确的版本/更可理解的版本)。

在这方面，可以预期，一种技术效果是，可以以更可靠/准确的方式检测身份证明卡，而基本上无需例如依赖/过度依赖身份证明卡相对于检测设备的最佳定位。例如，即使在身份证明卡相对于例如装置102定位不良(例如，以极端角度)的示例性情况下，也可以以可靠/准确的方式检测身份证明卡。此外，可能大大减少拍摄顾客/客户数据/信息所需的尝试(或者，例如，仅需要一次尝试)。因此，另一技术效果可以是：可以促进以用户友好的方式和/或有效的方式对身份证明卡进行检测。

为了实施上述内容，根据实施例，本文考虑到一种装置102，该装置102可以包括拍摄设备202和处理器204。拍摄设备202可以例如耦接到处理器204。

拍摄设备202可以被配置为拍摄与可以关联于客户或顾客的身份证明卡相关联的数据。拍摄的数据(例如，与可以对应于拍摄的图像300a的前述输入信号相关联的数据)可以通过深度学习算法进行处理，以便获得关于身份证明卡的一般预测信息(例如，对应于前述检测信号的信息)。深度学习算法可以例如由数据库104承载/贮存(host)。

处理器204可以被配置为处理一般预测信息(例如，与上述检测信号相对应的信息)，以针对性地确定关于身份证明卡的信息(例如，确定/生成可对应于经处理的图像300b的前述输出信息和可对应于改善的图像300c的前述改善的输出信号；输入信号和/或改善的输出信号)。

在一个实施例中，深度学习算法可以对应于卷积神经网络(CNN)，CNN可以被配置为获得/导出/确定关于与身份证明卡所关联的至少一个角点(例如，p1、p2、p3和/或p4)相关的一般预测信息。

在一个实施例中，处理器204可以进一步被配置为处理一般预测信息(例如，对应于前述检测信号的信息)以生成调整的改善预测信息(例如，对应于前述调整的检测信号的信息)，深度学习算法(例如，CNN)可以对其进行处理，以导出改善的预测信息(例如，对应于前述改善的检测信号的信息)。例如，针对性地确定关于身份证明卡的信息可以是基于改善的预测信息(例如，基于前述改善的检测信号来获得/导出/确定前述改善的输出信号)的。

在一个实施例中，一般预测信息可以与身份证明卡所关联的多个角点(例如，p1、p2、p3和/或p4)有关。处理器204可以被配置为通过基于视角变换的处理的方式来处理一般预测信息，以针对性地确定关于身份证明卡的信息(例如，与可以对应于经处理的图像300b的上述输出信号对应的信息)。

在一个实施例中，可以结合一般预测信息(例如，p1、p2、p3和/或p4)执行基于透视变换的处理，以生成多个定义的角点(例如，p1’、p2'、p3'和/或p4')。

在一个实施例中，处理器204可以进一步被配置为通过基于调整的处理的方式来处理一般预测信息(例如，p1至p4)，以导出多个调整的角点(例如，对应于前述调整的检测信号的角点，其可以例如包括p1(x,y)、p2(x,y)、p3(x,y)和/或p4(x,y))。例如，基于调整的处理可以涉及将调整因子应用于一般预测信息(例如，p1至p4)。

此外，在一个实施例中，身份证明卡可以与宽度(w)和高度(h)相关联。另外，身份证明卡可以与基于“x”乘“y”定义的分辨率(例如，400×300分辨率)相关联。调整可以例如为0.1。调整的角点可以定义如下：

p1(x,y)＝p1(x-0.1*w,y-0.1*h)

p2(x,y)＝p2(x+0.1*w,y-0.1*h)

p3(x,y)＝p3(x+0.1*w,y+0.1*h)

p4(x,y)＝p4(x-0.1*w,y+0.1*h)

在一个实施例中，处理器204可以被配置为传送调整的角点(例如，p1(x,y)、p2(x,y)、p3(x,y)和/或p4(x,y))，以例如由CNN进行进一步处理，从而获得改善的预测信息(例如，p1”、p2”、p3”和/或p4”)。处理器204可以进一步被配置为通过基于透视变换的处理的方式来处理改善的预测信息，以导出多个改善的角点(例如，pp1、pp2、pp3和/或pp4)。

可理解地，可以基于定义的角点(例如，p1'、p2'、p3'和/或p4')和/或改善的角点(pp1、pp2、pp3和/或pp4))来针对性地确定关于身份证明卡的信息。

本文考虑到在一个示例中，装置102和/或数据库104可以对应于计算设备/与其相关联。下文中将在图4的示例性计算设备的上下文中对此进行讨论。

图4示出了根据本公开的实施例的示例性计算设备400，在下文中可互换地称为计算机系统400。以下仅以举例的方式提供对计算设备400的描述，而不旨在进行限制。

如图4所示，示例性计算设备400包括用于执行软件例程的处理器404。尽管为了清楚起见示出了单个处理器，但是计算设备400还可以包括多处理器系统。处理器404连接到通信基础设施406，以与计算设备400的其他组件进行通信。通信基础设施406可以包括例如通信总线、交叉开关或网络。

计算设备400还包括诸如随机存取存储器(RAM)之类的主存储器408和辅助存储器410。辅助存储器410可以包括例如硬盘驱动器412和/或可移动存储驱动器414，可移动存储驱动器414可以包括软盘驱动器、磁带驱动器、光盘驱动器等。可移动存储驱动器414以众所周知的方式对可移动存储单元418进行读取和/或写入。可移动存储单元418可以包括由可移动存储驱动器414读取和写入的软盘、磁带、光盘等。如相关领域技术人员将理解的那样，可移动存储单元418包括其中存储有计算机可执行程序代码指令和/或数据的计算机可读存储介质。

在可选实施方式中，辅助存储器410可以附加地或可选地包括用于允许将计算机程序或其他指令加载到计算设备400中的其他类似装置。这样的装置可以包括例如可移动存储单元422和接口420。可移动存储单元422和接口420的示例包括程序盒和盒接口(例如视频游戏机设备中的接口)、可移动存储芯片(例如EPROM或PROM)和相关联的插槽，以及允许软件和数据从可移动存储单元422传输到计算机系统400的其他可移动存储单元422和接口420。

计算设备400还包括至少一个通信接口424。通信接口424允许软件和数据经由通信路径426在计算设备400和外部设备之间传送。在本文的各种实施例中，通信接口424允许在计算设备400和诸如公开数据或私有数据通信网络之类的数据通信网络之间传输数据。通信接口424可以用于在不同的计算设备400之间交换数据，这些计算设备400形成互连的计算机网络的一部分。通信接口424的示例可以包括调制解调器、网络接口(诸如以太网卡)、通信端口、具有相关电路的天线等。通信接口424可以是有线的或者可以是无线的。经由通信接口424传送的软件和数据的形式为信号，该信号可以是能够被通信接口424接收的电、电磁、光或其他信号。这些信号通过通信路径426提供给通信接口。

如图4所示，计算设备400还包括：显示器接口402，其执行用于将图像呈现到相关联的显示器430的操作；以及音频接口432，其执行用于经由相关联的扬声器434播放音频内容的操作。

如本文所使用的，术语“计算机程序产品”可以部分地指代可移动存储单元418、可移动存储单元422、安装在硬盘驱动器412中的硬盘、或承载通过通信路径426(无线链路或电缆)至通信接口424的软件的载波。

计算机可读存储介质是指将记录的指令和/或数据提供给计算设备400以执行和/或处理的任何非暂时性有形存储介质。这种存储介质的示例包括软盘、磁带、CD-ROM、DVD、蓝光(Blu-ray^TM)光盘、硬盘驱动器、ROM或集成电路、USB存储器、磁光盘或诸如PCMCIA卡之类的计算机可读卡，无论这些设备是在计算设备400的内部还是外部。也可以参与向计算设备400提供软件、应用程序、指令和/或数据的暂时性或非有形计算机可读传输介质的示例包括无线电或红外传输信道及至另一计算机或联网设备的网络连接，以及包括电子邮件传输和网站等上记录的信息的互联网或以太网等。

计算机程序(也称为计算机程序代码)存储在主存储器408和/或辅助存储器410中。也可以经由通信接口424接收计算机程序。此类计算机程序在被执行时使计算设备400能够执行本文所讨论的实施例的一个或多个特征。在各种实施例中，计算机程序在被执行时使处理器404能够执行上述实施例的特征。因此，此类计算机程序表示计算机系统400的控制器。

软件可以存储在计算机程序产品中，并可以使用可移动存储驱动器414、硬盘驱动器412或接口420加载到计算设备400中。可选地，可以通过通信路径426将计算机程序产品下载到计算机系统400。该软件在由处理器404执行时使计算设备400执行本文描述的实施例的功能。

应该理解，图4的实施例仅以举例的方式给出。因此，在一些实施例中，可以省略计算设备400的一个或多个特征。而且，在一些实施例中，计算设备400的一个或多个特征可以被组合在一起。另外，在一些实施例中，计算设备400的一个或多个特征可以被分成一个或多个组成部分。

应当理解，图4所示的元件用于提供用以执行如以上实施例中所述的服务器的各种功能和操作的装置。

在实施方式中，服务器通常可以被描述为包括至少一个处理器及包括计算机程序代码的至少一个存储器的物理设备。所述至少一个存储器和计算机程序代码被配置为与所述至少一个处理器一起使所述物理设备执行必要的操作。

参照图5，示出了根据本文的实施例的与系统100相关联的处理方法500的示例。

处理方法500可以包括输入步骤502、处理(或“生成”)步骤504和输出步骤506中的任何一个或它们的任意组合。根据本文的实施例，处理方法500还可以进一步包括改善步骤508。根据本文的实施例，处理方法500还可以进一步包括训练步骤510。

根据本文的实施例，处理方法500可以例如与身份证明卡的两阶段检测相关联。

关于输入步骤502，可以生成前述输入信号。具体地，可以生成与身份证明卡相关联的一个或多个输入信号。

关于处理步骤504，可以处理输入信号以确定/获得关于身份证明卡的基于预测的信息。关于身份证明卡的基于预测的信息可以例如对应于前述检测信号。此外，根据本文的实施例，可以经由深度学习算法对输入信号进行处理。例如，可以基于CNN对输入信号进行处理。

关于输出步骤506，可以生成前述输出信号。具体地，一个或多个输出信号可以基于检测信号来生成。

关于改善步骤508，可以生成前述改善的输出信号。如前所述，一个或多个改善的输出信号可以基于一个或多个改善的检测信号来生成。

关于训练步骤510，可以训练深度学习算法。深度学习算法的训练可以基于一个或多个输出信号和/或改善的一个或多个输出信号。

如前所述，在一个实施例中，处理方法500可以与身份证明卡的两阶段检测相关联。根据本文的实施例，身份证明卡的两阶段检测可以例如与第一阶段身份证明卡检测步骤和第二阶段身份证明卡检测步骤相关联。

(身份证明卡的)第一阶段检测可以与输入步骤502和处理步骤504相关联。

(身份证明卡的)第二阶段检测可以与输出步骤506和/或改善步骤508相关联。

可理解地，在一个实施例中，训练步骤510可以基于第一阶段检测和/或第二阶段检测。例如，CNN可以基于第一阶段检测和第二阶段检测来训练。

通常，在一个实施例中，本文考虑到一种处理方法500，其可以包括第一阶段身份证明卡检测步骤和第二阶段身份证明卡检测步骤。

关于第一阶段身份证明卡检测步骤，可以基于例如卷积神经网络(CNN)获得关于身份证明卡的一般预测信息(例如，p1、p2、p3和/或p4)。

关于第二阶段身份证明卡检测步骤，可以基于获得的一般预测信息(例如，p1、p2、p3和/或p4)来(例如，通过基于透视变换的处理的方式)确定关于身份证明卡的预测信息。

本文考虑到在一个实施例中，CNN可以基于第一阶段身份证明卡检测步骤和/或第二阶段身份证明卡检测步骤来训练。

参考图6，示出了根据本文的实施例的装置600的模块的示例。装置600可以为前述装置102的实施例的示例。

如所示出的，装置600可包括第一模块602和第二模块604。第一模块602可以与(身份证明卡的)前述第一阶段检测相关联。第二模块604可以与(身份证明卡的)前述第二阶段检测相关联。

具体地，装置600可以包括第一模块602，用于获取/拍摄与顾客/客户相关联的数据/信息，并基于拍摄/获取的数据/信息生成一个或多个输入信号(例如，与拍摄的图像300a相对应的信号)。如前所述，一个或多个检测信号可以基于输入信号来生成。

装置600还可以包括第二模块602，用于处理检测信号以生成一个或多个输出信号(例如，对应于经处理的图像300b的信号)。在一个实施例中，第二模块602可以生成一个或多个改善的输出信号(例如，对应于改善的图像300c的信号)。在一个实施例中，检测信号可以被进一步处理以获得一个或多个改善的检测信号。一个或多个改善的输出信号可以基于改善的检测信号来生成。

例如，图6可被解释为示出根据本文的实施例的可以基于两阶段检测策略来检测身份证明卡的检测装置的内部功能模块和/或结构。

本领域技术人员应该进一步理解到，上述特征的变体和组合，不是替代或代替，可以组合以形成其他实施例。

在一个示例中，可以省略基于确定的处理的任务。具体地，默认情况下(即，无需确定输出信号是否为可接受/足够的质量)，处理器可以被配置为对检测信号执行基于调整/改善的处理以生成一个或多个改善的检测信号。

在另一示例中，根据本文的实施例，数据库104可以被配置为基于检测信号和改善的检测信号的组合来生成一个或多个改善的输出信号。

以前述方式，描述了本文的各种实施例以解决前述缺点中的至少一个。这样的实施例旨在被所附权利要求书涵盖，并且不限于所描述的部件的特定形式或布置，并且鉴于本文，对于本领域的技术人员将清楚的是，可进行许多改变和/或修改，这也是旨在被所附权利要求书涵盖。

Claims (11)

1.一种用于检测身份证明卡的装置，包括：

拍摄设备，用于拍摄与客户所关联的身份证明卡相关联的数据，所述拍摄的数据能由深度学习算法处理，以便获得关于所述身份证明卡的一般预测信息；以及

处理器，用于处理所述一般预测信息以针对性地确定关于所述身份证明卡的信息。

2.根据权利要求1所述的装置，其中，

所述深度学习算法对应于卷积神经网络，所述卷积神经网络导出与所述身份证明卡所关联的至少一个角点有关的一般预测信息。

3.根据权利要求1所述的装置，其中，

所述处理器进一步处理所述一般预测信息以生成调整的预测信息，所述调整的预测信息能被所述深度学习算法处理，以导出改善的预测信息，以及

针对性地确定关于所述身份证明卡的信息是基于所述改善的预测信息的。

4.根据权利要求1所述的装置，其中，

所述一般预测信息与所述身份证明卡所关联的多个角点有关，以及

所述处理器通过基于视角变换的处理的方式处理所述一般预测信息，以针对性地确定关于所述身份证明卡的信息。

5.根据权利要求4所述的装置，其中，

所述身份证明卡与四个角点关联，并且能够包括p1、p2、p3和p4的一般预测信息与所述身份证明卡所关联的所述四个角点有关，以及

基于透视变换的处理是结合p1、p2、p3和p4执行的，以生成由p1′、p2′、p3′和p4′表示的四个定义的角点。

6.根据权利要求5所述的装置，其中，

所述处理器进一步通过基于调整的处理的方式处理所述一般预测信息p1至p4，以导出分别由p1(x,y)、p2(x,y)、p3(x,y)和p4(x,y)表示的四个调整的角点，以及

基于调整的处理涉及将调整因子应用于p1至p4。

7.根据权利要求6所述的装置，其中，

所述身份证明卡能够与宽度w和高度h相关联，并且所述身份证明卡能够与基于“x”乘“y”定义的分辨率相关联，

所述调整因子为0.1，并且所述调整的角点为：

p1(x,y)＝p1(x-0.1*w,y-0.1*h)，

p2(x,y)＝p2(x+0.1*w,y-0.1*h)，

p3(x,y)＝p3(x+0.1*w,y+0.1*h)，

p4(x,y)＝p4(x-0.1*w,y+0.1*h)。

8.根据权利要求7所述的装置，其中，

所述处理器传送所述调整的角点p1(x,y)至p4(x,y)，以通过深度学习算法进行处理，从而导出改善的预测信息，以及

所述处理器进一步通过基于透视变换的处理的方式来处理所述改善的预测信息，以导出分别由pp1、pp2、pp3和pp4表示的四个改善的角点。

9.根据权利要求8所述的装置，其中，

针对性地确定关于所述身份证明卡的信息是基于所述多个定义的角点和/或所述多个改善的角点。

10.一种身份证明卡的处理方法，包括：

第一阶段身份证明卡检测，其中，基于卷积神经网络获得关于所述身份证明卡的一般预测信息；以及

第二阶段身份证明卡检测，其中，基于所述获得的一般预测信息针对性地确定关于所述身份证明卡的信息。

11.根据权利要求10所述的处理方法，其中，

所述卷积神经网络能够基于所述第一阶段身份证明卡检测和/或所述第二阶段身份证明卡检测进行训练。

Images