CN112541899A - 证件的残缺检测方法、装置、电子设备及计算机存储介质 - Google Patents
证件的残缺检测方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN112541899A CN112541899A CN202011473905.2A CN202011473905A CN112541899A CN 112541899 A CN112541899 A CN 112541899A CN 202011473905 A CN202011473905 A CN 202011473905A CN 112541899 A CN112541899 A CN 112541899A
- Authority
- CN
- China
- Prior art keywords
- certificate
- image
- corner
- detection
- defect
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 238000010586 diagram Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000007547 defect Effects 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000011426 transformation method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000009466 transformation Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003702 image correction Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术,揭露了一种证件的残缺检测方法,包括:获取用户输入的证件图像,并将所述证件图像进行去噪处理,得到去噪图像;对所述去噪图像进行证件区域检测,得到证件框图;对所述证件框图进行证件区域提取及拉正处理,得到矩形证件图像;对所述矩形证件图形进行角提取,得到角图像,并利用预构建的标准边角判断模型对所述角图像进行完整性判定,得到所述证件的残缺检测结果。本发明还提出了证件的残缺检测装置、设备及计算机可读存储介质。此外,本发明还涉及区块链技术,所述残缺检测结果可存储于区块链节点中。本发明可以提高识别身份证残缺角的检测效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种证件的残缺检测方法、装置、电子设备及计算机可读存储介质。
背景技术
在信息化时代,身份证的作用变得越来越突出,在很多重要场景,都需要提供身份证或身份证复印件,例如考驾照等证件、取车票、办手机卡等。
失效的身份证通常会人为的剪去一个角,但仍有不法分子收购这种失效身份证,利用这种失效身份证的照片在银行等机构办理各种业务,损害银行和失效身份证对应人的利益。传统的方法可以利用Harris角点检测算法对图像进行直角拐点的检测,然后依据统计检测出来的直角拐点的数目进行身份证照片的判定,但因为身份证正反面差异大及背景多变,该方法在复杂背景中识别率低。
发明内容
本发明提供一种证件的残缺检测方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高识别身份证缺边角的检测效率。
为实现上述目的,本发明提供的一种证件的残缺检测方法,包括:
获取用户输入的证件图像,并将所述证件图像进行去噪处理,得到去噪图像;
对所述去噪图像进行证件区域检测,得到证件框图;
对所述证件框图进行证件区域提取及拉正处理,得到矩形证件图像;
对所述矩形证件图形进行角提取,得到角图像,并利用预构建的标准边角判断模型对所述角图像进行完整性判定,得到所述证件的残缺检测结果。
可选的,所述利用预构建的标准边角判断模型对所述角图像进行完整性判定之前,所述方法还包括:
获取预构建的证件样本集,并利用所述证件样本集对预构建的分类模型进行K折交叉验证训练,得到初级边角判断模型;
对所述初级边角判断模型进行性能评估,得到评估分数,当所述评估分数小于预设的标准分数时,调整所述初级边角判断模型的模型参数,直到所述评估分数大于或等于预设的标准分数时得到标准边角判断模型。
可选的,所述对所述去噪图像进行证件区域检测,得到证件框图,包括:
设置预构建的目标检测算法中的边框参数,并利用预构建的图像集对所述目标检测算法进行训练,得到证件检测模型;
利用所述证件检测模型对所述去噪图像进行证件区域检测,得到证件框图。
可选的,所述对所述证件框图进行证件区域提取及拉正处理,得到矩形证件图像,包括:
利用边缘检测算法对所述证件框图进行边缘检测,得到证件区域的轮廓,并根据所述轮廓进行证件区域提取;
利用仿射变换方法对提取的所述证件区域进行拉正处理,得到矩形证件图像。
可选的,所述将所述证件图像进行去噪处理,得到去噪图像,包括:
利用预构建的高斯滤波器对所述证件图像进行降噪,得到去噪图像;或者,
利用预构建的OpenCV中的滤波函数,对所述证件图像进行去噪,得到去噪图像。
可选的,所述对所述矩形证件图形进行角提取,得到角图像,包括:
将所述矩形证件图像缩放为预设第一尺寸大小的缩放图像;
根据所述缩放图像的四个角的顶点坐标,从所述缩放图像的四个角分别截取预设第二尺寸大小的单角图像,并将所述单角图像进行拼接,得到所述角图像。
可选的,所述利用预构建的标准边角判断模型对所述角图像进行完整性判定,得到所述证件的残缺检测结果之后,所述方法还包括:
当所述残缺检测结果为所述证件图像为缺失状态时,记录所述用户的登录信息;
当所述登录信息对应的账号发送的证件图像为缺失状态的次数超过预设次数时,对所述账号标记封号并举报处理。
为了解决上述问题,本发明还提供一种证件的残缺检测装置,所述装置包括:
图像获取模块:用于获取用户输入的证件图像,并将所述证件图像进行去噪处理,得到去噪图像;
区域检测模块:用于对所述去噪图像进行证件区域检测,得到证件框图;
提取拉伸模块:用于对所述证件框图进行证件区域提取及拉正处理,得到矩形证件图像;
残缺判断模块:用于对所述矩形证件图形进行角提取,得到角图像,并利用预构建的标准边角判断模型对所述角图像进行完整性判定,得到所述证件的残缺检测结果。
为了解决上述问题,本发明还提供一种电子设备,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计算机程序指令,所述计算机程序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上述所述的证件的残缺检测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现上述所述的证件的残缺检测方法。
本发明实施例将证件图像进行去噪,去除干扰因素,使图像检索更加精确;进行图像框选,得到证件框图,并将所述证件框图进行证件边缘提取与图像拉正,得到完整的证件图像信息,排除检测证件是否缺失时的背景干扰;利用边角判断模型对角图像进行深度学习,高识别率地判断所述证件是否残缺。因此,本发明实施例提供的证件的残缺检测方法、装置、电子设备及计算机可读存储介质解决了证件检测识别率低、背景因素干扰大的问题。
附图说明
图1为本发明一实施例提供的证件的残缺检测方法的流程示意图;
图2为本发明一实施例提供的证件的残缺检测装置的模块示意图;
图3为本发明一实施例提供的实现证件的残缺检测方法的电子设备的内部结构示意图;
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。
本申请实施例提供一种证件的残缺检测方法。所述证件的残缺检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述证件的残缺检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的证件的残缺检测方法的流程示意图。在本实施例中,所述证件的残缺检测方法包括:
S1、获取用户输入的证件图像,并将所述证件图像进行去噪处理,得到去噪图像。
本发明实施例中,所述证件图像可以是身份证、驾驶证等的扫描图像或者照片。进一步地,本发明实施例中,用户可以登录一个预设的系统,如买票系统等,利用该系统上传证件图像。进一步地,所述去噪处理是指减少数字图像中噪声的过程,以减少现实中的数字图像在数字化和传输过程中因受到成像设备与外部环境噪声干扰等影响,而产生的噪音数据。
详细地,本发明实施例中,所述S1,包括:
利用预构建的高斯滤波器对所述证件图像进行降噪,得到去噪图像;或者,
利用预构建的OpenCV中的滤波函数,对所述证件图像进行去噪,得到去噪图像。
其中,所述高斯滤波器是根据高斯分布函数来选择权值的线性平滑滤波器,对随机分布和服从正态分布的噪声有很好地滤除效果。
详细地,本发明实施例将所述证件图像的每一个像素作为当前像素,利用卷积核对所述当前像素的周围邻域像素作加权平均,将得到的值作为当前像素的新值,从而实现证件图像的平滑过滤。
本发明较佳实施例中,所述卷积核可以设置为如下的5*5矩阵:
由于所述高斯滤波为加权平均滤波,为实现平均,卷积核前带有一个系数,例如1/21,其中,所述系数等于矩阵中所有数值之和的倒数。
此外,所述OpenCV为一个基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库,可以运行在Linux、Windows、Android和Mac OS操作系统上,提供了Python、Ruby、MATLAB等语言的接口,可以实现图像处理和计算机视觉方面的很多通用算法。本发明实施例利用所述OpenCV中的高斯滤波函数,将所述证件图像进行去噪,得到所述去噪图像。
S2、对所述去噪图像进行证件区域检测,得到证件框图。
本发明实施例中,由于所述用户输入的证件图像一般通过扫描或者拍照得到,可能会存在过多的背景部分,因此,本发明实施例通过区域检测,得到证件框图以去除所述背景部分,减少下述残缺检测的运算量。
详细地,本发明实施例中,所述S2,包括:
设置预构建的目标检测算法,如YOLO V3模型中的边框参数,并利用预构建的图像集对所述目标检测算法继续训练,得到证件检测模型;
利用所述证件检测模型对所述去噪图像进行证件图像检测,得到所述证件框图。
其中,所述YOLO V3模型是一种基于深度神经网络的对象识别和定位算法。进一步地,本发明实施例可以将所述YOLO V3模型的边框参数长宽比例设置为158:100。
本发明较佳实施例利用320*320,416*416,608*608三种尺度缺损或完整的证件图像作为样本集对所述YOLO V3模型进行训练得到所述证件检测模型。通过所述证件检测模型可以对所述去噪图像中正反面的证件区域进行画框选取,得到所述证件框图。
S3、对所述证件框图进行证件图像提取、拉正,得到矩形证件图像。
由于拍摄等原因,所述证件框图可能存在倾斜等问题,因为本发明实施例进一步对所述证件框图进行证件图像提取、拉正等处理。
详细地,本发明实施例中,所述S3,包括:
利用Canny等边缘检测算法对所述证件框图进行证件边缘检测,得到所述证件的轮廓,并根据所述轮廓进行证件提取,得到证件图像;
利用仿射变换方法对所述证件图像进行拉正,得到所述矩形证件图像。
其中,所述Canny边缘检测算法是一个根据图像强度梯度,即灰度值的不同进行边缘检测的算法,本发明实施例将RGB的彩色图片进行灰度化处理,得到所述轮廓,沿所述轮廓进行提取,得到所述证件图像。
其中,所述灰度化处理的公式如下:
Gray=0.29R+0.58G+0.11B
其中,Gray表示灰度化之后所述图像的灰度强度,R、G、B分别表示图像的RGB,即红、绿、蓝三个通道的属性值。
本发明实施例根据所述灰度化公式将所述证件框图中每个像素点的红绿蓝三颜色通道值转化为所述灰度强度,根据灰度强度梯度不同,将所述证件框图中的所述图形轮廓进行确认,利用预设提取框将不同的轮廓进行框选,得到所述证件图像。
所述仿射变换是一种二维坐标到二维坐标之间的线性变换,保持二维图形的“平直性”和“平行性”,简单来说允许图像任意倾斜,包括平移、旋转、缩放等。
其中,所述仿射变换的计算公式如下:
其中,x,y为变换前坐标,x′/y′为变换之后的坐标,a、b、c、d表示为约束条件。
本发明实施例通过所述仿射变换的公式,将所述证件图像进行拉伸,得到标准的矩形证件图像。
S4、对所述矩形证件图形进行角提取,得到角图像,并利用预构建的标准边角判断模型对所述角图像进行完整性判定,得到所述证件的残缺检测结果。
详细地,本发明实施例中,所述S4之前,包括:
获取预构建的证件样本集,设置预构建的分类模型(Densenet201)的模型参数,并利用所述证件样本集对所述分类模型进行K折交叉训练,得到初级边角判断模型;
对所述初级边角判断模型进行性能评估,得到评估分数,当所述评估分数小于预设的标准分数,判定所述初级边角判断模型为所述标准边角判断模型。
本发明实施例删除了预构建模型Densenet201中最后的全连接层,并在主干网络中引入SE(Sequeze and Excitation)模块,对所述SE模块进行训练,增强Densenet201模型的学习能力。其中,所述SE模块会增加网络的总参数量,总计算量,可以添加在已构建的所述Densenet201网络中,而不改变所述Densenet201网络的主体结构。
进一步的,本发明实施例将所述Densenet201模型的最后一层的SoftMax替换为sigmoid,并添加分类权重,损失函数使用binary cross entropy(BCE,二元交叉熵),使得模型中参数能够保持在其允许范围内。
其中,本发明实施例定义的损失函数为:
所述K折交叉验证,就是将所述整洁量化数据等比例划分成K份,以其中的一份作为测试数据,其他的K-1份数据作为训练数据,并进行K次训练,从而得出分类模型的最优参数的过程,根据所述最优参数生成所述边角分析初级模型。
进一步的,本发明实施例中,所述对所述初级边角判断模型进行性能评估,得到评估分数,包括:
利用双重指标加权的策略,对所述初级边角判断模型进行评价,根据评价得分;
当所述评价得分大于标准分数时,重新利用所述证件样本集对预构建的分类模型进行K折交叉验证训练,直到所述评价得分小大于或者等于标准分数时,得到标准边角判断模型。
其中所述评价得分的计算公式如下:
F=0.3*FRR+0.7*FAR
FRR=FN/(TP+FN)*100%
FAR=FP/(TN+FP)*100%
其中,TP表示为真正例,即模型预测为正常并且实际也为正常的个数,FP表示为假正例,即模型预测为正常而实际为残缺的个数,FN表示为假负例,即模型预测为残缺而实际为正常的个数,TN为真负例,即模型预测为残缺而实际也为残缺的个数。
本发明实施例中所述标准分数可以设置为0.15。
进一步地,本发明实施例中,所述利用所述矩形证件图形进行角提取,得到角图像,包括:
将所述矩形证件图像缩放为预设第一像素大小的缩放图像;
根据所述缩放图像的四个角的顶点坐标,从所述缩放图像的四个角分别截取预设第二尺寸大小的单角图像,并将所述单角图像进行拼接,得到所述角图像。
本发明较佳实施例将所述矩形证件图形按照158:100的比例缩放至长474像素、宽300像素的缩放图像,将所述缩放图像的四个角各自提取出50*50像素的正方块,并不改变所述正方块的相对顺序的情况下将四个所述正方块进行拼凑,得到100*100的大正方块即所述角图像。
详细地,本发明实施例中,所述利用预构建的标准边角判断模型对所述角图像进行完整性判定,得到所述证件的残缺检测结果,包括:
利用所述边角判断模型对所述角图像进行判断,得到概率P,对所述概率P进行划分:
当所述边角判断模型得出的所述概率大于0.6,则判断所述证件为缺边缺角;当所述概率小于0.6则判断为正常情况。
本发明实施例中,所述证件的残缺检测结果可以存储于区块链节点中。
进一步的,本发明实施例中,所述利用预构建的标准边角判断模型对所述角图像进行完整性判定,得到所述证件的残缺检测结果之后,所述方法还可以包括:
当所述残缺检测结果为所述证件图像为缺失状态时,记录所述用户的登录信息;
当所述登录信息对应的账号发送的证件图像为缺失状态的次数超过预设次数时,对所述账号标记封号并举报处理。
本发明实施例所述预设次数可以设置为3,根据所述证件的残缺检测结果,当所述用户输入的证件照为证件有缺角状况时,拒绝所述用户进行上传所述证件图像,记录所述用户的账户ID,当所述账户ID上传的缺角的证件图像超过3次,将所述账户ID进行封锁并报警。
本发明实施例将证件图像进行去噪,去除干扰因素,使图像检索更加精确;进行图像框选,得到证件框图,并将所述证件框图进行证件边缘提取与图像拉正,得到完整的证件图像信息,排除检测证件是否缺失时的背景干扰;利用标准边角判断模型对角图像进行深度学习,高识别率地判断所述证件是否残缺。因此,本发明实施例解决了证件检测识别率低、背景因素干扰大的问题。。
如图2所示,是本发明证件的残缺检测装置的模块示意图。
本发明所述证件的残缺检测装置100可以安装于电子设备中。根据实现的功能,所述证件的残缺检测装置可以包括图像获取模块101、区域检测模块102、提取拉伸模型103、残缺判断模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述图像获取模块101用于获取用户输入的证件图像,并将所述证件图像进行去噪处理,得到去噪图像。
本发明实施例中,所述证件图像可以是身份证、驾驶证等的扫描图像或者照片。进一步地,本发明实施例中,用户可以登录一个预设的系统,如买票系统等,利用该系统上传证件图像。进一步地,所述去噪处理是指减少数字图像中噪声的过程,以减少现实中的数字图像在数字化和传输过程中因受到成像设备与外部环境噪声干扰等影响,而产生的噪音数据。
所述图像获取模块101具体用于:
利用预构建的高斯滤波器对所述证件图像进行降噪,得到去噪图像;或者,
利用预构建的OpenCV中的滤波函数,对所述证件图像进行去噪,得到去噪图像。
其中,所述高斯滤波器是根据高斯分布函数来选择权值的线性平滑滤波器,对随机分布和服从正态分布的噪声有很好地滤除效果。
详细地,本发明实施例所述所述图像获取模块101将所述证件图像的每一个像素作为当前像素,利用卷积核对所述当前像素的周围邻域像素作加权平均,将得到的值作为当前像素的新值,从而实现证件图像的平滑过滤。
本发明较佳实施例中,所述卷积核可以设置为如下的5*5矩阵:
由于所述高斯滤波为加权平均滤波,为实现平均,卷积核前带有一个系数,例如1/21,其中所述系数等于矩阵中所有数值之和的倒数。
此外,所述OpenCV为一个基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库,可以运行在Linux、Windows、Android和Mac OS操作系统上,提供了Python、Ruby、MATLAB等语言的接口,可以实现图像处理和计算机视觉方面的很多通用算法。本发明实施例,利用所述OpenCV中的高斯滤波函数,将所述证件图像进行去噪,得到所述去噪图像。
所述区域检测模块102用于对所述去噪图像进行证件区域检测,得到证件框图。
本发明实施例中,由于所述用户输入的证件图像一般通过扫描或者拍照得到,可能会存在过多的背景部分,因此,本发明实施例通过区域检测,得到证件框图以去除所述背景部分,减少下述残缺检测的运算量。
本发明实施例中,所述区域检测模块102具体用于:
设置预构建的目标检测算法,如YOLO V3模型中的边框参数,并利用预构建的图像集对所述目标检测算法继续训练,得到证件检测模型;
利用所述证件检测模型对所述去噪图像进行证件图像检测,得到所述证件框图。
其中,所述YOLO V3模型是一种基于深度神经网络的对象识别和定位算法。进一步地,本发明实施例可以将所述YOLO V3模型的边框参数长宽比例设置为158:100。
本发明较佳实施例利用320*320,416*416,608*608三种尺度缺损或完整的证件图像作为样本集对所述YOLO V3模型进行训练得到所述证件检测模型。通过所述证件检测模型可以对所述去噪图像中正反面的证件区域进行画框选取,得到所述证件框图。
所述提取拉伸模块103用于对所述证件框图进行证件区域提取及拉正处理,得到矩形证件图像。
由于拍摄等原因,所述证件框图可能存在倾斜等问题,因为本发明实施例进一步对所述证件框图进行证件图像提取、拉正等处理。详细地,本发明实施例中,所述提取拉伸模块103具体用于:
利用Canny等边缘检测算法对所述证件框图进行证件边缘检测,得到所述证件的轮廓,并根据所述轮廓进行证件提取,得到证件图像;利用仿射变换方法对所述证件图像进行拉正,得到所述矩形证件图像。
其中,所述Canny边缘检测算法是一个根据图像强度梯度即灰度值的不同进行边缘检测的算法,本发明实施例将RGB的彩色图片进行灰度化处理,得到所述轮廓,沿所述轮廓进行提取,得到所述证件图像。
其中,所述灰度化处理公式如下:
Gray=0.29R+0.58G+0.11B
其中,Gray表示灰度化之后所述图像的灰度强度,R、G、B分别表示图像的RGB,即红、绿、蓝三个通道的属性值。
本发明实施例根据所述灰度化公式将所述证件框图中每个像素点的红绿蓝三颜色通道值转化为所述灰度强度,根据灰度强度梯度不同,将所述证件框图中的所述图形轮廓进行确认,利用预设提取框将不同的轮廓进行框选,得到所述证件图像。
所述仿射变换是一种二维坐标到二维坐标之间的线性变换,保持二维图形的“平直性”和“平行性”,简单来说允许图像任意倾斜,包括平移、旋转、缩放等。
其中,所述仿射变换的计算公式如下:
其中,x,y为变换前坐标,x′/y′为变换之后的坐标,a、b、c、d表示为约束条件。
本发明实施例通过所述仿射变换的公式,将所述证件图像进行拉伸,得到所述矩形证件图像。
所述残缺判断模块104用于对所述矩形证件图形进行角提取,得到角图像,并利用预构建的标准边角判断模型对所述角图像进行完整性判定,得到所述证件的残缺检测结果。
详细地,本发明实施例中,所述残缺判断模块104还用于:
获取预构建的证件样本集,设置预构建的分类模型(Densenet201)的模型参数,并利用所述证件样本集对所述分类模型进行K折交叉训练,得到初级边角判断模型;
对所述初级边角判断模型进行性能评估,得到评估分数,当所述评估分数小于预设的标准分数,判定所述初级边角判断模型为所述标准边角判断模型。
本发明实施例删除了预构建模型Densenet201中最后的全连接层,并在主干网络中引入SE(Sequeze and Excitation)模块,对所述SE模型进行训练,增强Densenet201模型的学习能力。其中,所述SE模块会增加网络的总参数量,总计算量,可以添加在已构建的所述Densenet201网络中,而不改变所述Densenet201网络的主体结构。
进一步的,本发明实施例将所述Densenet201模型的最后一层的SoftMax替换为sigmoid,并添加分类权重,损失函数使用binary cross entropy(BCE,二元交叉熵),使得模型中参数能够保持在其允许范围内。
其中,本发明实施例定义的损失函数为:
所述K折交叉验证,就是将所述整洁量化数据等比例划分成K份,以其中的一份作为测试数据,其他的K-1份数据作为训练数据,并进行k次训练,从而得出分类模型的最优参数的过程,根据所述最优参数生成所述边角分析初级模型。
进一步的,本发明实施例中,在对所述初级边角判断模型进行性能评估,得到评估分数时,所述残缺判断模块104用于:
利用双重指标加权的策略,对所述初级边角判断模型进行评价,根据评价得分;
当所述评价得分大于标准分数时,重新利用所述证件样本集对预构建的分类模型进行K折交叉验证训练,直到所述评价得分小大于或者等于标准分数时,得到标准边角判断模型。
其中评价得分的计算公式如下:
F=0.3*FRR+0.7*FAR
FRR=FN/(TP+FN)*100%
FAR=FP/(TN+FP)*100%
其中,TP表示为真正例,即模型预测为正常并且实际也为正常的个数,FP表示为假正例,即模型预测为正常而实际为残缺的个数,FN表示为假负例,即模型预测为残缺而实际为正常的个数,TN为真负例,即模型预测为残缺而实际也为残缺的个数。
本发明实施例中所述标准分数可以设置为0.15。
进一步地,本发明实施例中,在利用所述矩形证件图形进行角提取,得到角图像时,所述残缺判断模块104用于:
将所述矩形证件图像缩放为预设第一像素大小的缩放图像;
根据所述缩放图像的四个角的顶点坐标,从所述缩放图像的四个角分别截取预设第二尺寸大小的单角图像,并将所述单角图像进行拼接,得到所述角图像。
本发明较佳实施例将所述矩形证件图形按照158:100的比例缩放至长474像素、宽300像素的缩放图像,将所述缩放图像的四个角各自提取出50*50像素的正方块,并不改变所述正方块的相对顺序的情况下将四个所述正方块进行拼凑,得到100*100的大正方块即所述角图像。
详细地,本发明实施例中,在利用预构建的标准边角判断模型对所述角图像进行完整性判定,得到所述证件的残缺检测结果,所述残缺判断模块104用于:
利用所述边角判断模型对所述角图像进行判断,得到概率P,对所述概率P进行划分:
当所述边角判断模型得出的所述概率大于0.6,则判断所述证件为缺边缺角;当所述概率小于0.6则判断为正常情况。
本发明实施例中,所述证件的残缺检测结果可以存储于区块链节点中。
进一步的,本发明实施例中,所述利用预构建的标准边角判断模型对所述角图像进行完整性判定,得到所述证件的残缺检测结果之后,所述残缺判断模块104还用于:
当所述残缺检测结果为所述证件图像为缺失状态时,记录所述用户的登录信息;
当所述登录信息对应的账号发送的证件图像为缺失状态的次数超过预设次数时,对所述账号标记封号并举报处理。
本发明实施例所述预设次数可以设置为3,根据所述证件的残缺检测结果,当所述用户输入的证件照为证件有缺角状况时,拒绝所述用户进行上传所述证件图像,记录所述用户的账户ID,当所述账户ID上传的缺角的证件图像超过3次,将所述账户ID进行封锁并报警。
本发明实施例将证件图像进行去噪,去除干扰因素,使图像检索更加精确;进行图像框选,得到证件框图,并将所述证件框图进行证件边缘提取与图像拉正,得到完整的证件图像信息,排除检测证件是否缺失时的背景干扰;利用标准边角判断模型对角图像进行深度学习,高识别率地判断所述证件是否残缺。因此,本发明实施例解决了证件检测识别率低、背景因素干扰大的问题。
如图3所示,是本发明实现证件的残缺检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如证件的残缺检测程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如证件的残缺检测程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行证件的残缺检测程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的证件的残缺检测程序12是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取用户输入的证件图像,并将所述证件图像进行去噪处理,得到去噪图像;
对所述去噪图像进行证件区域检测,得到证件框图;
对所述证件框图进行证件区域提取及拉正处理,得到矩形证件图像;
对所述矩形证件图形进行角提取,得到角图像,并利用预构建的标准边角判断模型对所述角图像进行完整性判定,得到所述证件的残缺检测结果。
进一步地,所述电子设备1集成的模块/单元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,可以存储在一个计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取用户输入的证件图像,并将所述证件图像进行去噪处理,得到去噪图像;
对所述去噪图像进行证件区域检测,得到证件框图;
对所述证件框图进行证件区域提取及拉正处理,得到矩形证件图像;
对所述矩形证件图形进行角提取,得到角图像,并利用预构建的标准边角判断模型对所述角图像进行完整性判定,得到所述证件的残缺检测结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,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。
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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明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。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种证件的残缺检测方法,其特征在于,所述方法包括:
获取用户输入的证件图像,并将所述证件图像进行去噪处理,得到去噪图像;
对所述去噪图像进行证件区域检测,得到证件框图;
对所述证件框图进行证件区域提取及拉正处理,得到矩形证件图像;
对所述矩形证件图形进行角提取,得到角图像,并利用预构建的标准边角判断模型对所述角图像进行完整性判定,得到所述证件的残缺检测结果。
2.如权利要求1所述的证件的残缺检测方法,其特征在于,所述利用预构建的标准边角判断模型对所述角图像进行完整性判定之前,所述方法还包括:
获取预构建的证件样本集,并利用所述证件样本集对预构建的分类模型进行K折交叉验证训练,得到初级边角判断模型;
对所述初级边角判断模型进行性能评估,得到评估分数,当所述评估分数小于预设的标准分数时,调整所述初级边角判断模型的模型参数,直到所述评估分数大于或等于预设的标准分数时得到标准边角判断模型。
3.如权利要求1所述的证件的残缺检测方法,其特征在于,所述对所述去噪图像进行证件区域检测,得到证件框图,包括:
设置预构建的目标检测算法中的边框参数,并利用预构建的图像集对所述目标检测算法进行训练,得到证件检测模型;
利用所述证件检测模型对所述去噪图像进行证件区域检测,得到证件框图。
4.如权利要求1所述的证件的残缺检测方法,其特征在于,所述对所述证件框图进行证件区域提取及拉正处理,得到矩形证件图像,包括:
利用边缘检测算法对所述证件框图进行边缘检测,得到证件区域的轮廓,并根据所述轮廓进行证件区域提取;
利用仿射变换方法对提取的所述证件区域进行拉正处理,得到矩形证件图像。
5.如权利要求1所述的证件的残缺检测方法,其特征在于,所述将所述证件图像进行去噪处理,得到去噪图像,包括:
利用预构建的高斯滤波器对所述证件图像进行降噪,得到去噪图像;或者,
利用预构建的OpenCV中的滤波函数,对所述证件图像进行去噪,得到去噪图像。
6.如权利要求1所述的证件的残缺检测方法,其特征在于,所述对所述矩形证件图形进行角提取,得到角图像,包括:
将所述矩形证件图像缩放为预设第一尺寸大小的缩放图像;
根据所述缩放图像的四个角的顶点坐标,从所述缩放图像的四个角分别截取预设第二尺寸大小的单角图像,并将所述单角图像进行拼接,得到所述角图像。
7.如权利要求1至6中任意一项所述的证件的残缺检测方法,其特征在于,所述利用预构建的标准边角判断模型对所述角图像进行完整性判定,得到所述证件的残缺检测结果之后,所述方法还包括:
当所述残缺检测结果为所述证件图像为缺失状态时,记录所述用户的登录信息;
当所述登录信息对应的账号发送的证件图像为缺失状态的次数超过预设次数时,对所述账号标记封号并举报处理。
8.一种证件的残缺检测装置,其特征在于,所述装置包括:
图像获取模块:用于获取用户输入的证件图像,并将所述证件图像进行去噪处理,得到去噪图像;
区域检测模块:用于对所述去噪图像进行证件区域检测,得到证件框图;
提取拉伸模块:用于对所述证件框图进行证件区域提取及拉正处理,得到矩形证件图像;
残缺判断模块:用于对所述矩形证件图形进行角提取,得到角图像,并利用预构建的标准边角判断模型对所述角图像进行完整性判定,得到所述证件的残缺检测结果。
9.一种电子设备,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计算机程序指令,所述计算机程序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如权利要求1至7中任一项所述的证件的残缺检测方法。
10.一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的证件的残缺检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011473905.2A CN112541899B (zh) | 2020-12-15 | 2020-12-15 | 证件的残缺检测方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011473905.2A CN112541899B (zh) | 2020-12-15 | 2020-12-15 | 证件的残缺检测方法、装置、电子设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112541899A true CN112541899A (zh) | 2021-03-23 |
CN112541899B CN112541899B (zh) | 2023-12-22 |
Family
ID=75020171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011473905.2A Active CN112541899B (zh) | 2020-12-15 | 2020-12-15 | 证件的残缺检测方法、装置、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541899B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115203723A (zh) * | 2022-07-20 | 2022-10-18 | 浙江东昊信息工程有限公司 | 一种可用于寺庙的信息加密处理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914833A (zh) * | 2014-03-11 | 2014-07-09 | 辰通智能设备(深圳)有限公司 | 一种自动检测票据是否残缺的方法及系统 |
CN110706185A (zh) * | 2019-09-30 | 2020-01-17 | 上海数禾信息科技有限公司 | 图像处理方法以及装置、设备、存储介质 |
CN111553251A (zh) * | 2020-04-24 | 2020-08-18 | 平安科技(深圳)有限公司 | 证件四角残缺检测方法、装置、设备及存储介质 |
CN111898610A (zh) * | 2020-07-29 | 2020-11-06 | 平安科技(深圳)有限公司 | 卡片缺角检测方法、装置、计算机设备及存储介质 |
-
2020
- 2020-12-15 CN CN202011473905.2A patent/CN112541899B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914833A (zh) * | 2014-03-11 | 2014-07-09 | 辰通智能设备(深圳)有限公司 | 一种自动检测票据是否残缺的方法及系统 |
CN110706185A (zh) * | 2019-09-30 | 2020-01-17 | 上海数禾信息科技有限公司 | 图像处理方法以及装置、设备、存储介质 |
CN111553251A (zh) * | 2020-04-24 | 2020-08-18 | 平安科技(深圳)有限公司 | 证件四角残缺检测方法、装置、设备及存储介质 |
CN111898610A (zh) * | 2020-07-29 | 2020-11-06 | 平安科技(深圳)有限公司 | 卡片缺角检测方法、装置、计算机设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115203723A (zh) * | 2022-07-20 | 2022-10-18 | 浙江东昊信息工程有限公司 | 一种可用于寺庙的信息加密处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112541899B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652845B (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
CN111695609B (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN112102402B (zh) | 闪光灯光斑位置识别方法、装置、电子设备及存储介质 | |
CN111680690B (zh) | 一种文字识别方法及装置 | |
CN113705462B (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN112651953B (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
CN111259891B (zh) | 一种自然场景下身份证识别方法、装置、设备和介质 | |
CN113554008B (zh) | 静态物体区域内检测方法、装置、电子设备及存储介质 | |
CN112507923A (zh) | 证件翻拍检测方法、装置、电子设备及介质 | |
CN114723636A (zh) | 基于多特征融合的模型生成方法、装置、设备及存储介质 | |
CN112132812A (zh) | 证件校验方法、装置、电子设备及介质 | |
CN117455762A (zh) | 基于全景行车记录仪的记录画面分辨率提升方法及系统 | |
CN114240924A (zh) | 一种基于数字化技术的电网设备质量评估方法 | |
CN112541899B (zh) | 证件的残缺检测方法、装置、电子设备及计算机存储介质 | |
CN112017065B (zh) | 车辆定损理赔方法、装置及计算机可读存储介质 | |
CN112037235B (zh) | 伤情图片自动化审核方法、装置、电子设备及存储介质 | |
CN114998282B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN112818983A (zh) | 一种利用图片相识度判断字符倒置的方法 | |
CN114463685B (zh) | 行为识别方法、装置、电子设备及存储介质 | |
CN113705459B (zh) | 人脸抓拍方法、装置、电子设备及存储介质 | |
CN115439850A (zh) | 基于审单的图文字符识别方法、装置、设备及存储介质 | |
CN112561893B (zh) | 图片匹配方法、装置、电子设备及存储介质 | |
CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
CN112633183B (zh) | 影像遮挡区域自动检测方法、装置及存储介质 |
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 |