CN112528998B - 证件图像处理方法、装置、电子设备及可读存储介质 - Google Patents

证件图像处理方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN112528998B
CN112528998B CN202110186642.5A CN202110186642A CN112528998B CN 112528998 B CN112528998 B CN 112528998B CN 202110186642 A CN202110186642 A CN 202110186642A CN 112528998 B CN112528998 B CN 112528998B
Authority
CN
China
Prior art keywords
image
certificate
type
user information
image set
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
CN202110186642.5A
Other languages
English (en)
Other versions
CN112528998A (zh
Inventor
赵小诣
周智杰
吕文勇
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.)
Chengdu New Hope Finance Information Co Ltd
Original Assignee
Chengdu New Hope Finance Information 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 Chengdu New Hope Finance Information Co Ltd filed Critical Chengdu New Hope Finance Information Co Ltd
Priority to CN202110186642.5A priority Critical patent/CN112528998B/zh
Publication of CN112528998A publication Critical patent/CN112528998A/zh
Application granted granted Critical
Publication of CN112528998B publication Critical patent/CN112528998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种证件图像处理方法、装置、电子设备及可读存储介质。方法可以包括：基于真证件的证件图像，提取得到真证件的目标背景图像，目标背景图像不包含用户信息；基于控制参数及目标背景图像，获得表征正样本的第一类图像集，以及表征负样本的第二类图像集，第一类图像集中的图像的数量为第一指定数量，第二类图像集中的图像的数量为第二指定数量；使用第一类图像集和第二类图像集，对深度学习模型进行训练测试，得到证件检测模型，用于对包含证件图区的待测图像进行证件真假检测，以得到检测结果，如此，有利于提高所训练得到的证件检测模型对待测图像进行证件真假检测的准确性与可靠性。

Description

证件图像处理方法、装置、电子设备及可读存储介质
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种证件图像处理方法、装置、电子设备及可读存储介质。
背景技术
人工智能可以给人们的生活与工作带来便利性。例如，当前可以利用深度学习进行图像信息的识别，以减轻工作人员的工作量。目前，在利用深度学习模型检测证件的真假时，受限于真假证件的样本数量，存在所训练得到的深度学习模型检测证件图像真假的准确性及可靠性低的情况。比如，在利用生成式对抗网络(Generative adversarialnetworks,GANs)生成假证件的图像时，存在所生成的证件图像的与实际的假证件图像的差异大的情况，因此，所生成的假证件图像无法作为负样本用于网络模型训练，无法用于实际生产业务中。
发明内容
本申请实施例的目的在于提供一种证件图像处理方法、装置、电子设备及可读存储介质，能够改善训练得到的深度学习模型检测证件图像真假的准确性及可靠性低的问题。
为了实现上述目的，本申请的实施例通过如下方式实现：
第一方面，本申请实施例提供一种证件图像处理方法，所述方法包括：
基于真证件的证件图像，提取得到所述真证件的目标背景图像，所述目标背景图像不包含用户信息；
基于控制参数及所述目标背景图像，获得表征正样本的第一类图像集，以及表征负样本的第二类图像集，所述第一类图像集中的图像的数量为第一指定数量，所述第二类图像集中的图像的数量为第二指定数量；
使用所述第一类图像集和所述第二类图像集，对深度学习模型进行训练测试，得到证件检测模型，用于对包含证件图区的待测图像进行证件真假检测，以得到检测结果。
在上述的实施方式中，可以根据需求生成表征正样本的第一类图像集，以及表征负样本的第二类图像集，有利于提高用于模型训练的正负样本的图像数量，然后利用第一类图像集和第二类图像集进行模型训练，如此，有利于提高所训练得到的证件检测模型对待测图像进行证件真假检测的准确性与可靠性。
结合第一方面，在一些可选的实施方式中，所述方法还包括：
当待测图像包括证件图区时，从所述待测图像中提取包括所述证件图区的目标图像；
将所述目标图像输入所述证件检测模型，得到所述证件检测模型对所述目标图像进行证件真假检测的检测结果。
在上述的实施方式中，通过利用训练得到的证件检测模型对待测图像进行证件真假检测，有利于提高对证件真假检测的准确性与可靠性。
结合第一方面，在一些可选的实施方式中，从所述待测图像中提取包括所述证件图区的目标图像，包括：
从所述待测图像的所述证件图区中确定多个关键点；
基于所述多个关键点，根据透视变换模型对所述待测图像进行透视变换，得到经过透视变换的待测图像；
从所述经过透视变换的待测图像中提取所述证件图区，并将提取得到的所述证件图区作为所述目标图像。
在上述的实施方式中，通过对待测图像进行透视变换，并提取证件图区，有利于减少干扰图区，提高对待测图像进行证件真假检测的准确性与可靠性。
结合第一方面，在一些可选的实施方式中，基于真证件的证件图像，提取得到所述真证件的目标背景图像，包括：
从所述真证件的所述证件图像中确定多个关键点；
基于所述多个关键点，根据透视变换模型对所述真证件的所述证件图像进行透视变换，得到经过透视变换的证件图像；
从所述经过透视变换的证件图像中，去除包含用户信息的图区，并对去除所述用户信息的图区进行内容填充，得到不包含所述用户信息的所述目标背景图像。
在上述的实施方式中，通过对真证件的证件图像进行透视变换，以改善因拍照视角造成的图像畸变，然后再提取目标背景图像，有利于提高所提取的目标背景图像的有效性。
结合第一方面，在一些可选的实施方式中，所述控制参数包括表征正样本的第一类用户信息及表征负样本的第二类用户信息；
基于控制参数及所述目标背景图像，获得表征正样本的第一类图像集，以及表征负样本的第二类图像集，包括：
将与每个正样本对应的所述第一类用户信息添加在所述目标背景图像对应的区域，得到所述第一类图像集；
将与每个负样本对应的所述第二类用户信息添加在所述目标背景图像对应的区域，得到所述第二类图像集。
结合第一方面，在一些可选的实施方式中，在获得表征正样本的第一类图像集，以及表征负样本的第二类图像集之前，所述方法还包括：
基于真证件的证件图像，提取得到表征真证件的第一类用户信息；
基于所述控制参数中的字体数据库、字符间距、字体颜色、字体角度、高斯模糊参数、运动模糊参数以及亮度，生成表征负样本的第二类用户信息，其中，所述第一类用户信息的数量为所述第一指定数量，所述第二类用户信息的数量为所述第二指定数量。
结合第一方面，在一些可选的实施方式中，所述控制参数包括表征负样本的第二类用户信息，基于控制参数及所述目标背景图像，获得表征正样本的第一类图像集，以及表征负样本的第二类图像集，包括：
获取通过拍摄真证件得到的多个证件图像，形成所述第一类图像集；
将与每个负样本对应的所述第二类用户信息添加在所述目标背景图像对应的区域，得到所述第二类图像集。
第二方面，本申请实施例还提供一种证件图像处理方法，应用于上述的证件检测模型，所述方法包括：
当待测图像包括证件图区时，从所述待测图像中提取包括所述证件图区的目标图像；
将所述目标图像输入所述证件检测模型，得到所述证件检测模型对所述目标图像进行证件真假检测的检测结果。
第三方面，本申请实施例还提供一种证件图像处理装置，所述装置包括：
背景提取单元，用于基于真证件的证件图像，提取得到所述真证件的目标背景图像，所述目标背景图像不包含用户信息；
图像集获取单元，用于基于控制参数及所述目标背景图像，获得表征正样本的第一类图像集，以及表征负样本的第二类图像集，所述第一类图像集中的图像的数量为第一指定数量，所述第二类图像集中的图像的数量为第二指定数量；
训练单元，用于使用所述第一类图像集和所述第二类图像集，对深度学习模型进行训练测试，得到证件检测模型，用于对包含证件图区的待测图像进行证件真假检测，以得到检测结果。
第四方面，本申请实施例还提供一种证件图像处理装置，应用于上述的证件检测模型，所述装置包括：
背景提取单元，用于当待测图像包括证件图区时，从所述待测图像中提取包括所述证件图区的目标图像；
检测单元，用于将所述目标图像输入所述证件检测模型，得到所述证件检测模型对所述目标图像进行证件真假检测的检测结果。
第五方面，本申请实施例还提供一种电子设备，所述电子设备包括相互耦合的处理器及存储器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述电子设备执行上述的证件图像处理方法，或执行上述的证件图像处理方法。
第六方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的证件图像处理方法，或执行上述的证件图像处理方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请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1为本申请实施例提供的电子设备的结构示意图。
图2为本申请实施例提供的证件图像处理方法的流程示意图之一。
图3a为目标背景图像的部分图区的示意图。
图3b为目标背景图像添第一类用户信息后的部分图区的示意图。
图3c为目标背景图像添第二类用户信息后的部分图区的示意图。
图4为本申请实施例提供的证件检测模型的网络结构示意图。
图5a为本申请实施例提供的cbr卷积模块的网络结构示意图。
图5b为本申请实施例提供的crc卷积模块的网络结构示意图。
图5c为本申请实施例提供的Deep卷积模块的网络结构示意图。
图6为本申请实施例提供的第一证件图像处理装置的框图。
图7为本申请实施例提供的证件图像处理方法的流程示意图之二。
图8为本申请实施例提供的第二证件图像处理装置的框图。
图标：10-电子设备；11-处理模块；12-存储模块；200-第一证件图像处理装置；210-第一背景提取单元；220-图像集获取单元；230-训练单元；400-第二证件图像处理装置；410-第二背景提取单元；420-检测单元。
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描述。需要说明的是，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
第一实施例
请参照图1，本申请实施例提供一种电子设备10，可以用于对证件检测模型进行训练。另外，电子设备10还可以基于证件中的用户信息的排版格式，对证件图像进行证件真假检测。证件的类型可以根据实际情况进行确定，可以是但不限于身份证、驾驶证等，这里不作具体限定。
电子设备10可以包括处理模块11及存储模块12。存储模块12内存储计算机程序，当计算机程序被所述处理模块11执行时，使得电子设备10能够执行第一实施例或下述第二实施例中的证件图像处理方法中的各步骤，。
当然，电子设备10还可以包括其他模块，例如，电子设备10还可以包括通信模块、显示模块等。处理模块11、存储模块12、通信模块及显示模块等各个元件之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
请参照图2，本申请实施例还提供一种证件图像处理方法，可以应用于上述的电子设备10，由电子设备10执行或实现方法的各步骤。方法可以包括如下步骤：
步骤S110，基于真证件的证件图像，提取得到所述真证件的目标背景图像，所述目标背景图像不包含用户信息；
步骤S120，基于控制参数及所述目标背景图像，获得表征正样本的第一类图像集，以及表征负样本的第二类图像集，所述第一类图像集中的图像的数量为第一指定数量，所述第二类图像集中的图像的数量为第二指定数量；
步骤S130，使用所述第一类图像集和所述第二类图像集，对深度学习模型进行训练测试，得到证件检测模型，用于对包含证件图区的待测图像进行证件真假检测，以得到检测结果。
在上述的实施方式中，可以根据需求生成表征正样本的第一类图像集，以及表征负样本的第二类图像集，有利于提高用于模型训练的正负样本的图像数量，然后利用第一类图像集和第二类图像集进行模型训练，如此，有利于提高所训练得到的证件检测模型对待测图像进行证件真假检测的准确性与可靠性。
下面将以证件为身份证作为示例，对方法的各步骤进行详细阐述，如下：
在步骤S110中，真证件的证件图像可以包括通过拍摄真证件的一面或两面的得到图像。例如，可以通过分别拍摄真实身份证的人像面及国徽面，得到真证件的证件图像。
电子设备10可以从真实身份证的证件图像中，提取得到真实身份证的背景图像以作为目标背景图像。其中，目标背景图像不包含与用户对应的用户信息。其中，用户信息可以包括但不限于用户的姓名、性别、民族、出生日期、住址、人像、证件有效期限、证件号码、发证单位名称等。
对于存在两个面的证件，目标背景图像可以包括证件两面的背景图像。例如，对身份证而言，目标背景图像包括身份证中人像所在平面的背景图像以及国徽所在平面的背景图像。
作为一种可选的实施方式，步骤S110可以包括：
从所述真证件的所述证件图像中确定多个关键点；
基于所述多个关键点，根据透视变换模型对所述真证件的所述证件图像进行透视变换，得到经过透视变换的证件图像；
从所述经过透视变换的证件图像中，去除包含用户信息的图区，并对去除所述用户信息的图区进行内容填充，得到不包含所述用户信息的所述目标背景图像。
在本实施例中，电子设备10对从真证件的证件图像进行灰度处理，得到灰度图，然后在灰度图中，确定多个关键点，关键点可以包括但不限于证件图区的边线点、角点以及证件中的图案的关键点。图案的关键点可以根据证件的正反面而灵活确定。
例如，电子设备10可以识别证件图像中的证件的正反面，识别方式为本领域技术人员熟知。例如，对于身份证而言，正面为国徽面，反面为人像面。基于身份证的证件图像，电子设备10可以从正面证件图像中，提取国徽中的角点以作为关键点，或者提取字符中的角点作为关键点；或者，可以从反面证件图像中，提取人像中的关键点（例如，将人像中的嘴角、眼角等角点作为关键点），或提取字符中的角点作为关键点。其中，所提取的关键点的数量可以根据实际情况进行设置。例如，正面证件图像或反面证件图像中的关键点可以为4个、10个等数量，这里对关键点的数量不作具体限定。
可理解地，拍摄得到的证件图像因拍摄视角原因，在所拍摄得到的图像中，证件图区通常存在畸变。比如，呈矩形的身份证在拍摄图像中，呈梯形或呈其他不规则的四边形，即图像中证件的四边的比例与真实证件实际四边的比例不同，此时，证件图区便存在畸变。
在本实施例中，在提取得到多个关键点之后，可以通过透视变换模型，对拍摄得到的证件图像进行透视变换，以对证件图像的畸变进行校正，改善证件图像中的畸变。在完成证件图像的透视变换后，可以从证件图像中，去除用户信息（可以包括上述的用户的姓名、性别、民族、出生日期、住址、人像、证件有效期限、证件号码、发证单位名称），然后对去除用户信息的图区进行内容填充，从而得到不包含用户信息的所述目标背景图像。其中，去除用户信息的图区即为抠图区，进行透视变换的方式为本领域技术人员熟知，这里不再赘述。
示例性地，针对拍摄证件得到的原图像A1及图像A1的复制图像A2（其中，A1与A2用于区分原图与复制图像），在对图像A1去除用户信息的图区进行内容填充期间，电子设备10可以先从图像A2中没有文字且没有扣图的区域，裁剪一块长度和宽度与图像A1扣图区域一致的无文字内容的图区，作为填补图像A1中的抠图区的填补图区；然后通过膨胀算法和高斯模糊算法对扣图区进行面积缩小；将填补图区粘贴在图像1的扣图区域上，并对填补图区进行边缘羽化操作（即进行边缘渐变的图像模糊）；对整张图像A1进行高斯模糊，减少填补图像的边缘的违和感，从而得到目标背景图像。其中，模糊处理与羽化处理为本领域技术人员熟知，模糊处理及羽化处理对应的参数可以根据实际情况进行设置，这里不再赘述。
在步骤S120中，所述控制参数包括表征正样本的第一类用户信息及表征负样本的第二类用户信息。正样本可理解为与真证件中的用户信息的排版格式相同的图像，或者为真证件的证件图像。负样本可理解为与真证件中的用户信息的排版格式不同的图像。第一类用户信息即为与真证件的用户信息的排版格式相同的用户信息，包括但不限于用户的姓名、证件编号等信息。排版格式包括但不限于字符间距、字体大小、字体类型等。第二类用户信息可以为随机生成的表征与真证件的排版格式不同的用户信息，例如，可以随机生成字体类型和字符间距均与真证件不同的证件编号。另外，控制参数还可以包括与真证件对应的人像，与假证件对应的人像等信息，可以根据实际情况进行生成，这里不作具体限定。
可理解地，第一类用户信息不一定为真实用户的信息，可以为自动生成的人造信息（或随机信息），也可以为真实用户的真实信息。第一类用户信息与第二类用户信息的区别在于排版格式不同。
示例性地，第一类用户信息可以为从多个真身份证的证件图像中，通过各类信息区域进行抠图得到单个字符的图区，一个图区包括一个字符；然后，针对证件图区中的每类信息区域，对抠图得到的单个字符图区进行随机的排列组合，便可以得到第一类用户信息。
第二类用户信息可以由字体库生成。比如，由字体库生成宋体、楷体等且排版格式与真实证件的排版格式不同的字符信息，以作为第二类用户信息。
作为一种可选的实施方式，步骤S120可以包括：
基于控制参数及所述目标背景图像，获得表征正样本的第一类图像集，以及表征负样本的第二类图像集，包括：
将与每个正样本对应的所述第一类用户信息添加在所述目标背景图像对应的区域，得到所述第一类图像集；
将与每个负样本对应的所述第二类用户信息添加在所述目标背景图像对应的区域，得到所述第二类图像集。
可理解地，电子设备10可以将每个正样本对应的每条用户信息，以真证件的排版格式添加在目标背景图像对应的区域，从而得到正样本的证件图像。例如，将正样本的证件编号，以真证件的排版格式，添加在目标背景图像中证件编号的图区。生成得到的大量正样本的证件图像便可以形成第一类图像集。
电子设备10可以将每个负样本对应的每条用户信息，以不同于真证件的排版格式添加在目标背景图像对应的区域，从而得到负样本的证件图像。其中，负样本的排版格式只要与真证件的排版格式不同即可，可以根据需求进行灵活设置，这里不作具体限定。例如，将随机生成的证件编号，以不同于真证件的排版格式，添加在目标背景图像中证件编号的图区。生成得到的大量负样本的证件图像便可以形成第二类图像集。
示例性地，请结合参照图3a、图3b和图3c，图3a为身份证中去除身份证编号的图区的示意图；图3b为在去除身份证编号的图区中，添加与真身份证排版格式相同的身份证编号得到的示意图；图3c为在去除身份证编号的图区中，添加与真身份证排版格式不同的身份证编号得到的示意图。
在本实施例中，用户可以灵活设置所生成的第一类图像集与第二类图像集的数量。例如，第一类图像集中的图像的数量为第一指定数量，第二类图像集中的图像的数量为第二指定数量。其中，第一指定数量与第二指定数量可以根据实际情况进行设置，可以相同或不同。示例性地，第一指定数量与第二指定数量可以均为20万张。
在上述的实施方式中，通过将去除用户信息的真证件背景图像作为目标背景图像，然后，在目标背景图像的基础上，利用正样本的用户信息、负样本的用户信息，分别生成第一类图像集和第二类图像集，如此，有利于扩大用于模型训练与测试的证件图像的数量，实现正负样本的证件图像的快速生成，无需以对抗网络的方式生成负样本的证件图像。
当然，在其他实施方式中，第一类图像集可以无需以正样本的用户信息生成，可以将拍摄大量真证件得到的图像形成的集合作为第一类图像集。
作为一种可选的实施方式，步骤S120可以包括：获取通过拍摄真证件得到的多个证件图像，形成所述第一类图像集；将与每个负样本对应的所述第二类用户信息添加在所述目标背景图像对应的区域，得到所述第二类图像集。
由于在拍摄真证件得到的证件图像中，除了包括证件图区之外，通常还包括其他区域，且证件图区通常存在畸变。在本实施例中，针对每张拍摄真证件得到的图像，电子设备10可以通过上述的透视变换模型进行畸变校正，然后提取经过透视变换后的图像中的证件图区，将所提取的证件图区作为第一类图像集中的图像。其中，所拍摄的真证件的数量可以根据实际情况进行确定，这里不作具体限定。
在现实场景中，假证件的样例通常较少，不便于收集到足够数量的图像。在上述的实施方式中，在目标背景图像的基础上，利用负样本的用户信息，生成第二类图像集，有利于实现假证件的证件图像的样例扩充。其中，所生成的第二类图像集中的图像数量可以根据实际情况进行灵活设置，这里不作具体限定。
在步骤S130中，深度学习模型的网络结构可以根据实际情况进行设置。例如，深度学习模型的网络结构可以如图4所示。在图4所示的网络结构中，包括三类基本卷积模块，分别为cbr卷积模块、crc卷积模块及Deep卷积模块。其中，cbr卷积模块的网络结构可以参见图5a，由卷积层conv、批量标准化层bn、Relu（Rectified Linear Unit,修正线性单元）激活函数相互串接形成，其中，“cbr”为“conv”、“bn”及“relu”的首字母组成；crc卷积模块的网络结构可以参见图5b，由卷积层conv、Relu激活函数及卷积层conv串接形成，其中，“crc”为“conv”、“relu”及“conv”的首字母组成；Deep卷积模块的网络结构可以参见图5c，由两个cbr卷积模块串接形成。
其中，图4所示的深度学习模型的网络结构中的模块的定义可以如下表格：
Figure 998022DEST_PATH_IMAGE001
在本实施例中，cbr卷积模块、crc卷积模块及Deep卷积模块，对应的数学公式可以如下：
Figure 350506DEST_PATH_IMAGE002
（1）
Figure 355371DEST_PATH_IMAGE003
（2）
Figure 793305DEST_PATH_IMAGE004
（3）
在网络结构中，还包括卷积层模块
Figure 276239DEST_PATH_IMAGE005
、
Figure 748809DEST_PATH_IMAGE006
、…、
Figure 862258DEST_PATH_IMAGE007
、
Figure 849806DEST_PATH_IMAGE008
、
Figure 74114DEST_PATH_IMAGE009
、
Figure 699392DEST_PATH_IMAGE010
、
Figure 983743DEST_PATH_IMAGE011
、
Figure 458587DEST_PATH_IMAGE012
、
Figure 486586DEST_PATH_IMAGE013
，卷积层模块相互配合，用于让深度学习模型进行图像数据的特征抽取。示例性地，在图4中，网络结构的卷积模块可以包括运算5、运算6、…、运算34及运算35。其中，“运算n”为“运算单元n”的简称，运算n的运算公式可以为下述的公式（n），n为5至35中的任一整数。比如，运算单元5的运算公式为下述的公式（5）。在图4中，箭头所指的运算单元的输入数据为箭头尾部的运算单元的输出参数。例如，运算单元5输出的参数y1为运算单元6的输入参数。卷积层模块相应运算单元对应的数学公式可以如下：
Figure 730485DEST_PATH_IMAGE014
（4）
Figure 920158DEST_PATH_IMAGE015
（5）
Figure 819981DEST_PATH_IMAGE016
（6）
Figure 448409DEST_PATH_IMAGE017
（7）
Figure 750077DEST_PATH_IMAGE018
（8）
Figure 674433DEST_PATH_IMAGE019
（9）
Figure 61552DEST_PATH_IMAGE020
（10）
Figure 431353DEST_PATH_IMAGE021
（11）
Figure 384266DEST_PATH_IMAGE022
（12）
Figure 181321DEST_PATH_IMAGE023
（13）
Figure 852473DEST_PATH_IMAGE024
（14）
Figure 25966DEST_PATH_IMAGE025
（15）
Figure 36647DEST_PATH_IMAGE026
（16）
Figure 66920DEST_PATH_IMAGE027
（17）
Figure 163052DEST_PATH_IMAGE028
（18）
Figure 438438DEST_PATH_IMAGE029
（19）
Figure 303626DEST_PATH_IMAGE030
（20）
Figure 442483DEST_PATH_IMAGE031
（21）
Figure 88228DEST_PATH_IMAGE032
（22）
Figure 337944DEST_PATH_IMAGE033
（23）
Figure 385534DEST_PATH_IMAGE034
（24）
Figure 695293DEST_PATH_IMAGE035
（25）
Figure 828334DEST_PATH_IMAGE036
（26）
Figure 881740DEST_PATH_IMAGE037
（27）
Figure 285302DEST_PATH_IMAGE038
（28）
Figure 765962DEST_PATH_IMAGE039
（29）
Figure 58403DEST_PATH_IMAGE040
（30）
Figure 977818DEST_PATH_IMAGE041
（31）
Figure 672104DEST_PATH_IMAGE042
（32）
Figure 385982DEST_PATH_IMAGE043
（33）
Figure 431299DEST_PATH_IMAGE044
（34）
Figure 888825DEST_PATH_IMAGE045
（35）
在上述的公式中，各类参数的含义如下：
x表示输入至深度学习模型的图像；
y表示深度学习模型输出的数据，比如可以是表示证件图像真假检测的检测结果；
脚标mean指计算算术平均；
max指计算最大值；
脚标a、d无其他含义，用于与下述的脚标b、c进行区分；
脚标b为英文“batch”的简称，指批处理中每一批数据；
脚标c为英文“channel”的简称，指图像的通道，例如，以彩色图像为例，图像的通道包括红（Red，R）通道、绿（Green，G）通道及蓝（Blue，B）通道；
脚标w为英文“width”的简称，指输入图像的宽；
脚标h为英文“height”的简称，指输入图像的高；
脚标cat指张量拼接操作，对应数学符号为“
Figure 437618DEST_PATH_IMAGE046
”，计算方式为本领域技术人员熟知。
在上述公式中，b、c、w、h的值均为整数，脚标i为公式中的相应整数，为本领域技术人员熟知，比如，在上述公式（18）中，i可以为0至h4中的任一整数。b、c、w、h的脚标为对应的公式中的“y”的数字脚标，用于区分不同卷积层的数据。
在本实施例中，可以将第一图像集和第二图像集中的部分图像作为训练图像集，以及将剩余的图像作为校验图像集。训练图像集中的正负样本的图像数量、校验图像集中的正负样本的图像数量均可以根据实际情况进行选择。电子设备10可以通过利用训练图像集中的正样本、负样本的图像，训练如图4所示的深度学习模型，便可以得到经过训练的深度学习模型。然后，电子设备10利用校验图像集对经过训练的深度学习模型进行测试校验，从而可以得到经过测试校验的深度学习模型。其中，经过测试校验的深度学习模型可以提高证件图像检测的准确性与可靠性，经过测试校验的深度学习模型即为证件检测模型。
在本实施例中，证件检测的结构简单、计算速度快，能够部署在各种边缘设备（比如个人电脑），实现证件证件检测的快速运算。
在生成第一类图像集和第二类图像集之前，可以准备相应的第一类用户信息及第二类用户信息。作为一种可选的实施方式，在步骤S120之前，方法还可以包括：
基于真证件的证件图像，提取得到表征真证件的第一类用户信息；
基于所述控制参数中的字体数据库、字符间距、字体颜色、字体角度、高斯模糊参数、运动模糊参数以及亮度，生成表征负样本的第二类用户信息，其中，所述第一类用户信息的数量为所述第一指定数量，所述第二类用户信息的数量为所述第二指定数量。
可理解地，第一类用户信息可以从真证件的证件图像中，提取得到。所提取的用户信息包括但不限于证件中的用户姓名、性别、证件号码、人像等。提取第一类用户信息的方式为本领域技术人员熟知，这里不再赘述。
第二类用户信息为基于控制参数，随机生成的表征假证件的用户信息。管理人员可以根据需求，灵活设置所生成的第二类用户信息中各类文本的字体类型、字符间距、字体颜色、字体倾斜角度、高斯模糊参数、运动模糊参数以及亮度等参数。例如，对于身份证的号码，电子设备10可以生成如图3c所示的假证件的编号。
在得到证件检测模型后，方法还可以包括利用证件检测模型对待测图像进行证件真假检测的步骤。待测图像可以为通过拍摄证件或扫描证件得到的图像，图像中的待测证件即为需要进行排版格式真假检测的证件，通过对证件图像中的用户信息进行排版格式检测，可以初步判断待测证件的真假，以去除假证件。例如，若检测结果表示证件图像的排版格式与真证件的排版格式相同，便初步确认待测证件为真证件；若检测结果表示证件图像的排版格式与真证件的排版格式不同，便确认待测证件为假证件。其中，检测结果为真证件时，可以由人工对待测证件做进一步检测，以提高检测的准确性。待测证件可以为身份证、驾照等。
作为一种可选的实施方式，在步骤S130之后，方法还可以包括：
当待测图像包括证件图区时，从所述待测图像中提取包括所述证件图区的目标图像；
将所述目标图像输入所述证件检测模型，得到所述证件检测模型对所述目标图像进行证件真假检测的检测结果。
其中，从所述待测图像中提取包括所述证件图区的目标图像，包括：
从所述待测图像的所述证件图区中确定多个关键点；
基于所述多个关键点，根据透视变换模型对所述待测图像进行透视变换，得到经过透视变换的待测图像；
从所述经过透视变换的待测图像中提取所述证件图区，并将提取得到的所述证件图区作为所述目标图像。
为了简化描述，利用证件检测模型对待测图像进行证件真假检测的步骤的详细描述，可以参见第二实施例，这里不再赘述。
本申请实施例还提供一种证件图像处理装置，如图6所示，该证件图像处理装置即为第一证件图像处理装置200，可以应用于上述的电子设备10中，用于执行方法中的各步骤。第一证件图像处理装置200包括至少一个可以软件或固件（Firmware）的形式存储于存储模块12中或固化在电子设备10操作系统（Operating System，OS）中的软件功能模块。处理模块11用于执行存储模块12中存储的可执行模块，例如第一证件图像处理装置200所包括的软件功能模块及计算机程序等。
第一证件图像处理装置200可以包括第一背景提取单元210、图像集获取单元220及训练单元230，可以执行的操作内容如下：
第一背景提取单元210，用于基于真证件的证件图像，提取得到所述真证件的目标背景图像，所述目标背景图像不包含用户信息；
图像集获取单元220，用于基于控制参数及所述目标背景图像，获得表征正样本的第一类图像集，以及表征负样本的第二类图像集，所述第一类图像集中的图像的数量为第一指定数量，所述第二类图像集中的图像的数量为第二指定数量；
训练单元230，用于使用所述第一类图像集和所述第二类图像集，对深度学习模型进行训练测试，得到证件检测模型，用于对包含证件图区的待测图像进行证件真假检测，以得到检测结果。
可选地，第一证件图像处理装置200还可以包括第二背景提取单元410检测单元420（可参见图8）。第二背景提取单元410可以用于当待测图像包括证件图区时，从所述待测图像中提取包括所述证件图区的目标图像；检测单元420用于将所述目标图像输入所述证件检测模型，得到所述证件检测模型对所述目标图像进行证件真假检测的检测结果。
可选地，第二背景提取单元410可以用于：从所述待测图像的所述证件图区中确定多个关键点；基于所述多个关键点，根据透视变换模型对所述待测图像进行透视变换，得到经过透视变换的待测图像；从所述经过透视变换的待测图像中提取所述证件图区，并将提取得到的所述证件图区作为所述目标图像。
可选地，第二背景提取单元410还可以用于：从所述真证件的所述证件图像中确定多个关键点；基于所述多个关键点，根据透视变换模型对所述真证件的所述证件图像进行透视变换，得到经过透视变换的证件图像；从所述经过透视变换的证件图像中，去除包含用户信息的图区，并对去除所述用户信息的图区进行内容填充，得到不包含所述用户信息的所述目标背景图像。
可选地，所述控制参数包括表征正样本的第一类用户信息及表征负样本的第二类用户信息；图像集获取单元220还可以用于：将与每个正样本对应的所述第一类用户信息添加在所述目标背景图像对应的区域，得到所述第一类图像集；将与每个负样本对应的所述第二类用户信息添加在所述目标背景图像对应的区域，得到所述第二类图像集。
可选地，在图像集获取单元220执行步骤S120之前，信息提取单元及信息生成单元。信息提取单元用于基于真证件的证件图像，提取得到表征真证件的第一类用户信息；信息生成单元用于基于所述控制参数中的字体数据库、字符间距、字体颜色、字体角度、高斯模糊参数、运动模糊参数以及亮度，生成表征负样本的第二类用户信息，其中，所述第一类用户信息的数量为所述第一指定数量，所述第二类用户信息的数量为所述第二指定数量。
可选地，所述控制参数包括表征负样本的第二类用户信息；图像集获取单元220还可以用于：获取通过拍摄真证件得到的多个证件图像，形成所述第一类图像集；将与每个负样本对应的所述第二类用户信息添加在所述目标背景图像对应的区域，得到所述第二类图像集。
需要说明的是，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，上述描述的电子设备10及第一证件图像处理装置200的具体工作过程，可以参考前述证件图像处理方法中的各步骤对应过程，在此不再过多赘述。
在本实施例中，处理模块11可以是一种集成电路芯片，具有信号的处理能力。上述处理模块11可以是通用处理器。例如，该处理器可以是中央处理器（Central ProcessingUnit，CPU）、图形处理器（Graphics Processing Unit， GPU）、现场可编程门阵列（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，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。
存储模块12可以是，但不限于，随机存取存储器，只读存储器，可编程只读存储器，可擦除可编程只读存储器，电可擦除可编程只读存储器等。在本实施例中，存储模块12可以用于存储控制参数、待测图像、深度学习模型等。当然，存储模块12还可以用于存储程序，处理模块11在接收到执行指令后，执行该程序。
通信模块用于通过网络建立电子设备10与其他设备的通信连接，并通过网络收发数据。其他设备可以为发送待测图像的设备，可以是但不限于智能手机、个人电脑等。例如，用户通过智能手机拍摄证件得到待测图像，然后通过智能手机将待测图像发送至电子设备10，由电子设备10进行证件真假检测。
可以理解的是，图1所示的结构仅为电子设备10的一种结构示意图，电子设备10还可以包括比图1所示更多的组件。图1中所示的各组件可以采用硬件、软件或其组合实现。
第二实施例
请参照图7，本申请实施例还提供一种证件图像处理方法，可以应用于上述的电子设备10中，由电子设备10执行或实现方法的各步骤。其中，电子设备10包括第一实施例中的经过训练得到的证件检测模型。方法可以包括如下步骤：
步骤S310，当待测图像包括证件图区时，从所述待测图像中提取包括所述证件图区的目标图像；
步骤S320，将所述目标图像输入所述证件检测模型，得到所述证件检测模型对所述目标图像进行证件真假检测的检测结果。
在第二实施例中，由于证件检测模型为通过第一实施例的方法训练得到的模型，能够基于排版格式对待测证件进行真假识别，以提高对证件真假检测的准确性，因此，在利用该证件检测模型对待测图像进行证件真假检测时，有利于提高对证件真假检测的准确性与可靠性。
在第二实施例中，电子设备10可以对待测图像进行标准化的预处理，从而滤除干扰图区，保留证件图区的目标图像，以便于提高证件检测模型对证件真假检测的准确性与可靠性。待测图像的标准化预处理可以根据实际情况进行设置。例如，步骤S310可以包括：
从所述待测图像的所述证件图区中确定多个关键点；
基于所述多个关键点，根据透视变换模型对所述待测图像进行透视变换，得到经过透视变换的待测图像；
从所述经过透视变换的待测图像中提取所述证件图区，并将提取得到的所述证件图区作为所述目标图像。
可理解地，对待测图像进行透视变换，与第一实施例中对真证件的证件图像进行透视变换的过程相类似，这里不再赘述。在完成透视变换后，可以基于证件图区的轮廓，从待测图像中，提取证件图区以作为目标图像，滤除除去证件图区之外的其他图区。另外，电子设备10可以对目标图像中的证件图区进行旋转，将证件图区摆正。比如，将身份证图区的边线与呈矩形的目标图像的边线保持平行或垂直。
证件检测模型在对目标图像进行识别检测时，可以基于目标图像中的证件中的信息区域，进行分区域的识别。例如，对于身份证而言，信息区域可以包括但不限于姓名区域、住址区域、证件号码区域、人像区域、发证单位名称区域等。电子设备10可以针对不同的信息区域进行独立检测，当同一待测图像的任一信息区域的检测结果异常（比如该信息区域的排版格式与真证件的排版格式不同，便确认检测结果异常）时，便确定待测图像的证件为假证件的检测结果。当同一待测图像的所有信息区域的检测结果均为正常时，便确定待测图像的证件为真证件的检测结果。对于存在异常的检测结果，电子设备10可以进行提示，提示信息包括异常的信息区域，以便于人工快速定位异常信息区域，并对该信息区域进行复核。
基于上述设计，用户在拍摄身份证照片时可以无需在特定背景下拍摄（如深色背景或浅色背景），电子设备10可以对各种拍摄条件下的图像自动进行身份证检测，可以仅对身份证区域进行身份证真假识别；可以通过对身份证图像进行标准化的预处理，减少身份证由于透视角度不同带来的干扰，减少图像中除去证件图区之外的图区的干扰，以保证证件检测模型能够检测/学习到更加细微与准确稳定的信息；可以对身份证信息区域（例如身份证的号码区域）、地址区域等独立进行真假识别，能够有效的降低由于字体差异、排版差异、身份证背景差异等带来的干扰，提高证件检测模型的鲁棒性。由于进行了分区域识别，因此人工复查身份证图像时能够快速定位到对应的区域进行核验。
本申请实施例还提供一种证件图像处理装置，如图8所示，该证件图像处理装置即为第二证件图像处理装置400，可以应用于上述的电子设备10中，用于执行方法中的各步骤。第二证件图像处理装置400包括至少一个可以软件或固件（Firmware）的形式存储于存储模块12中或固化在电子设备10操作系统（Operating System，OS）中的软件功能模块。处理模块11用于执行存储模块12中存储的可执行模块，例如第二证件图像处理装置400所包括的软件功能模块及计算机程序等。
第二证件图像处理装置400可以包括第二背景提取单元410及检测单元420，可以执行的操作内容如下：
第二背景提取单元410，用于当待测图像包括证件图区时，从所述待测图像中提取包括所述证件图区的目标图像；
检测单元420，用于将所述目标图像输入所述证件检测模型，得到所述证件检测模型对所述目标图像进行证件真假检测的检测结果。
需要说明的是，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，上述描述的电子设备10及第二证件图像处理装置400的具体工作过程，可以参考前述证件图像处理方法中的各步骤对应过程，在此不再过多赘述。
本申请实施例还提供一种计算机可读存储介质。计算机可读存储介质中存储有计算机程序，当计算机程序在计算机上运行时，使得计算机执行如上述实施例中所述的证件图像处理方法，或执行上述的证件图像处理方法。
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本申请可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现，基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）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场景所述的方法。
综上所述，本申请提供一种证件图像处理方法、装置、电子设备及可读存储介质。方法可以包括：基于真证件的证件图像，提取得到真证件的目标背景图像，目标背景图像不包含用户信息；基于控制参数及目标背景图像，获得表征正样本的第一类图像集，以及表征负样本的第二类图像集，第一类图像集中的图像的数量为第一指定数量，第二类图像集中的图像的数量为第二指定数量；使用第一类图像集和第二类图像集，对深度学习模型进行训练测试，得到证件检测模型，用于对包含证件图区的待测图像进行证件真假检测，以得到检测结果。在本方案中，可以根据需求生成表征正样本的第一类图像集，以及表征负样本的第二类图像集，有利于提高用于模型训练的图像数量，然后利用第一类图像集和第二类图像集进行模型训练，如此，有利于提高所训练得到的证件检测模型对待测图像进行证件真假检测的准确性与可靠性。
在本申请所提供的实施例中，应该理解到，所揭露的装置、系统和方法，也可以通过其它的方式实现。以上所描述的装置、系统和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的系统、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，所述模块、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动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。另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种证件图像处理方法，其特征在于，所述方法包括：
基于真证件的证件图像，提取得到所述真证件的目标背景图像，所述目标背景图像不包含用户信息；
基于控制参数及所述目标背景图像，获得表征正样本的第一类图像集，以及表征负样本的第二类图像集，所述第一类图像集中的图像的数量为第一指定数量，所述第二类图像集中的图像的数量为第二指定数量，表征所述正样本的所述第一类图像集的排版格式与所述真证件的排版格式相同，表征所述负样本的所述第二类图像集的排版格式与所述真证件的排版格式不同；
使用所述第一类图像集和所述第二类图像集，对深度学习模型进行训练测试，得到证件检测模型，用于对包含证件图区的待测图像进行证件真假检测，以得到检测结果，所述深度学习模型包括cbr卷积模块、crc卷积模块及Deep卷积模块，所述cbr卷积模块由卷积层conv、批量标准化层bn及Relu激活函数相互串接形成，所述crc卷积模块由卷积层conv、Relu激活函数及卷积层conv串接形成，所述Deep卷积模块由两个cbr卷积模块串接形成，所述cbr卷积模块、所述crc卷积模块及所述Deep卷积模块用于对所述第一类图像集和所述第二类图像集进行特征抽取，以得到所述证件检测模型；
其中，所述控制参数包括表征正样本的第一类用户信息及表征负样本的第二类用户信息，所述第一类用户信息包括：对基于真证件的图像得到的字符图区进行随机排列组合得到的信息；
基于控制参数及所述目标背景图像，获得表征正样本的第一类图像集，以及表征负样本的第二类图像集，包括：
将与每个正样本对应的所述第一类用户信息添加在所述目标背景图像对应的区域，或者获取通过拍摄真证件得到的多个证件图像，以形成所述第一类图像集；
将与每个负样本对应的所述第二类用户信息添加在所述目标背景图像对应的区域，得到所述第二类图像集。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当待测图像包括证件图区时，从所述待测图像中提取包括所述证件图区的目标图像；
将所述目标图像输入所述证件检测模型，得到所述证件检测模型对所述目标图像进行证件真假检测的检测结果。
3.根据权利要求2所述的方法，其特征在于，从所述待测图像中提取包括所述证件图区的目标图像，包括：
从所述待测图像的所述证件图区中确定多个关键点；
基于所述多个关键点，根据透视变换模型对所述待测图像进行透视变换，得到经过透视变换的待测图像；
从所述经过透视变换的待测图像中提取所述证件图区，并将提取得到的所述证件图区作为所述目标图像。
4.根据权利要求1所述的方法，其特征在于，基于真证件的证件图像，提取得到所述真证件的目标背景图像，包括：
从所述真证件的所述证件图像中确定多个关键点；
基于所述多个关键点，根据透视变换模型对所述真证件的所述证件图像进行透视变换，得到经过透视变换的证件图像；
从所述经过透视变换的证件图像中，去除包含用户信息的图区，并对去除所述用户信息的图区进行内容填充，得到不包含所述用户信息的所述目标背景图像。
5.根据权利要求1所述的方法，其特征在于，在获得表征正样本的第一类图像集，以及表征负样本的第二类图像集之前，所述方法还包括：
基于真证件的证件图像，提取得到表征真证件的第一类用户信息；
基于所述控制参数中的字体数据库、字符间距、字体颜色、字体角度、高斯模糊参数、运动模糊参数以及亮度，生成表征负样本的第二类用户信息，其中，所述第一类用户信息的数量为所述第一指定数量，所述第二类用户信息的数量为所述第二指定数量。
6.一种证件图像处理装置，其特征在于，所述装置包括：
背景提取单元，用于基于真证件的证件图像，提取得到所述真证件的目标背景图像，所述目标背景图像不包含用户信息；
图像集获取单元，用于基于控制参数及所述目标背景图像，获得表征正样本的第一类图像集，以及表征负样本的第二类图像集，所述第一类图像集中的图像的数量为第一指定数量，所述第二类图像集中的图像的数量为第二指定数量，表征所述正样本的所述第一类图像集的排版格式与所述真证件的排版格式相同，表征所述负样本的所述第二类图像集的排版格式与所述真证件的排版格式不同；
训练单元，用于使用所述第一类图像集和所述第二类图像集，对深度学习模型进行训练测试，得到证件检测模型，用于对包含证件图区的待测图像进行证件真假检测，以得到检测结果，所述深度学习模型包括cbr卷积模块、crc卷积模块及Deep卷积模块，所述cbr卷积模块由卷积层conv、批量标准化层bn及Relu激活函数相互串接形成，所述crc卷积模块由卷积层conv、Relu激活函数及卷积层conv串接形成，所述Deep卷积模块由两个cbr卷积模块串接形成，所述cbr卷积模块、所述crc卷积模块及所述Deep卷积模块用于对所述第一类图像集和所述第二类图像集进行特征抽取，以得到所述证件检测模型；
其中，所述控制参数包括表征正样本的第一类用户信息及表征负样本的第二类用户信息，所述第一类用户信息包括：对基于真证件的图像得到的字符图区进行随机排列组合得到的信息，所述图像集获取单元还用于：
将与每个正样本对应的所述第一类用户信息添加在所述目标背景图像对应的区域，或者获取通过拍摄真证件得到的多个证件图像，以形成所述第一类图像集；
将与每个负样本对应的所述第二类用户信息添加在所述目标背景图像对应的区域，得到所述第二类图像集。
7.一种证件图像处理装置，其特征在于，应用于权利要求1所述的方法，所述装置包括：
背景提取单元，用于当待测图像包括证件图区时，从所述待测图像中提取包括所述证件图区的目标图像；
检测单元，用于将所述目标图像输入所述证件检测模型，得到所述证件检测模型对所述目标图像进行证件真假检测的检测结果。
8.一种电子设备，其特征在于，所述电子设备包括相互耦合的处理器及存储器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述电子设备执行如权利要求1-5中任一项所述的方法。
9.一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中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1-5中任一项所述的方法。
CN202110186642.5A 2021-02-18 2021-02-18 证件图像处理方法、装置、电子设备及可读存储介质 Active CN112528998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110186642.5A CN112528998B (zh) 2021-02-18 2021-02-18 证件图像处理方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110186642.5A CN112528998B (zh) 2021-02-18 2021-02-18 证件图像处理方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN112528998A CN112528998A (zh) 2021-03-19
CN112528998B true CN112528998B (zh) 2021-06-01

Family

ID=74975685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110186642.5A Active CN112528998B (zh) 2021-02-18 2021-02-18 证件图像处理方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112528998B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699860B (zh) * 2021-03-24 2021-06-22 成都新希望金融信息有限公司 一种个税app操作视频中自动化提取和整理有效信息的方法
CN113033530B (zh) * 2021-05-31 2022-02-22 成都新希望金融信息有限公司 证件翻拍检测方法、装置、电子设备及可读存储介质
CN113392848A (zh) * 2021-08-18 2021-09-14 海特锐（天津）科技有限公司 一种基于深度学习的圆柱体上ocr的读取方法及其设备
CN116071089B (zh) * 2023-02-10 2023-12-05 成都新希望金融信息有限公司 一种欺诈识别方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9014436B2 (en) * 2013-07-29 2015-04-21 Lockheed Martin Corporation Systems and methods for applying commercial web search technologies to biometric matching and identification
CN106991451A (zh) * 2017-04-14 2017-07-28 武汉神目信息技术有限公司 一种证件图片的识别系统及方法
CN108288073A (zh) * 2018-01-30 2018-07-17 北京小米移动软件有限公司 图片真伪识别方法及装置、计算机可读存储介质
CN110059689A (zh) * 2019-03-19 2019-07-26 平安科技（深圳）有限公司 样本集构建方法、装置、计算机设备和存储介质
CN111738979A (zh) * 2020-04-29 2020-10-02 北京易道博识科技有限公司 证件图像质量自动检查方法及系统
CN111898538A (zh) * 2020-07-30 2020-11-06 平安科技（深圳）有限公司 证件鉴伪方法、装置、电子设备及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR200483242Y1 (ko) * 2015-10-23 2017-05-02 김우섭 모바일 디바이스를 이용한 신분증 인식 장치
CN108229499A (zh) * 2017-10-30 2018-06-29 北京市商汤科技开发有限公司 证件识别方法及装置、电子设备和存储介质
RU2715515C2 (ru) * 2018-03-30 2020-02-28 Акционерное общество "Лаборатория Касперского" Система и способ выявления изображения, содержащего идентификационный документ
CN110895693B (zh) * 2019-09-12 2022-04-26 华中科技大学 一种证件的防伪信息的鉴别方法及鉴别系统
CN111079571A (zh) * 2019-11-29 2020-04-28 杭州数梦工场科技有限公司 证卡信息识别及其边缘检测模型训练方法、装置
CN111626124B (zh) * 2020-04-24 2024-06-11 平安国际智慧城市科技股份有限公司 Ocr图像样本生成、印刷体验证方法、装置、设备及介质
CN111861952B (zh) * 2020-06-05 2023-11-24 北京嘀嘀无限科技发展有限公司 一种图像生成模型、卡号识别模型的训练方法及装置
CN111931783A (zh) * 2020-08-18 2020-11-13 创新奇智(重庆)科技有限公司 一种训练样本生成方法、机读码识别方法及装置
CN112215225B (zh) * 2020-10-22 2024-03-15 北京通付盾人工智能技术有限公司 一种基于计算机视觉技术的kyc证件核验方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9014436B2 (en) * 2013-07-29 2015-04-21 Lockheed Martin Corporation Systems and methods for applying commercial web search technologies to biometric matching and identification
CN106991451A (zh) * 2017-04-14 2017-07-28 武汉神目信息技术有限公司 一种证件图片的识别系统及方法
CN108288073A (zh) * 2018-01-30 2018-07-17 北京小米移动软件有限公司 图片真伪识别方法及装置、计算机可读存储介质
CN110059689A (zh) * 2019-03-19 2019-07-26 平安科技（深圳）有限公司 样本集构建方法、装置、计算机设备和存储介质
CN111738979A (zh) * 2020-04-29 2020-10-02 北京易道博识科技有限公司 证件图像质量自动检查方法及系统
CN111898538A (zh) * 2020-07-30 2020-11-06 平安科技（深圳）有限公司 证件鉴伪方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于图像处理的鉴定身份证真伪技术的研究与实现;梁艳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20050615(第6期);第I138-52页 *

Also Published As

Publication number Publication date
CN112528998A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN112528998B (zh) 证件图像处理方法、装置、电子设备及可读存储介质
WO2020098250A1 (zh) 字符识别方法、服务器及计算机可读存储介质
CN110751041A (zh) 证件真伪验证方法、系统、计算机设备及可读存储介质
US20190392196A1 (en) Within document face verification
CN109214385A (zh) 数据采集方法、数据采集装置及存储介质
CN112541443B (zh) 发票信息抽取方法、装置、计算机设备及存储介质
CN108830275B (zh) 点阵字符、点阵数字的识别方法及装置
CN110378254B (zh) 车损图像修改痕迹的识别方法、系统、电子设备及存储介质
CN111931783A (zh) 一种训练样本生成方法、机读码识别方法及装置
WO2022103564A1 (en) Fraud detection via automated handwriting clustering
US20240193987A1 (en) Face liveness detection method, terminal device and non-transitory computer-readable storage medium
CN112232336A (zh) 一种证件识别方法、装置、设备及存储介质
CN116597466A (zh) 一种基于改进YOLOv5s的工程图纸文字检测识别方法及系统
CN111462388A (zh) 一种票据检验方法、装置、终端设备及存储介质
CN110414522A (zh) 一种字符识别方法及装置
CN115410191B (zh) 文本图像识别方法、装置、设备和存储介质
CN117058805A (zh) 纸币图像处理方法及系统
CN110909816A (zh) 图片识别方法和装置
CN113033530B (zh) 证件翻拍检测方法、装置、电子设备及可读存储介质
CN111626244B (zh) 图像识别方法、装置、电子设备和介质
CN114820476A (zh) 基于合规性检测的身份证识别方法
CN115083024A (zh) 基于区域划分的签名识别方法、装置、介质及设备
CN113449686A (zh) 一种身份证造假的识别方法、装置、设备和介质
CN112434727A (zh) 身份证明文件认证方法和系统
CN112597810A (zh) 身份证明文件认证方法和系统

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