CN112883959A - 身份证照完整性检测方法、装置、设备及存储介质 - Google Patents
身份证照完整性检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112883959A CN112883959A CN202110084220.7A CN202110084220A CN112883959A CN 112883959 A CN112883959 A CN 112883959A CN 202110084220 A CN202110084220 A CN 202110084220A CN 112883959 A CN112883959 A CN 112883959A
- Authority
- CN
- China
- Prior art keywords
- identity card
- feature
- image
- inputting
- angle
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能领域,公开了一种身份证照完整性检测方法、装置、设备及存储介质。该方法包括:获取包含身份证照的待检测图像;将待检测图像输入预置目标检测模型进行身份证照检测,输出待检测图像中身份证照区域;根据身份证照区域,从待检测图像中提取身份证照图像;对身份证照图像进行十字分割,得到身份证照图像的四角分割图;将四角分割图输入预置身份证照完整性检测模型中,并通过身份证照完整性检测模型得到四角分割图对应的特征分类,并作为身份证照图像对应的识别结果。本发明提高了身份证照完整性检测准确率,降低了因用户上传不完整的身份证照而引起的业务风险和企业的损失。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种身份证照完整性检测方法、装置、设备及存储介质。
背景技术
在互联网化的背景下,很多业务场景为了验证用户身份,需要对用户上传的身份证图片进行质检,然而一些用户使用他人的身份证或者被公安机关剪角后的身份证进行上传,导致很多业务风险,最终造成企业的损失。及时检测出身份证照图像是否有缺角或遮挡角显得极为重要。
在现有的技术中,检测身份证的方式虽然能够进行识别身份证信息,但是无法判断身份证是否缺角甚至过期,且用户上传的身份证图片多为复杂背景,无法有效的识别,从而导致无效身份证照片图像通过验证。
发明内容
本发明的主要目的主要在于解决难以检测到身份证照是否有缺角或遮挡角的技术问题。
本发明第一方面提供了一种身份证照完整性检测方法,包括:
获取包含身份证照的待检测图像;
将所述待检测图像输入预置目标检测模型进行身份证照检测,输出所述待检测图像中身份证照区域;
根据所述身份证照区域,从所述待检测图像中提取身份照图像;
对所述身份证照图像进行十字分割,得到所述身份证照图像的四角分割图;
将所述四角分割图输入预置身份证照完整性检测模型中,并通过所述身份证照完整性检测模型得到所述四角分割图对应的特征分类,其中,所述身份证照完整性检测模型包括:第一DenseNet201网络、多个卷积层、池化层、全连接层以及SoftMax函数,所述第一DenseNet201网络用于进行特征提取,所述多个卷积层、所述池化层和所述全连接层中每一层的输入均来自前面所有层的输出,所述SoftMax函数用于进行特征分类,所述特征分类为所述身份证照图像对应的识别结果。
可选的,在本发明第一方面的第一种实现方式中,所述目标检测模型依次包括:ResNet101网络、RPN网络、ROI Align层、分类回归网络,所述将所述待检测图像输入预置目标检测模型进行身份证照检测,输出所述待检测图像中的身份证照区域包括:
将所述待检测图像输入所述ResNet101网络进行特征提取,得到特征图;
将所述特征图输入所述RPN网络进行预选框选取,得到所述特征图对应的预选框;
将所述预选框输入所述ROI Align层与所述特征图进行特征融合,得到标注特征图;
将所述标注特征图输入所述分类回归网络进行特征分类输出特征分类结果,并将所述特征分类结果作为所述待检测图像中的身份证照区域。
可选的,在本发明第一方面的第二种实现方式中,所述根据所述身份证照区域,从所述待检测图像中提取身份证照图像之后,还包括:
将所述身份证照图像输入预置角度检测模型进行修正角度分区识别,输出所述身份证照图像所在的角度分区;
根据所述角度分区,计算所述身份证照图像对应的修正角度,并根据所述修正角度对所述身份证照图像进行正位修正。
可选的,在本发明第一方面的第三种实现方式中,所述角度检测模型包括:第二DenseNet201网络、卷积层、池化层、全连接层以及SoftMax函数,所述将所述身份证照图像输入预置角度检测模型进行修正角度分区识别,输出所述身份证照图像所在的角度分区包括:
将所述身份证照图像输入所述角度检测模型中第二DenseNet201网络进行特征提取,输出第一身份证照特征图;
将所述第一身份证照特征图输入所述角度检测模型中的卷积层进行卷积操作,得到第一卷积特征向量;
将所述第一卷积特征向量输入所述角度检测模型中的池化层进行下采样及特征压缩,得到第一池化特征向量;
将所述第一池化特征向量输入所述角度检测模型中的全连接层进行特征组合,得到第一全连接特征向量;
将所述第一全连接特征向量输入所述角度检测模型中SoftMax函数进行特征分类,输出所述身份证照图像所在的角度分区。
可选的,在本发明第一方面的第四种实现方式中,在所述获取包含身份证照的待检测图像之前,还包括:
获取多张不同角度的身份证照,并根据预置角度分区规则,对所述各身份证照进行角度分区标注,得到带角度分区标注信息的第一训练样本;
将所述第一训练样本输入预置第一深度网络模型中的第三DenseNet201网络进行特征提取,得到所述第一训练样本对应的的第二身份证照特征图;
将所述第二身份证照特征图输入所述第一深度网络模型中的卷积层进行卷积操作,得到第二卷积特征向量;
将所述第二卷积特征向量输入所述第一深度网络模型中的池化层进行下采样及特征压缩,输出第二池化特征向量;
将所述第二池化特征向量输入所述第一深度网络模型中的全连接层进行特征组合,得到第二全连接特征向量;
将所述第二全连接特征向量输入所述第一深度网络模型中SoftMax函数进行特征分类,输出所述身份证照图像所在的角度分区预测结果;
根据所述身份证照图像所在的角度分区预测结果,对所述第一深度网络模型的参数进行优化,直至所述第一深度网络模型收敛,得到所述角度检测模型。
可选的,在本发明第一方面的第五种实现方式中,在所述获取包含身份证照的待检测图像之前,还包括:
获取多张身份证照对应的四角分割图,并对所述四角分割图进行位置标注与完整性标注,得到带完整性标注信息的第二训练样本;
将所述第二训练样本输入预置第二深度网络模型中的第四DenseNet201网络进行特征提取,得到所述第二训练样本对应的的第一四角分割特征图;
将所述第一四角分割特征图输入所述第二深度网络模型中的多个卷积层进行多次卷积操作,得到所述第一四角分割特征图对应的多个第三卷积特征向量;
将所述各第三卷积特征向量输入所述第二深度网络模型中的池化层进行下采样及特征压缩,输出所述各第三卷积特征向量对应的多个第三池化特征向量;
将所述各第三池化特征向量输入所述第二深度网络模型中的全连接层进行特征组合,得到所述各第三池化特征向量对应的多个第三全连接特征向量;
将所述各第三全连接特征向量输入所述第二深度网络模型中的SoftMax函数进行特征分类,输出对应的多个身份证照图像完整性预测结果;
根据所述各身份证照图像完整性预测结果,对所述第二深度网络模型的参数进行调整,直至所述第二深度网络模型收敛,得到身份证照完整性检测模型。
可选的,在本发明第一方面的第六种实现方式中,所述将所述四角分割图输入预置身份证照完整性检测模型中,并通过所述身份证照完整性检测模型得到所述四角分割图对应的特征分类包括:
将所述四角分割图输入预置身份证照完整性检测模型中的第一DenseNet201网络进行特征提取,得到所述四角分割图对应的第二四角分割特征图;
将所述第二四角分割特征图输入所述身份证照完整性检测模型中的多个卷积层进行多次卷积操作,得到所述第二四角分割特征图对应的多个第四卷积特征向量;
将所述各第四卷积特征向量输入所述身份证照完整性检测模型中的池化层进行下采样及特征压缩,得到所述各第四卷积特征向量对应的多个第四池化特征向量;
将所述各第四池化特征向量输入所述身份证照完整性检测模型中的全连接层进行特征组合,得到所述多个第四池化特征向量对应的多个第四全连接特征向量;
将所述各第四全连接特征向量输入所述身份证照完整性检测模型中的SoftMax函数进行特征分类,输出所述身份证照图像对应的识别结果。
本发明第二方面提供了一种身份证照完整性检测装置,包括:
获取模块,用于获取包含身份证照的待检测图片;
区域检测模块,用于将所述待检测图像输入预置目标检测模型进行身份证照检测,输出所述待检测图像中身份证照区域;
提取模块,用于根据所述身份证照区域,从所述待检测图像中提取身份证照图像;
分割模块,用于对所述身份证照图像进行十字分割,得到所述身份证照图像的四角分割图;
识别模块,用于将所述四角分割图输入预置身份证照完整性检测模型中,并通过所述身份证照完整性检测模型得到所述四角分割图对应的特征分类。
可选的,在本发明的第二方面的第一种实现方式中,所述目标检测模型包括:ResNet101网络、RPN网络、ROI Align层、分类回归网络。所述区域检测模块具体用于:
将所述待检测图像输入所述ResNet101网络进行特征提取,得到特征图;
将所述特征图输入所述RPN网络进行预选框选取,得到所述特征图对应的预选框;
将所述预选框输入所述ROI Align层与所述特征图进行特征融合,得到标注特征图;
将所述标注特征图输入所述分类回归网络进行特征分类输出特征分类结果,并将所述特征分类结果作为所述待检测图像中的身份证照区域。
可选的,在本发明的第二方面的第二种实现方式中,所述身份证照完整性检测模型还包括:
角度分区模块,用于将所述身份证照图像输入预置角度检测模型进行修正角度分区识别,输出所述身份证照图像所在的角度分区;
角度修正模块,用于根据所述角度分区,计算所述身份证照图像对应的修正角度,并根据所述修正角度对所述身份证照图像进行正位修正。
可选的,在在本发明的第二方面的第三种实现方式中,所述角度检测模型包括:第二DenseNet201网络、卷积层、池化层、全连接层以及SoftMax函数,所述角度分区模块具体用于:
将所述身份证照图像输入所述角度检测模型中第二DenseNet201网络进行特征提取,输出第一身份证照特征图;
将所述第一身份证照特征图输入所述角度检测模型中的卷积层进行卷积操作,得到第一卷积特征向量;
将所述第一卷积特征向量输入所述角度检测模型中的池化层进行下采样及特征压缩,得到第一池化特征向量;
将所述第一池化特征向量输入所述角度检测模型中的全连接层进行特征组合,得到第一全连接特征向量;
将所述第一全连接特征向量输入所述角度检测模型中SoftMax函数进行特征分类,输出所述身份证照图像所在的角度分区。
可选的,在本发明的第二方面的第四种实现方式中,所述身份证照完整性检测装置还包括:
第一模型训练模块,用于获取多张不同角度的身份证照,并根据预置角度分区规则,对所述各身份证照进行角度分区标注,得到带角度分区标注信息的第一训练样本;将所述第一训练样本输入预置第一深度网络模型中的第三DenseNet201网络进行特征提取,得到所述第一训练样本对应的的第二身份证照特征图;将所述第二身份证照特征图输入所述第一深度网络模型中的卷积层进行卷积操作,得到第二卷积特征向量;将所述第二卷积特征向量输入所述第一深度网络模型中的池化层进行下采样及特征压缩,输出第二池化特征向量;将所述第二池化特征向量输入所述第一深度网络模型中的全连接层进行特征组合,得到第二全连接特征向量;将所述第二全连接特征向量输入所述第一深度网络模型中SoftMax函数进行特征分类,输出所述身份证照图像所在的角度分区预测结果;根据所述身份证照图像所在的角度分区预测结果,对所述第一深度网络模型的参数进行优化,直至所述第一深度网络模型收敛,得到所述角度检测模型。
可选的,在本发明的第二方面的第五种实现方式中,所述身份证完整性检测装置还包括:
第二模型训练模块,用于获取多张身份证照对应的四角分割图,并对所述四角分割图进行位置标注与完整性标注,得到带完整性标注信息的第二训练样本;将所述第二训练样本输入预置第二深度网络模型中的第四DenseNet201网络进行特征提取,得到所述第二训练样本对应的的第一四角分割特征图;将所述第一四角分割特征图输入所述第二深度网络模型中的多个卷积层进行多次卷积操作,得到所述第一四角分割特征图对应的多个第三卷积特征向量;将所述各第三卷积特征向量输入所述第二深度网络模型中的池化层进行下采样及特征压缩,输出所述各第三卷积特征向量对应的多个第三池化特征向量;将所述各第三池化特征向量输入所述第二深度网络模型中的全连接层进行特征组合,得到所述各第三池化特征向量对应的多个第三全连接特征向量;将所述各第三全连接特征向量输入所述第二深度网络模型中的SoftMax函数进行特征分类,输出对应的多个身份证照图像完整性预测结果;根据所述各身份证照图像完整性预测结果,对所述第二深度网络模型的参数进行调整,直至所述第二深度网络模型收敛,得到身份证照完整性检测模型。
可选的,在本发明的第二方面的第六种实现方式中,所述预置身份证照完整性检测模型包括:第一DenseNet201网络、多个卷积层、池化层、全连接层以及SoftMax函数,所述识别模块具体用于:
将所述四角分割图输入预置身份证照完整性检测模型第一DenseNet201网络进行特征提取,得到所述四角分割图对应的第二四角分割特征图;
将所述第二四角分割特征图输入所述身份证照完整性检测模型中的多个卷积层进行多次卷积操作,得到所述第二四角分割特征图对应的多个第四卷积特征向量;
将所述各第四卷积特征向量输入所述身份证照完整性检测模型中的池化层进行下采样及特征压缩,得到所述各第四卷积特征向量对应的多个第四池化特征向量;
将所述各第四池化特征向量输入所述身份证照完整性检测模型中的全连接层进行特征组合,得到所述多个第四池化特征向量对应的多个第四全连接特征向量;
将所述各第四全连接特征向量输入所述身份证照完整性检测模型中的SoftMax函数进行特征分类,输出所述身份证照图像对应的识别结果。
本发明第三方面提供了一种身份证照完整性检测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述身份证照完整性检测设备执行上述的身份证照完整性检测方法。
本发明的第四方面提供了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指令,当其在计算机上运行时,使得计算机执行上述的身份证照完整性检测方法。
本发明提供的技术方案中,为了提高检测的准确度,结合了多个模型对待检测图像进行处理。由于用户拍照上传的包含身份证照的待检测图像背景普遍较为复杂,首先根据目标检测模型对待检测图像进行处理,得到身份证照区域,并将身份证照图像从身份证照区域中裁剪出,得到没有其它复杂背景的身份证照图像。为了能够准确检测身份证照是否有缺角或遮挡角,再根据身份证照相邻两边的中线进行分割,得到身份证照四个角的图像。最后将身份证四角分割图输入到身份证照完整性检测模型中,输出身份证照是否有缺角或遮挡角的结果。本发明可以高效且准确的检测出身份证照是否有缺角或遮挡角的情况。
附图说明
图1为本发明实施例中身份证照完整性检测方法的第一个实施例示意图;
图2为本发明实施例中身份证照完整性检测方法的第二个实施例示意图;
图3为本发明实施例中身份证照完整性检测方法的第三个实施例示意图;
图4为本发明实施例中身份证照完整性检测方法的第四个实施例示意图;
图5为本发明实施例中身份证照完整性检测方法的第五个实施例示意图;
图6为本发明实施例中身份证照完整性检测方法的第六个实施例示意图;
图7为本发明实施例中身份证照完整性检测装置的一个实施例示意图;
图8为本发明实施例中身份证照完整性检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种身份证照完整性检测方法。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中身份证照完整性检测方法的第一个实施例包括:
101、获取包含身份证照的待检测图像;
可以理解的是,本发明的执行主体可以为身份证照完整性检测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
本实施例中,包含身份证照的待检测图像是指用户上传的包含身份证照的图片,其中包含身份证照的图片是指分别包含有国徽面和头像面的两种图片,其中获取的用户上传的包含身份证照图片为三通道jpg文件。在获取包含身份证照的待检测图像之后,对所述待检测图像进行检测,如果检测到缺角或遮挡角的情况,对用户此次上传进行拒绝,并提示用户重新上传,消除因用户上传失效的身份证照片而带给企业损失的风险。
102、将所述待检测图像输入预置目标检测模型进行身份证照检测,输出所述待检测图像中身份证照区域;
本实施例中,目标检测模型预先生成,该模型能对输入图像的指定身份证照区域进行检测。所述预置目标检测模型为以ResNet101网络为主干网络的深度网络模型,将待检测图像输入模型后得到待检测图像中的身份证照区域。
在传统的目标检测中使用的深度卷积神经网络,随着网络的加深,会出现特征提取准确率下降的现象。所述该ResNet101网络为深度残差网络,深度残差网络可以克服这种由于网络深度加深而产生的学习效率变低,准确率无法有效提升的问题。本模型中的ResNet101主干深度残差网络有很多旁路的支线将输入直接连到后面的层,使得后面的层可以直接学习残差通过直接将输入信息绕道传到输出,保护信息的完整性,整个网络则只需要学习输入、输出差别的那一部分,深度残差网络在检测物体比较单一的情况下,具有识别率高、定位准确、速度快的特点,可以用来准确定位身份证的外接矩形。
103、根据所述身份证照区域,从所述待检测图像中提取身份照图像;
本实施例中,将身份证照图像从待检测图像中裁剪得到。便于后续对身份证照的缺角和遮挡角的检测,提高检测效率。
可选的,在步骤103之后,还包括:
将所述身份证照图像输入预置角度检测模型进行修正角度分区识别,输出所述身份证照图像所在的角度分区;
本可选实施例中,所述预置角度检测模型为以第二DenseNet201网络主干的深度网络模型,该第二DenseNet201网络为本模型中的第二密集连接卷积网络,所述第二DenseNet201网络可以最大化网络中所有层之间的信息流,所述第二DenseNet201网络由4个稠密模块组成,其中每个稠密模块是由瓶颈层的结构组成,瓶颈层的结构是1×1的卷积层后接上3×3的卷积,第二DenseNet201网络对比ResNet的残差模块,创造性的提出了稠密模块Dense Block,其中稠密模块都利用了该模块中前面的所有层的信息。将所述身份证照图像输入角度检测检测模型,输出身份证照图像所在的角度分区,在得到角度分区之后,对身份证照图像进行修正操作。
根据所述角度分区,计算所述身份证照图像对应的修正角度,并根据所述修正角度对所述身份证照图像进行正位修正。
本可选实施例中,根据预设的角度分区规则对所述角度分区进行旋转角度换算,并对身份证照图像旋转所述旋转角度。
104、对所述身份证照图像进行十字分割,得到所述身份证照图像的四角分割图。
本实施例中,侧重考虑便于身份证照缺角和遮挡角情况的检测,特别将身份证照相邻两边的中线进行标注,并按照标注的中线对身份证照图像进行分割,得到身份证四个角的分割图。
105、将所述四角分割图输入预置身份证照完整性检测模型中,并通过所述身份证照完整性检测模型得到所述四角分割图对应的特征分类,其中,所述身份证照完整性检测模型包括:第一DenseNet201网络、多个卷积层、池化层、全连接层以及SoftMax函数,所述第一DenseNet201网络用于进行特征提取,所述多个卷积层、所述池化层和所述全连接层中每一层的输入均来自前面所有层的输出,所述SoftMax函数用于进行特征分类,所述特征分类为所述身份证照图像对应的识别结果。
本实施例中,所述预置的身份证照完整性检测模型为以第一DenseNet201网络主干的深度网络模型,该第一DenseNet201网络为本模型中的第一密集连接卷积网络,所述第一DenseNet201网络可以最大化网络中所有层之间的信息流,第一DenseNet201网络由4个稠密模块组成,其中每个稠密模块是由瓶颈层的结构组成,瓶颈层的结构是1×1的卷积层后接上3×3的卷积,第一DenseNet201网络对比ResNet的残差模块,创造性的提出了稠密模块Dense Block,其中稠密模块都利用了该模块中前面的所有层的信息将所述四角分割图输入身份证照完整性检测模型,输出身份证照是否有缺角或者遮挡角的结果,在得到完整性检测结果之后,对用户上传的图片进行拒绝或者接受的提示,便于规避用户上传无效身份证照的风险。
请参阅图2,本发明实施例中身份证照完整性检测方法的第二个实施例包括:
201、获取包含身份证照的待检测图像;
202、将所述待检测图像输入所述ResNet101网络进行特征提取,得到特征图;
本实施例中,所述该ResNet101网络为深度残差网络,ResNet101是卷积神经网络ResNet系列的一员,深度残差网络可以克服这种由于网络深度加深而产生的学习效率变低,准确率无法有效提升的问题,所述将待检测图像输入ResNet101网络后,ResNet101网络会通过卷积提取其中的特征,得到特征图。由于图像由一个个像素点构成,而每一个像素点都可以用数值进行表示,如RGB类型图像,可通过R、G、B三个通道的三个数值进行表示,因此可表示为3x a x b的数学向量。而特征提取的本质是使用一定大小,如c x d,的卷积核,对每个像素点的数值进行卷积。因此特征图也可以用m x k的向量表示。
203、将所述特征图输入所述RPN网络进行预选框选取,得到所述特征图对应的预选框;
本实施例中,该RPN网络RPN全称是Region Proposal Network,Region Proposal的中文意思是“区域选取”,也就是“提取候选框”的意思,所以RPN就是用来提取候选框的网络。本模型中在RPN网络中,会获取预置的锚框信息,然后判断锚框中是否包含识别目标,若是,则保留该锚框,并对该锚框进行位置的调整,得到待检测图像的预选框。
204、将所述预选框输入所述ROI Align层与所述特征图进行特征融合,得到标注特征图;
本实施例中,该ROI Align层,其中ROI指的是Region of Interest,译为特征区域,其中Align是一种对齐动作,ROI Align可以理解为特征区域对齐动作。ROI Align层是一种目标检测特殊层,其是一种区域特征聚集方式。由于后续网络要求的网格大小一般较特征图要小,因此在ROI Pooling层中采用两次量化,因此他们的位置可能存在出现小数点,而特征图中的数值的数量是整数,因此采用取整的方式进行匹配。然而这种匹配并不完全契合,故存在不匹配现象。而ROI Align可解决该问题。通过ROI Align层,将目标同特征图和预选框融合,得到标注特征图,然后经过分类回归网络网络,得到标注特征图的预选框、各个像素点的概率值和掩码,并将其作为识别结果输出。全卷积网络代替以往全连接层,用于输出对图像整体的身份证照区域。
205、将所述标注特征图输入所述分类回归网络进行特征分类输出特征分类结果,并将所述特征分类结果作为所述待检测图像中的身份证照区域。
本实施例中,将标注特征图输入分类回归网络中,得到标注特征图的预选框、各个像素点的概率值和掩码,并将其作为识别结果输出。全卷积网络代替以往全连接层,用于输出对图像整体的身份证照区域。
206、根据所述身份证照区域,从所述待检测图像中提取身份证照图像;
207、对所述身份证照图像进行十字分割,得到所述身份证照图像的四角分割图;
208、将所述四角分割图输入预置身份证照完整性检测模型中,并通过所述身份证照完整性检测模型得到所述四角分割图对应的特征分类。
本可选实施例中,目标检测模型依次包括:ResNet101网络、RPN网络、ROI Align层、分类回归网络。ResNet101是卷积神经网络ResNet系列的一员。ResNet通过增加了恒等快捷链接的方式,除学习特征提取外,还学习上一层特征到下一层特征之间的损失,即残差,使得堆积层在输入特征基础上能学习到新的特征,从而能够提取更多的特征。而ResNet101的深度为101层,因此其提取的特征更加细致,在实例分割方面精确度更高。
请参阅图3,本发明实施例中身份证照完整性检测方法的第三个实施例包括:
301、获取包含身份证照的待检测图像;
302、将所述待检测图像输入预置目标检测模型进行身份证照检测,输出所述待检测图像中身份证照区域;
303、根据所述身份证照区域,从所述待检测图像中提取身份照图像;
304、将所述身份证照图像输入所述角度检测模型中第二DenseNet201网络进行特征提取,输出第一身份证照特征图;
本实施例中,角度检测模型包括:第二DenseNet201网络、卷积层、池化层、全连接层以及SoftMax函数,该第二DenseNet201网络为本模型中的第一密集连接卷积网络,所述第二DenseNet201网络可以最大化网络中所有层之间的信息流,第二DenseNet201网络由4个稠密模块组成,其中每个稠密模块是由瓶颈层的结构组成,瓶颈层的结构是1×1的卷积层后接上3×3的卷积,第二DenseNet201网络对比ResNet的残差模块,创造性的提出了稠密模块Dense Block,其中稠密模块都利用了该模块中前面的所有层的信息,使用第二DenseNet201网络进行特征提取可以提升提取效率,提高识别准确度,最后得到身份证照图像对应的特征图C1。
305、将所述第一身份证照特征图输入所述角度检测模型中的卷积层进行卷积操作,得到第一卷积特征向量;
本实施例中,将第一身份证照特征图C1输入为1×1卷积核的卷积层进行卷积操作,减少输入的特征图数量,再将C1输入3×3卷积核的卷积层进行卷积操作,得到卷积特征向量C2。本实施例中,通过1×1卷积核的卷积操作,既能减少特征图输入的数量,也能降维减少计算量,提高了卷积效率。
306、将所述第一卷积特征向量输入所述角度检测模型中的池化层进行下采样及特征压缩,得到第一池化特征向量;
本实施例中,对所述第一卷积特征向量C2进行3×3卷积核的池化操作,得到第一池化特征向量C3。
307、将所述第一池化特征向量输入所述角度检测模型中的全连接层进行特征组合,得到第一全连接特征向量;
本实施例中,对输出的第一池化特征向量C3进行特征组合,将组合到得到特征向量作为第一全连接特征向量C4输出。
308、将所述第一全连接特征向量输入所述角度检测模型中SoftMax函数进行特征分类,输出所述身份证照图像所在的角度分区。
本实施例中,SoftMax函数,又称归一化指数函数。它是二分类函数sigmoid在多分类上的推广,目的是将多分类的结果以概率的形式展现出来。SoftMax函数又称归一化指数函数,实际上是有限项离散概率分布的梯度对数归一化。对于身份证图像所在的角度分区,在SoftMax函数中,可以看作是一个十六分类问题,来源是预置角度分区规则。将第一全连接特征向量C4输入SoftMax函数中,根据函数计算规则得到对应的向量值,然后将该向量值进行归一化,求得对应最大概率的身份证图像所在分区,并将其输出。
309、根据所述角度分区,计算所述身份证照图像对应的修正角度,并根据所述修正角度对所述身份证照图像进行正位修正;
本实施例中,所述角度分区表示预置的角度分区规则是指基于平面直角坐标系的原点,将360°平分为十六个分区并标注。
3010、对所述身份证照图像进行十字分割,得到所述身份证照图像的四角分割图;
3011、将所述四角分割图输入预置身份证照完整性检测模型中,并通过所述身份证照完整性检测模型得到所述四角分割图对应的特征分类。
本实施例中,第二DenseNet201网络作为角度检测模型的基础网络进行初步特征提取,还进一步增加了卷积层、池化层、全连接层以及SoftMax函数,其中,使用第二DenseNet201网络进行特征提取可以提升特征提取速度,提高识别准确度,输出第一身份证照特征图,然后将第一身份证照特征图输入卷积层进行卷积操作,得到第一卷积特征向量,然后将第一卷积特征向量输入池化层进行下采样与特征压缩,得到第一池化特征向量,再将第一池化特征向量输入全连接层进行特征组合,并将组合后得到的第一全连接特征输入SoftMax层进行特征分类,从而得到所述身份证照图像对应的分区结果。
请参阅图4,本发明实施例中身份证照完整性检测方法的第四个实施例包括:
401、获取多张不同角度的身份证照,并根据预置角度分区规则,对所述各身份证照进行角度分区标注,得到带角度分区标注信息的第一训练样本;
本实施例中,预置的角度分区规则是指基于平面直角坐标系的原点,将360°平分为十六个分区并标注,并通过人工标注生产数据中身份证照2000张的旋转角度,同时对2000张身份证照的旋转角度数据进行增强,分别旋转α°,其中α=π/8×n,其中n为0到15的随机整数。同时对身份证照图片进行随机改变饱和度,对比度,亮度,并改变所述身份证照图片的分辨率为224×224像素,之后将所述多张不同角度的身份证照置于平面直角坐标系中,计算各身份证照所在分区,得到带角度分区标注信息的第一训练样本。
402、将所述第一训练样本输入预置第一深度网络模型中的第三DenseNet201网络进行特征提取,得到所述第一训练样本对应的的第二身份证照特征图;
本实施例中,第一深度网络模型模型包括:第三DenseNet201网络、卷积层、池化层、全连接层以及SoftMax函数,该第三DenseNet201网络为本模型中的第一密集连接卷积网络,DenseNet是在ResNet之后的一个分类网络,连接方式的改变,使其在各大数据集上取得比ResNet更好的效果。所述第三DenseNet201网络可以最大化网络中所有层之间的信息流,第三DenseNet201网络由4个稠密模块组成,其中每个稠密模块是由瓶颈层的结构组成,瓶颈层的结构是1×1的卷积层后接上3×3的卷积,使用第三DenseNet201网络进行特征提取可以提升提取效率,提高识别准确度,最后得到身份证照图像对应的第二身份证照特征图C5。
403、将所述第二身份证照特征图输入所述第一深度网络模型中的卷积层进行卷积操作,得到第二卷积特征向量;
本实施例中,将第二身份证照特征图C5输入为1×1卷积核的卷积层进行卷积操作,减少输入的特征图数量,再将C5输入3×3卷积核的卷积层进行卷积操作,得到第二卷积特征向量C6。本实施例中,通过1×1卷积核的卷积操作,既能减少特征图输入的数量,也能降维减少计算量,提高了卷积效率。
404、将所述第二卷积特征向量输入所述第一深度网络模型中的池化层进行下采样及特征压缩,输出第二池化特征向量;
本实施例中,对输出第二卷积特征向量C6进行3×3的池化操作,得到第二池化特征向量C7。
405、将所述第二池化特征向量输入所述角度检测模型中的全连接层进行特征组合,得到第二全连接特征向量;
本实施例中,对输出的第二池化特征向量C7进行特征组合,将组合到得到特征向量作为第二全连接特征向量C8输出。
406、将所述第二全连接特征向量输入所述第一深度网络模型中SoftMax函数进行特征分类,输出所述身份证照图像所在的角度分区预测结果;
本实施例中,SoftMax函数又叫归一化指数函数,通过输入第二全连接特征值,再进行归一化,从而输出身份证照所在分区的概率,若概率大于预置阈值,则确定所述身份证照所在分区的预测结果。
407、根据所述身份证照图像所在的角度分区预测结果,对所述第一深度网络模型的参数进行优化,直至所述第一深度网络模型收敛,得到所述角度检测模型;
本实施例中,在得到预测结果之后,将预测结果和输入至损失函数中,计算所述预测结果对应的损失结果,将损失结果反向传播,并根据该损失结果,对第一深度网络模型的参数进行调整,以使最之后的损失结果能够梯度下降,从而得到角度检测模型。损失函数可以为平方损失函数,Hing损失函数等。
408、获取包含身份证照的待检测图像;
409、将所述待检测图像输入预置目标检测模型进行身份证照检测,输出所述待检测图像中身份证照区域;
4010、根据所述身份证照区域,从所述待检测图像中提取身份证照图像;
4011、将所述身份证照图像输入预置角度检测模型进行修正角度分区识别,输出所述身份证照图像所在的角度分区;
4012、根据所述角度分区,计算所述身份证照图像对应的修正角度,并根据所述修正角度对所述身份证照图像进行正位修正;
4013、对所述身份证照图像进行十字分割,得到所述身份证照图像的四角分割图;
4014、将所述四角分割图输入预置身份证照完整性检测模型中,并通过所述身份证照完整性检测模型得到所述四角分割图对应的特征分类。
本实施例中,预置的第一深度网络模型包括:第三DenseNet201网络、卷积层、池化层、全连接层以及SoftMax函数。第一深度网络模型中第三DenseNet201网络中的每一个稠密模块都利用到了该模块中前面所有层的信息,即每一个层都和前面的层有稠密连接;稠密连接将该层与之后的所有层进行连接;则第L层将之前所有层的输出的特征图C5……CL-1作为输入:其中,C5为第L层的输出的特征图。第一深度网络模型中任意两个层之间都包含短连接,第三DenseNet201网络与传统卷积神经网络相比,缓解了梯度消失,减少了参数数量,提高了特征质量。
请参阅图5,本发明实施例中身份证照完整性检测方法的第五个实施例包括:
501、获取多张身份证照对应的四角分割图,并对所述四角分割图进行位置标注与完整性标注,得到带完整性标注信息的第二训练样本;
本实施例中,获取8000张身份证照的四角分割图,并按照例如左上、右上、左下、右下的顺序标注为0,0,1,0,其中1表示0缺角或遮挡角,0表示通过。并对8000张身份证照图像数据进行数据增强,随机改变对比度、饱和度、亮度,并改变为224×224的分辨率,得到所述第二训练样本。
502、将所述第二训练样本输入预置第二深度网络模型中的第四DenseNet201网络进行特征提取,得到所述第二训练样本对应的的第一四角分割特征图;
本实施例中,第二深度网络模型模型包括:第四DenseNet201网络、卷积层、池化层、全连接层以及SoftMax函数,该第四DenseNet201网络为本模型中的第一密集连接卷积网络,DenseNet是在ResNet之后的一个分类网络,连接方式的改变,使其在各大数据集上取得比ResNet更好的效果。所述第四DenseNet201网络可以最大化网络中所有层之间的信息流,第四DenseNet201网络由4个稠密模块组成,其中每个稠密模块是由瓶颈层的结构组成,瓶颈层的结构是1×1的卷积层后接上3×3的卷积,第四DenseNet201网络对比ResNet的残差模块,创造性的提出了稠密模块,其中稠密模块都利用了该模块中前面的所有层的信息,使用第四DenseNet201网络进行特征提取可以提升提取效率,提高识别准确度,最后得到第二训练样本对应的第一四角分割特征图C9。
503、将所述第一四角分割特征图输入所述第二深度网络模型中的多个卷积层进行多次卷积操作,得到所述第一四角分割特征图对应的多个第三卷积特征向量;
本实施例中,将第一四角分割特征图C9输入为1×1卷积核的卷积层进行卷积操作,减少输入的特征图数量,再将C9输入3×3卷积核的卷积层进行卷积操作,得到第三卷积特征向量C10。本实施例中,通过1×1卷积核的卷积操作,既能减少特征图输入的数量,也能降维减少计算量,提高了卷积效率。
504、将所述各第三卷积特征向量输入所述第二深度网络模型中的池化层进行下采样及特征压缩,输出所述各第三卷积特征向量对应的多个第三池化特征向量;
本实施例中,对输出第三卷积特征向量C10进行3×3的池化操作,得到第二池化特征向量C11。
505、将所述各第三池化特征向量输入所述第二深度网络模型中的全连接层进行特征组合,得到所述各第三池化特征向量对应的多个第三全连接特征向量;
本实施例中,对输出的第二池化特征向量C11进行特征组合,将组合到得到特征向量作为第一全连接特征向量C12输出。
506、将所述各第三全连接特征向量输入所述第二深度网络模型中的SoftMax函数进行特征分类,输出对应的多个身份证照图像完整性预测结果;
本实施例中,SoftMax函数又叫归一化指数函数,是通过有线离散分布概率有线离散概率分布,从而得到对应的概率值。通过输入第二全连接特征值,再进行归一化,从而输出身份证照完整性检测的预测结果,若概率大于预置阈值,则确定所述身份证照所在分区的预测结果。
507、根据所述各身份证照图像完整性预测结果,对所述第二深度网络模型的参数进行调整,直至所述第二深度网络模型收敛,得到身份证照完整性检测模型。
本实施例中,在得到预测结果之后,将预测结果和输入至损失函数中,计算所述预测结果对应的损失结果,将损失结果反向传播,并根据该损失结果,对第一深度网络模型的参数进行调整,以使最之后的损失结果能够梯度下降,从而得到角度检测模型。损失函数可以为平方损失函数,Hing损失函数等。
508、获取包含身份证照的待检测图像;
509、将所述待检测图像输入预置目标检测模型进行身份证照检测,输出所述待检测图像中身份证照区域;
5010、根据所述身份证照区域,从所述待检测图像中提取身份证照图像;
5011、对所述身份证照图像进行十字分割,得到所述身份证照图像的四角分割图;
5012、将所述四角分割图输入预置身份证照完整性检测模型中,并通过所述身份证照完整性检测模型得到所述四角分割图对应的特征分类。
本实施例中,预置的第二深度网络模型包括:第四DenseNet201网络、卷积层、池化层、全连接层以及SoftMax函数。第二深度网络模型中第四DenseNet201网络中的每一个稠密模块都利用到了该模块中前面所有层的信息,即每一个层都和前面的层有稠密连接;稠密连接将该层与之后的所有层进行连接;则第L层将之前所有层的输出的特征图C9……CL-1作为输入:其中,C9为第L层的输出的特征图。第二深度网络模型中任意两个层之间都包含短连接,第四DenseNet201网络与传统卷积神经网络相比,缓解了梯度消失,减少了参数数量,提高了特征质量。
请参阅图6,本发明实施例中身份证照完整性检测方法的第六个实施例包括:
601、获取包含身份证照的待检测图像;
602、将所述待检测图像输入预置目标检测模型进行身份证照检测,输出所述待检测图像中身份证照区域;
603、根据所述身份证照区域,从所述待检测图像中提取身份证照图像;
604、对所述身份证照图像进行十字分割,得到所述身份证照图像的四角分割图;
605、将所述四角分割图输入预置身份证照完整性检测模型第一DenseNet201网络进行特征提取,得到所述四角分割图对应的第二四角分割特征图;
本实施例中,身份证照完整性检测模型包括:第一DenseNet201网络、卷积层、池化层、全连接层以及SoftMax函数,第一DenseNet201网络由4个稠密模块组成,其中每个稠密模块是由瓶颈层的结构组成,瓶颈层的结构是1×1的卷积层后接上3×3的卷积层,第一DenseNet201网络对比ResNet的残差模块,创造性的提出了稠密模块,其中稠密模块都利用了该模块中前面的所有层的信息,使用第一DenseNet201网络进行特征提取可以提升提取效率,提高识别准确度,最后得到四角分割图对应的第二四角分割特征图C13。
606、将所述第二四角分割特征图输入所述身份证照完整性检测模型中的多个卷积层进行多次卷积操作,得到所述第二四角分割特征图对应的多个第四卷积特征向量;
本实施例中,将第二四角分割特征图C13输入为1×1卷积核的卷积层进行卷积操作,减少输入的特征图数量,再将C13输入3×3卷积核的卷积层进行卷积操作,得到第四卷积特征向量C14。本实施例中,通过1×1卷积核的卷积操作,既能减少特征图输入的数量,也能减少计算量,提高卷积效率。
607、将所述各第四卷积特征向量输入所述身份证照完整性检测模型中的池化层进行下采样及特征压缩,得到所述各第四卷积特征向量对应的多个第四池化特征向量;
本实施例中,对输出第四卷积特征向量C14进行3×3池化核的池化操作,得到第四池化特征向量C15。
608、将所述各第四池化特征向量输入所述身份证照完整性检测模型中的全连接层进行特征组合,得到所述多个第四池化特征向量对应的多个第四全连接特征向量;
本实施例中,对输出的第四池化特征向量C15进行特征组合,将组合到得到特征向量作为第四全连接特征向量C16输出。
609、将所述各第四全连接特征向量输入所述身份证照完整性检测模型中的SoftMax函数进行特征分类,输出所述身份证照图像对应的识别结果。
本实施例中,第一DenseNet201网络作为身份证照完整性检测模型的基础网络进行初步特征提取,还进一步增加了卷积层、池化层、全连接层以及SoftMax函数,其中,使用第一DenseNet201网络进行特征提取可以提升特征提取速度,输出第二四角分割特征图,然后将第二四角分割特征图进一步输入卷积层进行卷积操作,得到第四卷积特征向量,然后将第四卷积特征向量输入池化层进下采样与特征压缩,得到第一池化特征向量第四池化特征向量,最后再将第四池化特征向输入全连接层进行特征组合,并将组合后得到的第四全连接特征向量输入SoftMax层进行特征分类,从而得到所述身份证照图像对应完整性识别结果。
上面对本发明实施例中身份证照完整性检测方法进行了描述,下面对本发明实施例中身份证照完整性检测装置进行描述,请参阅图7,本发明实施例中身份证照完整性检测装置一个实施例包括:
获取模块701,用于获取包含身份证照的待检测图片;
区域检测模块702,用于将所述待检测图像输入预置目标检测模型进行身份证照检测,输出所述待检测图像中身份证照区域;
提取模块703,用于根据所述身份证照区域,从所述待检测图像中提取身份证照图像;
分割模块704,用于对所述身份证照图像进行十字分割,得到所述身份证照图像的四角分割图;
识别模块705,用于将所述四角分割图输入预置身份证照完整性检测模型中,并通过所述身份证照完整性检测模型得到所述四角分割图对应的特征分类。
可选的,身份证照完整性检测装置还包括:
角度分区模块706,用于将所述身份证照图像输入预置角度检测模型进行修正角度分区识别,输出所述身份证照图像所在的角度分区;
角度修正模块707,用于根据所述角度分区,计算所述身份证照图像对应的修正角度,并根据所述修正角度对所述身份证照图像进行正位修正。
本实施例中,通过检测身份证照图像角度的分区,对所述身份证照进行修正,便于后续对身份证照完整性的检测。
可选的,身份证照完整性检测装置还包括:
第一模型训练模块708,用于获取多张不同角度的身份证照,并根据预置角度分区规则,对所述各身份证照进行角度分区标注,得到带角度分区标注信息的第一训练样本;将所述第一训练样本输入预置第一深度网络模型中的第三DenseNet201网络进行特征提取,得到所述第一训练样本对应的的第二身份证照特征图;将所述第二身份证照特征图输入所述第一深度网络模型中的卷积层进行卷积操作,得到第二卷积特征向量;将所述第二卷积特征向量输入所述第一深度网络模型中的池化层进行下采样及特征压缩,输出第二池化特征向量;将所述第二池化特征向量输入所述角度检测模型中的全连接层进行特征组合,得到第二全连接特征向量;将所述第二全连接特征向量输入所述第一深度网络模型中SoftMax函数进行特征分类,输出所述身份证照图像所在的角度分区预测结果;根据所述身份证照图像所在的角度分区预测结果,对所述第一深度网络模型的参数进行优化,直至所述第一深度网络模型收敛,得到所述角度检测模型。
第二模型训练模块709,用于获取多张身份证照对应的四角分割图,并对所述四角分割图进行位置标注与完整性标注,得到带完整性标注信息的第二训练样本;将所述第二训练样本输入预置第二深度网络模型中的第四DenseNet201网络进行特征提取,得到所述第二训练样本对应的的第一四角分割特征图;将所述第一四角分割特征图输入所述第二深度网络模型中的多个卷积层进行多次卷积操作,得到所述第一四角分割特征图对应的多个第三卷积特征向量;将所述各第三卷积特征向量输入所述第二深度网络模型中的池化层进行下采样及特征压缩,输出所述各第三卷积特征向量对应的多个第三池化特征向量;将所述各第三池化特征向量输入所述第二深度网络模型中的全连接层进行特征组合,得到所述各第三池化特征向量对应的多个第三全连接特征向量;将所述各第三全连接特征向量输入所述第二深度网络模型中的SoftMax函数进行特征分类,输出对应的多个身份证照图像完整性预测结果;根据所述各身份证照图像完整性预测结果,对所述第二深度网络模型的参数进行调整,直至所述第二深度网络模型收敛,得到身份证照完整性检测模型。
本实施例中,通过训练两个没有行为模式的深度网络模型来赋予模型识别角度检测以及身份证照完整性检测的行为能力,这个过程是先把标注的样本数据输入到模型中随机产生预测识别结果,在得到预测是被结果之后,将预测结果和输入至损失函数中,计算所述预测结果对应的损失结果,将损失结果反向传播,并根据该损失结果,对深度网络模型的参数进行调整,以使最之后的损失结果能够梯度下降,从而得到角度检测模型和身份证照完整性检测模型。其中,损失函数可以为平方损失函数,Hing损失函数等。
图8是本发明实施例提供的一种身份证照完整性检测设备的结构示意图,该身份证照完整性检测设备800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器810(例如,一个或一个以上处理器)和存储器820,一个或一个以上存储应用程序833或数据832的存储介质830。其中,存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块,每个模块可以包括对身份证照完整性检测设备800中的一系列指令操作。更进一步地,处理器810可以设置为与存储介质830通信,在身份证照完整性检测设备800上执行存储介质830中的一系列指令操作。
身份证照完整性检测设备800还可以包括一个或一个以上电源840,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口860,和/或,一个或一个以上操作系统831,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图8示出的身份证照完整性检测设备结构并不构成对身份证照完整性检测设备的限定,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。
本发明还提供一种身份证照完整性检测设备,所述身份证照完整性检测设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的身份证照完整性检测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述身份证照完整性检测方法的步骤。
所述集成的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。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或者该技术方案的全部或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一个存储介质中,包括若干指令用以使得一台计算机设备执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种身份证照完整性检测方法,其特征在于,所述身份证照完整性检测方法包括:
获取包含身份证照的待检测图像;
将所述待检测图像输入预置目标检测模型进行身份证照检测,输出所述待检测图像中身份证照区域;
根据所述身份证照区域,从所述待检测图像中提取身份证照图像;
对所述身份证照图像进行十字分割,得到所述身份证照图像的四角分割图;
将所述四角分割图输入预置身份证照完整性检测模型中,并通过所述身份证照完整性检测模型得到所述四角分割图对应的特征分类,其中,所述身份证照完整性检测模型包括:第一DenseNet201网络、多个卷积层、池化层、全连接层以及SoftMax函数,所述第一DenseNet201网络用于进行特征提取,所述多个卷积层、所述池化层和所述全连接层中每一层的输入均来自前面所有层的输出,所述SoftMax函数用于进行特征分类,所述特征分类为所述身份证照图像对应的识别结果。
2.根据权利要求1所述的身份证照完整性检测方法,其特征在于,所述目标检测模型依次包括:ResNet101网络、RPN网络、ROI Align层、分类回归网络,所述将所述待检测图像输入预置目标检测模型进行身份证照检测,输出所述待检测图像中的身份证照区域包括:
将所述待检测图像输入所述ResNet101网络进行特征提取,得到特征图;
将所述特征图输入所述RPN网络进行预选框选取,得到所述特征图对应的预选框;
将所述预选框输入所述ROI Align层与所述特征图进行特征融合,得到标注特征图;
将所述标注特征图输入所述分类回归网络进行特征分类输出特征分类结果,并将所述特征分类结果作为所述待检测图像中的身份证照区域。
3.根据权利要求1所述的身份证照完整性检测方法,其特征在于,在所述根据所述身份证照区域,从所述待检测图像中提取身份证照图像之后,还包括:
将所述身份证照图像输入预置角度检测模型进行修正角度分区识别,输出所述身份证照图像所在的角度分区;
根据所述角度分区,计算所述身份证照图像对应的修正角度,并根据所述修正角度对所述身份证照图像进行正位修正。
4.根据权利要求3所述的身份证照完整性检测方法,其特征在于,所述角度检测模型包括:第二DenseNet201网络、卷积层、池化层、全连接层以及SoftMax函数,所述将所述身份证照图像输入预置角度检测模型进行修正角度分区识别,输出所述身份证照图像所在的角度分区包括:
将所述身份证照图像输入所述角度检测模型中第二DenseNet201网络进行特征提取,输出第一身份证照特征图;
将所述第一身份证照特征图输入所述角度检测模型中的卷积层进行卷积操作,得到第一卷积特征向量;
将所述第一卷积特征向量输入所述角度检测模型中的池化层进行下采样及特征压缩,得到第一池化特征向量;
将所述第一池化特征向量输入所述角度检测模型中的全连接层进行特征组合,得到第一全连接特征向量;
将所述第一全连接特征向量输入所述角度检测模型中SoftMax函数进行特征分类,输出所述身份证照图像所在的角度分区。
5.根据权利要求3所述的身份证照完整性检测方法,其特征在于,在所述获取包含身份证照的待检测图像之前,还包括:
获取多张不同角度的身份证照,并根据预置角度分区规则,对所述各身份证照进行角度分区标注,得到带角度分区标注信息的第一训练样本;
将所述第一训练样本输入预置第一深度网络模型中的第三DenseNet201网络进行特征提取,得到所述第一训练样本对应的的第二身份证照特征图;
将所述第二身份证照特征图输入所述第一深度网络模型中的卷积层进行卷积操作,得到第二卷积特征向量;
将所述第二卷积特征向量输入所述第一深度网络模型中的池化层进行下采样及特征压缩,输出第二池化特征向量;
将所述第二池化特征向量输入所述第一深度网络模型中的全连接层进行特征组合,得到第二全连接特征向量;
将所述第二全连接特征向量输入所述第一深度网络模型中SoftMax函数进行特征分类,输出所述身份证照图像所在的角度分区预测结果;
根据所述身份证照图像所在的角度分区预测结果,对所述第一深度网络模型的参数进行优化,直至所述第一深度网络模型收敛,得到所述角度检测模型。
6.根据权利要求1所述的身份证照完整性检测方法,其特征在于,在所述获取包含身份证照的待检测图像之前,还包括:
获取多张身份证照对应的四角分割图,并对所述四角分割图进行位置标注与完整性标注,得到带完整性标注信息的第二训练样本;
将所述第二训练样本输入预置第二深度网络模型中的第四DenseNet201网络进行特征提取,得到所述第二训练样本对应的的第一四角分割特征图;
将所述第一四角分割特征图输入所述第二深度网络模型中的多个卷积层进行多次卷积操作,得到所述第一四角分割特征图对应的多个第三卷积特征向量;
将所述各第三卷积特征向量输入所述第二深度网络模型中的池化层进行下采样及特征压缩,输出所述各第三卷积特征向量对应的多个第三池化特征向量;
将所述各第三池化特征向量输入所述第二深度网络模型中的全连接层进行特征组合,得到所述各第三池化特征向量对应的多个第三全连接特征向量;
将所述各第三全连接特征向量输入所述第二深度网络模型中的SoftMax函数进行特征分类,输出对应的多个身份证照图像完整性预测结果;
根据所述各身份证照图像完整性预测结果,对所述第二深度网络模型的参数进行调整,直至所述第二深度网络模型收敛,得到身份证照完整性检测模型。
7.根据权利要求1所述的身份证照完整性检测方法,其特征在于,所述将所述四角分割图输入预置身份证照完整性检测模型中,并通过所述身份证照完整性检测模型得到所述四角分割图对应的特征分类包括:
将所述四角分割图输入预置身份证照完整性检测模型中的第一DenseNet201网络进行特征提取,得到所述四角分割图对应的第二四角分割特征图;
将所述第二四角分割特征图输入所述身份证照完整性检测模型中的多个卷积层进行多次卷积操作,得到所述第二四角分割特征图对应的多个第四卷积特征向量;
将所述各第四卷积特征向量输入所述身份证照完整性检测模型中的池化层进行下采样及特征压缩,得到所述各第四卷积特征向量对应的多个第四池化特征向量;
将所述各第四池化特征向量输入所述身份证照完整性检测模型中的全连接层进行特征组合,得到所述多个第四池化特征向量对应的多个第四全连接特征向量;
将所述各第四全连接特征向量输入所述身份证照完整性检测模型中的SoftMax函数进行特征分类,输出所述身份证照图像对应的识别结果。
8.一种身份证照完整性检测装置,其特征在于,所述身份证照完整性检测装置包括:
获取模块,用于获取包含身份证照的待检测图片;
区域检测模块,用于将所述待检测图像输入预置目标检测模型进行身份证照检测,输出所述待检测图像中身份证照区域;
提取模块,用于根据所述身份证照区域,从所述待检测图像中提取身份证照图像;
分割模块,用于对所述身份证照图像进行十字分割,得到所述身份证照图像的四角分割图;
识别模块,用于将所述四角分割图输入预置身份证照完整性检测模型中,并通过所述身份证照完整性检测模型得到所述四角分割图对应的特征分类。
9.一种身份证照完整性检测设备,其特征在于,所述身份证照完整性检测设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述快件分拣设备执行如权利要求1-7中任一项所述的身份证照完整性检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的身份证照完整性检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110084220.7A CN112883959B (zh) | 2021-01-21 | 2021-01-21 | 身份证照完整性检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110084220.7A CN112883959B (zh) | 2021-01-21 | 2021-01-21 | 身份证照完整性检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883959A true CN112883959A (zh) | 2021-06-01 |
CN112883959B CN112883959B (zh) | 2023-07-25 |
Family
ID=76051676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110084220.7A Active CN112883959B (zh) | 2021-01-21 | 2021-01-21 | 身份证照完整性检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883959B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673500A (zh) * | 2021-08-20 | 2021-11-19 | 深圳前海微众银行股份有限公司 | 证件图像识别方法、装置、电子设备及存储介质 |
CN113947775A (zh) * | 2021-09-30 | 2022-01-18 | 北京三快在线科技有限公司 | 识别证照图像完整性的方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378218A (zh) * | 2019-06-13 | 2019-10-25 | 大亚湾核电运营管理有限责任公司 | 一种图像处理方法、装置及终端设备 |
CN110647880A (zh) * | 2019-08-12 | 2020-01-03 | 深圳市华付信息技术有限公司 | 一种移动端身份证图像遮挡判断方法 |
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 |
CN111275685A (zh) * | 2020-01-20 | 2020-06-12 | 中国平安人寿保险股份有限公司 | 身份证件的翻拍图像识别方法、装置、设备及介质 |
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 |
CN111582134A (zh) * | 2020-04-30 | 2020-08-25 | 平安科技(深圳)有限公司 | 证件边沿检测方法、装置、设备和介质 |
-
2021
- 2021-01-21 CN CN202110084220.7A patent/CN112883959B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378218A (zh) * | 2019-06-13 | 2019-10-25 | 大亚湾核电运营管理有限责任公司 | 一种图像处理方法、装置及终端设备 |
CN110647880A (zh) * | 2019-08-12 | 2020-01-03 | 深圳市华付信息技术有限公司 | 一种移动端身份证图像遮挡判断方法 |
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 |
CN111275685A (zh) * | 2020-01-20 | 2020-06-12 | 中国平安人寿保险股份有限公司 | 身份证件的翻拍图像识别方法、装置、设备及介质 |
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 |
CN111582134A (zh) * | 2020-04-30 | 2020-08-25 | 平安科技(深圳)有限公司 | 证件边沿检测方法、装置、设备和介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673500A (zh) * | 2021-08-20 | 2021-11-19 | 深圳前海微众银行股份有限公司 | 证件图像识别方法、装置、电子设备及存储介质 |
CN113947775A (zh) * | 2021-09-30 | 2022-01-18 | 北京三快在线科技有限公司 | 识别证照图像完整性的方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112883959B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569878B (zh) | 一种基于卷积神经网络的照片背景相似度聚类方法及计算机 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN108090511B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN112801146B (zh) | 一种目标检测方法及系统 | |
CN109871845B (zh) | 证件图像提取方法及终端设备 | |
CN109711416B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN111680690B (zh) | 一种文字识别方法及装置 | |
CN113361495A (zh) | 人脸图像相似度的计算方法、装置、设备及存储介质 | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN107464245B (zh) | 一种图像结构边缘的定位方法及装置 | |
CN113011253B (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 | |
CN109426773A (zh) | 一种道路识别方法和装置 | |
CN112883959B (zh) | 身份证照完整性检测方法、装置、设备及存储介质 | |
CN109815823B (zh) | 数据处理方法及相关产品 | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115861210B (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
CN113052170A (zh) | 一种无约束场景下的小目标车牌识别方法 | |
Feng et al. | A novel saliency detection method for wild animal monitoring images with WMSN | |
CN111178398B (zh) | 检测身份证图像信息篡改的方法、系统、存储介质及装置 | |
CN115578590A (zh) | 基于卷积神经网络模型的图像识别方法、装置及终端设备 | |
Vyacheslavovich et al. | Advanced Hough-based method for on-device document localization | |
CN116071625B (zh) | 深度学习模型的训练方法、目标检测方法及装置 | |
CN111414889A (zh) | 基于文字识别的财务报表识别方法及装置 | |
CN117011216A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 |
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 |