CN113283421A - 信息识别方法、装置、设备及存储介质 - Google Patents
信息识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113283421A CN113283421A CN202110704352.5A CN202110704352A CN113283421A CN 113283421 A CN113283421 A CN 113283421A CN 202110704352 A CN202110704352 A CN 202110704352A CN 113283421 A CN113283421 A CN 113283421A
- Authority
- CN
- China
- Prior art keywords
- information
- image
- convolution
- channel
- card number
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims description 47
- 238000005070 sampling Methods 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 23
- 238000011176 pooling Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 230000001960 triggered effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- G06V20/63—Scene text, e.g. street names
Abstract
本发明涉及人工智能，提供一种信息识别方法、装置、设备及存储介质。该方法能够接收信息识别请求，并根据所述信息识别请求获取待识别图像；根据多个层级尺寸提取所述待识别图像在每个通道上的通道卷积信息，并根据所述通道卷积信息生成所述待识别图像的特征信息；根据所述通道卷积信息从所述待识别图像中提取语义信息；融合所述特征信息及所述语义信息，得到所述待识别图像的特征图；对所述特征图进行数字字符检测，得到多个字符候选框；从所述多个字符候选框中选取出卡号候选框；识别所述卡号候选框中的信息，得到卡号信息。本发明能够准确从图像中提取到卡号信息。此外，本发明还涉及区块链技术，所述卡号信息可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种信息识别方法、装置、设备及存储介质。
背景技术
目前，在银行卡号识别方式中，通过限定银行卡的拍摄方向以及对焦位置，进而根据拍摄方向选取出适合的模板格式进一步识别出对焦位置中的信息，从而获取到银行卡号。然而，在银行卡没有处于设定好的拍摄方向，或者没有聚焦卡号所在的位置时，由于无法获取到相应模板(如：横版模板)对信息进行识别，以及待识别位置上的信息不够清晰，导致无法准确识别出银行卡上的银行卡号。
发明内容
鉴于以上内容，有必要提供一种信息识别方法、装置、设备及存储介质，能够准确识别出图像中的卡号信息。
一方面，本发明提出一种信息识别方法，所述信息识别方法包括：
接收信息识别请求，并根据所述信息识别请求获取待识别图像；
根据多个层级尺寸提取所述待识别图像在每个通道上的通道卷积信息，并根据所述通道卷积信息生成所述待识别图像的特征信息；
根据所述通道卷积信息从所述待识别图像中提取语义信息；
融合所述特征信息及所述语义信息，得到所述待识别图像的特征图；
对所述特征图进行数字字符检测，得到多个字符候选框；
从所述多个字符候选框中选取出卡号候选框；
识别所述卡号候选框中的信息，得到卡号信息。
根据本发明优选实施例，所述根据多个层级尺寸提取所述待识别图像在每个通道上的通道卷积信息，并根据所述通道卷积信息生成所述待识别图像的特征信息包括：
获取与所述多个层级尺寸对应的尺寸卷积层；
根据所述尺寸卷积层处理所述待识别图像，得到每个通道上的通道卷积信息；
对所述待识别图像进行池化处理，得到每个通道上的通道池化信息；
将每个通道上的所述通道卷积信息及对应的所述通道池化信息进行拼接，得到拼接信息；
获取预设卷积核，并根据所述预设卷积核对所述拼接信息进行卷积处理，得到所述特征信息。
根据本发明优选实施例，所述根据所述通道卷积信息从所述待识别图像中提取语义信息包括：
获取卷积核最小的所述尺寸卷积层作为目标卷积层；
从所述通道卷积信息中获取与所述目标卷积层对应的信息作为目标卷积信息；
根据所述预设卷积核对所述目标卷积信息进行卷积操作，得到所述语义信息。
根据本发明优选实施例，所述融合所述特征信息及所述语义信息，得到所述待识别图像的特征图包括：
获取所述特征信息中的特征像素数量，并获取所述待识别图像的图像像素数量；
将所述特征像素数量除以所述图像像素数量，得到采样值；
根据所述采样值对所述特征信息进行上采样处理，得到采样信息；
拼接所述采样信息及所述语义信息，得到待还原信息；
对所述待还原信息进行卷积并采样处理，得到所述特征图。
根据本发明优选实施例，所述对所述特征图进行数字字符检测，得到多个字符候选框包括：
从待处理库中获取所述待识别图像所属的对象领域，并从所述信息识别请求中获取待识别信息所属的信息类型；
获取所述对象领域中所述信息类型的尺寸大小；
根据所述尺寸大小生成目标滑窗；
基于所述目标滑窗对所述特征图进行滑动处理，得到所述特征图的多个窗口；
将每个窗口输入至预先训练好的分数识别模型，得到每个窗口的窗口分数；
将所述窗口分数大于预设分数阈值的窗口确定为所述多个字符候选框。
根据本发明优选实施例，所述从所述多个字符候选框中选取出卡号候选框包括：
获取所述对象领域中所述待识别信息的信息量，并将取值最大的所述信息量确定为所述目标数量；
根据所述窗口分数从大至小的顺序对所述多个字符候选框进行排序，得到序列；
从所述序列中选取位于前N位的字符候选框作为中间候选框，N为所述目标数量；
确定所述中间候选框在所述特征图中的像素位置，并根据所述像素位置对所述中间候选框进行排序，得到矩阵图；
对所述矩阵图中的所述中间候选框依次进行边缘检测，得到每个中间候选框的检测结果；
对于任一检测结果，将在所述矩阵图中位于所述任一检测结果的预设位置所对应的检测结果确定为基准结果；
若所述基准结果为预设结果，将所述任一检测结果所对应的中间候选框确定为所述卡号候选框。
根据本发明优选实施例，所述识别所述卡号候选框中的信息，得到卡号信息包括：
对每个所述卡号候选框进行尺度变换，得到多个尺度候选框；
将所述多个尺度候选框输入至所述分数识别模型中，得到尺度分数；
将所述尺度分数最大的尺度候选框确定为每个所述卡号候选框的目标检测框；
获取所述目标检测框中的像素信息；
对所述像素信息进行二值化处理，得到运算结果，并计算所述运算结果的总和；
将所述总和与预设像素值进行比较，并选取出与所述总和的差值最小的所述预设像素值作为目标像素值；
将与所述目标像素值对应的信息确定为所述卡号信息。
另一方面，本发明还提出一种信息识别装置，所述信息识别装置包括：
获取单元，用于接收信息识别请求，并根据所述信息识别请求获取待识别图像；
提取单元，用于根据多个层级尺寸提取所述待识别图像在每个通道上的通道卷积信息，并根据所述通道卷积信息生成所述待识别图像的特征信息；
所述提取单元，还用于根据所述通道卷积信息从所述待识别图像中提取语义信息；
融合单元，用于融合所述特征信息及所述语义信息，得到所述待识别图像的特征图；
检测单元，用于对所述特征图进行数字字符检测，得到多个字符候选框；
选取单元，用于从所述多个字符候选框中选取出卡号候选框；
识别单元，用于识别所述卡号候选框中的信息，得到卡号信息。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述信息识别方法。
另一方面，本发明还提出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可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述信息识别方法。
由以上技术方案可以看出，本发明通过在多个层级尺寸上对所述待识别图像进行分析，能够准确的提取到所述特征信息及所述语义信息，进而根据所述特征信息及所述语义信息生成所述特征图，由于所述特征图中包含有所述待识别图像中的特征信息及语义信息，因此，在所述待识别图像不够清晰时，本发明仍然能够准确的识别出所述待识别图像的卡号信息，同时，通过对所述多个字符候选框的筛选，进而对所述卡号候选框中的信息进行识别，能够直接获取到所述卡号信息，由于无需匹配出相应模板对所述待识别图像中的信息进行识别，提高了普适性。
附图说明
图1是本发明信息识别方法的较佳实施例的流程图。
图2是本发明信息识别装置的较佳实施例的功能模块图。
图3是本发明实现信息识别方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明信息识别方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述信息识别方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，接收信息识别请求，并根据所述信息识别请求获取待识别图像。
在本发明的至少一个实施例中，所述信息识别请求可以由负责信息识别的用户触发生成，也可以在接收到识别需求时自动触发生成，本发明对所述信息识别请求的生成方式不作限制。
所述信息识别请求包括，但不限于：待识别信息所属的信息类型、请求编号等。
所述待识别图像是指需要进行信息识别的图像，所述待识别图像可以是带有银行卡的图像。本发明对所述待识别图像中待识别信息的方向不作限制，例如，所述待识别图像中可以包含有竖版的银行卡信息，也可以包含有横板的银行卡信息。
在本发明的至少一个实施例中，所述电子设备根据所述信息识别请求获取待识别图像包括：
解析所述信息识别请求的报文头，得到所述报文头携带的地址信息；
从所述地址信息中获取与预设标签对应的信息作为发送地址，所述预设标签是指表征发送请求的标识；
将与所述发送地址对应的系统确定为目标系统；
从所述目标系统中获取待处理库，所述待处理库中有未识别信息的图像；
从所述待处理库中获取任意图像作为所述待识别图像。
其中，所述报文头携带的信息包括，但不限于：所述发送地址、接收地址等。
所述发送地址是指发送所述信息识别请求的地址，所述发送地址也可以是生成所述信息识别请求的地址。进一步地，所述发送地址可以是IP地址。
相应地，所述目标系统可以是发送所述信息识别请求的地址，所述目标系统也可以是生成所述信息识别请求的地址。
通过解析所述报文头，能够快速获取到所述地址信息，从而能够快速获取到所述待识别图像。
S11，根据多个层级尺寸提取所述待识别图像在每个通道上的通道卷积信息，并根据所述通道卷积信息生成所述待识别图像的特征信息。
在本发明的至少一个实施例中，所述待识别图像在所述多个层级尺寸上的分辨率不同。
所述通道包括R通道、G通道及B通道。
所述通道卷积信息是指所述待识别图像在R通道、G通道及B通道上的卷积信息。
所述特征信息是指所述待识别图像在所述多个层级尺寸上的特征。
在本发明的至少一个实施例中，所述电子设备根据多个层级尺寸提取所述待识别图像在每个通道上的通道卷积信息，并根据所述通道卷积信息生成所述待识别图像的特征信息包括：
获取与所述多个层级尺寸对应的尺寸卷积层；
根据所述尺寸卷积层处理所述待识别图像，得到每个通道上的通道卷积信息；
对所述待识别图像进行池化处理，得到每个通道上的通道池化信息；
将每个通道上的所述通道卷积信息及对应的所述通道池化信息进行拼接，得到拼接信息；
获取预设卷积核，并根据所述预设卷积核对所述拼接信息进行卷积处理，得到所述特征信息。
其中，所述多个层级尺寸可以预先自定义设置。
相应的，所述尺寸卷积层可以包括，但不限于：卷积核为1*1的卷积层，卷积核为3*3、采样率为6的卷积层等。
所述预设卷积核通常设置为1*1。
通过所述尺寸卷积核对所述待识别图像进行处理，能够从所述待识别图像上捕捉到多尺度的通道卷积信息，通过对所述待识别图像进行池化处理，不仅能够缩小所述预设卷积核的运算量，还能够提取到所述待识别图像中的全局空间信息，从而提高所述特征信息的获取准确度。
具体地，所述电子设备对所述待识别图像进行池化处理，得到每个通道上的通道池化信息包括：
获取所述待识别图像中每个通道上的像素信息；
计算所述像素信息的平均值，得到所述通道池化信息。
其中，所述像素信息可以是像素值。
通过上述实施方式，能够根据所述待识别图像快速生成所述通道池化信息。
S12，根据所述通道卷积信息从所述待识别图像中提取语义信息。
在本发明的至少一个实施例中，所述语义信息是指所述待识别图像的语义特征。
在本发明的至少一个实施例中，所述电子设备根据所述通道卷积信息从所述待识别图像中提取语义信息包括：
获取卷积核最小的所述尺寸卷积层作为目标卷积层；
从所述通道卷积信息中获取与所述目标卷积层对应的信息作为目标卷积信息；
根据所述预设卷积核对所述目标卷积信息进行卷积操作，得到所述语义信息。
通过所述预设卷积核对所述目标卷积层处理得到的所述目标卷积信息进行处理，由于所述目标卷积层的卷积核最小，因此，能够快速获取到所述语义信息。
S13，融合所述特征信息及所述语义信息，得到所述待识别图像的特征图。
在本发明的至少一个实施例中，所述特征图是指与所述待识别图像对应的灰度图像。
在本发明的至少一个实施例中，所述电子设备融合所述特征信息及所述语义信息，得到所述待识别图像的特征图包括：
获取所述特征信息中的特征像素数量，并获取所述待识别图像的图像像素数量；
将所述特征像素数量除以所述图像像素数量，得到采样值；
根据所述采样值对所述特征信息进行上采样处理，得到采样信息；
拼接所述采样信息及所述语义信息，得到待还原信息；
对所述待还原信息进行卷积并采样处理，得到所述特征图。
其中，所述特征像素数量是指所述特征信息中包含有的像素的总量，所述图像像素数量是指所述待识别图像中包含有的像素的总量。
通过所述特征像素数量及所述图像像素数量确定所述采样值，由于能够对所述特征信息及所述待识别图像进行量化处理，因此，能够提高所述采样值的确定准确度，进而通过所述采样值对所述特征信息进行上采样处理，能够得到像素数量与所述图像像素数量相同的所述采样信息，从而能够更好的将所述采样信息与所述语义信息进行拼接，以提高所述待还原信息的生成准确度，从而能够准确的生成所述特征图。
S14，对所述特征图进行数字字符检测，得到多个字符候选框。
在本发明的至少一个实施例中，每个字符候选框中包含有数字字符。每个字符候选框中包含有数字字符的数量不作限制，所述数量可以是一个，所述数量也可以是半个等。所述多个字符候选框中包含有与待识别信息无关的数字信息。例如，当待识别信息为银行卡号时，所述多个字符候选框中包含的信息包括有银行卡号及日期信息等数字行信息。
在本发明的至少一个实施例中，所述电子设备对所述特征图进行数字字符检测，得到多个字符候选框包括：
从所述待处理库中获取所述待识别图像所属的对象领域，并从所述信息识别请求中获取待识别信息所属的信息类型；
获取所述对象领域中所述信息类型的尺寸大小；
根据所述尺寸大小生成目标滑窗；
基于所述目标滑窗对所述特征图进行滑动处理，得到所述特征图的多个窗口；
将每个窗口输入至预先训练好的分数识别模型，得到每个窗口的窗口分数；
将所述窗口分数大于预设分数阈值的窗口确定为所述多个字符候选框。
其中，所述对象领域是指所述待识别图像所对应的对象，例如，所述待识别图像为带有银行卡的图像，则，所述对象领域可以是发放该银行卡的银行。
所述待识别信息是指需要从所述待识别图像中识别出的信息，进一步地，所述信息类型是指所述待识别信息所对应的类型，例如，所述待识别信息是卡号，则所述信息类型是数字。
所述尺寸大小中包括长度及宽度。
所述多个窗口是指带有所述特征图中的图片信息的候选框。
所述分数识别模型是根据所述对象领域中的多个样本数据训练生成的，其中，每个样本数据中包含所述待识别信息。
所述预设分数阈值根据所述分数识别模型的学习率确定的。
由于每个领域及每个类型对应的尺寸不一，因此，通过所述对象领域及所述信息类型能够准确的确定出所述尺寸大小，进而根据所述尺寸大小生成的所述目标滑窗对所述特征图进行滑动处理，能够快速获取到带有所述特征图中的图片信息的所述多个窗口，进一步通过所述分数识别模型及所述预设分数阈值能够快速确定出所述多个字符候选框。
在本发明的至少一个实施例中，在将每个窗口输入至预先训练好的分数识别模型之前，所述方法还包括：
将所述多个样本数据输入到遗忘门层进行遗忘处理，得到训练数据；
采用交叉验证法将所述训练数据划分为训练集及验证集；
将所述训练集中的数据输入到输入门层进行训练，得到学习器；
根据所述验证集中的数据，调整所述学习器，得到所述分数识别模型。
通过上述实施方式，能够快速生成所述分数识别模型。
S15，从所述多个字符候选框中选取出卡号候选框。
在本发明的至少一个实施例中，所述卡号候选框是指将包含有日期信息等非卡号信息的数字型候选框剔除后得到的候选框。则，所述卡号候选框中金包含有存储卡号信息的字符候选框。
在本发明的至少一个实施例中，所述电子设备从所述多个字符候选框中选取出卡号候选框包括：
获取所述对象领域中所述待识别信息的信息量，并将取值最大的所述信息量确定为所述目标数量；
根据所述窗口分数从大至小的顺序对所述多个字符候选框进行排序，得到序列；
从所述序列中选取位于前N位的字符候选框作为中间候选框，N为所述目标数量；
确定所述中间候选框在所述特征图中的像素位置，并根据所述像素位置对所述中间候选框进行排序，得到矩阵图；
对所述矩阵图中的所述中间候选框依次进行边缘检测，得到每个中间候选框的检测结果；
对于任一检测结果，将在所述矩阵图中位于所述任一检测结果的预设位置所对应的检测结果确定为基准结果；
若所述基准结果为预设结果，将所述任一检测结果所对应的中间候选框确定为所述卡号候选框。
其中，所述信息量是指所述待识别信息的字符总量。例如，所述对象领域为A银行，所述待识别信息为A银行的卡号信息，则，所述字符总量可以是16、18等。
所述矩阵图是指所述中间候选框按照所述像素位置进行排列后得到的图像。
所述预设位置包括左侧及右侧。进一步地，所述预设结果包括数字及空白区域。
通过所述目标数量能够从所述多个字符候选框中选取出所述中间候选框，从而提高所述卡号候选框的确定效率，通过对所述矩阵图中的所述中间候选框依次进行边缘检测，由于所述卡号候选框的确定与检测结果的像素位置有关，因此，通过所述像素位置及边缘检测能够准确的确定出所述卡号候选框。
S16，识别所述卡号候选框中的信息，得到卡号信息。
在本发明的至少一个实施例中，所述卡号信息可以是指银行卡号信息，所述卡号信息也可以是任一商户中会员卡号信息。
需要强调的是，为进一步保证上述资源栈的私密和安全性，上述资源栈还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述电子设备识别所述卡号候选框中的信息，得到卡号信息包括：
对每个所述卡号候选框进行尺度变换，得到多个尺度候选框；
将所述多个尺度候选框输入至所述分数识别模型中，得到尺度分数；
将所述尺度分数最大的尺度候选框确定为每个所述卡号候选框的目标检测框；
获取所述目标检测框中的像素信息；
对所述像素信息进行二值化处理，得到运算结果，并计算所述运算结果的总和；
将所述总和与预设像素值进行比较，并选取出与所述总和的差值最小的所述预设像素值作为目标像素值；
将与所述目标像素值对应的信息确定为所述卡号信息。
其中，所述预设像素值中包括每个数值竖排时的像素总和及每个数值横排时的像素总和。
通过对所述卡号候选框进行尺度变换，进而选取出所述目标检测框，能够避免所述尺寸大小偏大或者偏小影响所述卡号信息的识别，从而提高所述卡号信息的识别准确率，通过对所述像素信息进行二值化处理，能够快速确定出所述总和，从而能够快速识别出所述卡号信息。
在本发明的至少一个实施例中，在得到卡号信息后，所述方法还包括：
获取所述信息识别请求的请求编号；
根据所述请求编号及所述卡号信息生成提示信息；
采用对称加密技术加密所述提示信息，得到密文；
将所述密文发送至指定联系人的终端设备。
通过上述实施方式，不仅能够提高所述卡号信息的安全性，还能够提高所述卡号信息的发送及时性。
由以上技术方案可以看出，本发明通过在多个层级尺寸上对所述待识别图像进行分析，能够准确的提取到所述特征信息及所述语义信息，进而根据所述特征信息及所述语义信息生成所述特征图，由于所述特征图中包含有所述待识别图像中的特征信息及语义信息，因此，在所述待识别图像不够清晰时，本发明仍然能够准确的识别出所述待识别图像的卡号信息，同时，通过对所述多个字符候选框的筛选，进而对所述卡号候选框中的信息进行识别，能够直接获取到所述卡号信息，由于无需匹配出相应模板对所述待识别图像中的信息进行识别，提高了普适性。
如图2所示，是本发明信息识别装置的较佳实施例的功能模块图。所述信息识别装置11包括获取单元110、提取单元111、融合单元112、检测单元113、选取单元114、识别单元115、处理单元116、划分单元117、输入单元118、调整单元119、生成单元120、加密单元121及发送单元122。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
获取单元110接收信息识别请求，并根据所述信息识别请求获取待识别图像。
在本发明的至少一个实施例中，所述信息识别请求可以由负责信息识别的用户触发生成，也可以在接收到识别需求时自动触发生成，本发明对所述信息识别请求的生成方式不作限制。
所述信息识别请求包括，但不限于：待识别信息所属的信息类型、请求编号等。
所述待识别图像是指需要进行信息识别的图像，所述待识别图像可以是带有银行卡的图像。本发明对所述待识别图像中待识别信息的方向不作限制，例如，所述待识别图像中可以包含有竖版的银行卡信息，也可以包含有横板的银行卡信息。
在本发明的至少一个实施例中，所述获取单元110根据所述信息识别请求获取待识别图像包括：
解析所述信息识别请求的报文头，得到所述报文头携带的地址信息；
从所述地址信息中获取与预设标签对应的信息作为发送地址，所述预设标签是指表征发送请求的标识；
将与所述发送地址对应的系统确定为目标系统；
从所述目标系统中获取待处理库，所述待处理库中有未识别信息的图像；
从所述待处理库中获取任意图像作为所述待识别图像。
其中，所述报文头携带的信息包括，但不限于：所述发送地址、接收地址等。
所述发送地址是指发送所述信息识别请求的地址，所述发送地址也可以是生成所述信息识别请求的地址。进一步地，所述发送地址可以是IP地址。
相应地，所述目标系统可以是发送所述信息识别请求的地址，所述目标系统也可以是生成所述信息识别请求的地址。
通过解析所述报文头，能够快速获取到所述地址信息，从而能够快速获取到所述待识别图像。
提取单元111根据多个层级尺寸提取所述待识别图像在每个通道上的通道卷积信息，并根据所述通道卷积信息生成所述待识别图像的特征信息。
在本发明的至少一个实施例中，所述待识别图像在所述多个层级尺寸上的分辨率不同。
所述通道包括R通道、G通道及B通道。
所述通道卷积信息是指所述待识别图像在R通道、G通道及B通道上的卷积信息。
所述特征信息是指所述待识别图像在所述多个层级尺寸上的特征。
在本发明的至少一个实施例中，所述提取单元111根据多个层级尺寸提取所述待识别图像在每个通道上的通道卷积信息，并根据所述通道卷积信息生成所述待识别图像的特征信息包括：
获取与所述多个层级尺寸对应的尺寸卷积层；
根据所述尺寸卷积层处理所述待识别图像，得到每个通道上的通道卷积信息；
对所述待识别图像进行池化处理，得到每个通道上的通道池化信息；
将每个通道上的所述通道卷积信息及对应的所述通道池化信息进行拼接，得到拼接信息；
获取预设卷积核，并根据所述预设卷积核对所述拼接信息进行卷积处理，得到所述特征信息。
其中，所述多个层级尺寸可以预先自定义设置。
相应的，所述尺寸卷积层可以包括，但不限于：卷积核为1*1的卷积层，卷积核为3*3、采样率为6的卷积层等。
所述预设卷积核通常设置为1*1。
通过所述尺寸卷积核对所述待识别图像进行处理，能够从所述待识别图像上捕捉到多尺度的通道卷积信息，通过对所述待识别图像进行池化处理，不仅能够缩小所述预设卷积核的运算量，还能够提取到所述待识别图像中的全局空间信息，从而提高所述特征信息的获取准确度。
具体地，所述提取单元111对所述待识别图像进行池化处理，得到每个通道上的通道池化信息包括：
获取所述待识别图像中每个通道上的像素信息；
计算所述像素信息的平均值，得到所述通道池化信息。
其中，所述像素信息可以是像素值。
通过上述实施方式，能够根据所述待识别图像快速生成所述通道池化信息。
所述提取单元111根据所述通道卷积信息从所述待识别图像中提取语义信息。
在本发明的至少一个实施例中，所述语义信息是指所述待识别图像的语义特征。
在本发明的至少一个实施例中，所述提取单元111根据所述通道卷积信息从所述待识别图像中提取语义信息包括：
获取卷积核最小的所述尺寸卷积层作为目标卷积层；
从所述通道卷积信息中获取与所述目标卷积层对应的信息作为目标卷积信息；
根据所述预设卷积核对所述目标卷积信息进行卷积操作，得到所述语义信息。
通过所述预设卷积核对所述目标卷积层处理得到的所述目标卷积信息进行处理，由于所述目标卷积层的卷积核最小，因此，能够快速获取到所述语义信息。
融合单元112融合所述特征信息及所述语义信息，得到所述待识别图像的特征图。
在本发明的至少一个实施例中，所述特征图是指与所述待识别图像对应的灰度图像。
在本发明的至少一个实施例中，所述融合单元112融合所述特征信息及所述语义信息，得到所述待识别图像的特征图包括：
获取所述特征信息中的特征像素数量，并获取所述待识别图像的图像像素数量；
将所述特征像素数量除以所述图像像素数量，得到采样值；
根据所述采样值对所述特征信息进行上采样处理，得到采样信息；
拼接所述采样信息及所述语义信息，得到待还原信息；
对所述待还原信息进行卷积并采样处理，得到所述特征图。
其中，所述特征像素数量是指所述特征信息中包含有的像素的总量，所述图像像素数量是指所述待识别图像中包含有的像素的总量。
通过所述特征像素数量及所述图像像素数量确定所述采样值，由于能够对所述特征信息及所述待识别图像进行量化处理，因此，能够提高所述采样值的确定准确度，进而通过所述采样值对所述特征信息进行上采样处理，能够得到像素数量与所述图像像素数量相同的所述采样信息，从而能够更好的将所述采样信息与所述语义信息进行拼接，以提高所述待还原信息的生成准确度，从而能够准确的生成所述特征图。
检测单元113对所述特征图进行数字字符检测，得到多个字符候选框。
在本发明的至少一个实施例中，每个字符候选框中包含有数字字符。每个字符候选框中包含有数字字符的数量不作限制，所述数量可以是一个，所述数量也可以是半个等。所述多个字符候选框中包含有与待识别信息无关的数字信息。例如，当待识别信息为银行卡号时，所述多个字符候选框中包含的信息包括有银行卡号及日期信息等数字行信息。
在本发明的至少一个实施例中，所述检测单元113对所述特征图进行数字字符检测，得到多个字符候选框包括：
从所述待处理库中获取所述待识别图像所属的对象领域，并从所述信息识别请求中获取待识别信息所属的信息类型；
获取所述对象领域中所述信息类型的尺寸大小；
根据所述尺寸大小生成目标滑窗；
基于所述目标滑窗对所述特征图进行滑动处理，得到所述特征图的多个窗口；
将每个窗口输入至预先训练好的分数识别模型，得到每个窗口的窗口分数；
将所述窗口分数大于预设分数阈值的窗口确定为所述多个字符候选框。
其中，所述对象领域是指所述待识别图像所对应的对象，例如，所述待识别图像为带有银行卡的图像，则，所述对象领域可以是发放该银行卡的银行。
所述待识别信息是指需要从所述待识别图像中识别出的信息，进一步地，所述信息类型是指所述待识别信息所对应的类型，例如，所述待识别信息是卡号，则所述信息类型是数字。
所述尺寸大小中包括长度及宽度。
所述多个窗口是指带有所述特征图中的图片信息的候选框。
所述分数识别模型是根据所述对象领域中的多个样本数据训练生成的，其中，每个样本数据中包含所述待识别信息。
所述预设分数阈值根据所述分数识别模型的学习率确定的。
由于每个领域及每个类型对应的尺寸不一，因此，通过所述对象领域及所述信息类型能够准确的确定出所述尺寸大小，进而根据所述尺寸大小生成的所述目标滑窗对所述特征图进行滑动处理，能够快速获取到带有所述特征图中的图片信息的所述多个窗口，进一步通过所述分数识别模型及所述预设分数阈值能够快速确定出所述多个字符候选框。
在本发明的至少一个实施例中，在将每个窗口输入至预先训练好的分数识别模型之前，处理单元116将所述多个样本数据输入到遗忘门层进行遗忘处理，得到训练数据；
划分单元117采用交叉验证法将所述训练数据划分为训练集及验证集；
输入单元118将所述训练集中的数据输入到输入门层进行训练，得到学习器；
调整单元119根据所述验证集中的数据，调整所述学习器，得到所述分数识别模型。
通过上述实施方式，能够快速生成所述分数识别模型。
选取单元114从所述多个字符候选框中选取出卡号候选框。
在本发明的至少一个实施例中，所述卡号候选框是指将包含有日期信息等非卡号信息的数字型候选框剔除后得到的候选框。则，所述卡号候选框中金包含有存储卡号信息的字符候选框。
在本发明的至少一个实施例中，所述选取单元114从所述多个字符候选框中选取出卡号候选框包括：
获取所述对象领域中所述待识别信息的信息量，并将取值最大的所述信息量确定为所述目标数量；
根据所述窗口分数从大至小的顺序对所述多个字符候选框进行排序，得到序列；
从所述序列中选取位于前N位的字符候选框作为中间候选框，N为所述目标数量；
确定所述中间候选框在所述特征图中的像素位置，并根据所述像素位置对所述中间候选框进行排序，得到矩阵图；
对所述矩阵图中的所述中间候选框依次进行边缘检测，得到每个中间候选框的检测结果；
对于任一检测结果，将在所述矩阵图中位于所述任一检测结果的预设位置所对应的检测结果确定为基准结果；
若所述基准结果为预设结果，将所述任一检测结果所对应的中间候选框确定为所述卡号候选框。
其中，所述信息量是指所述待识别信息的字符总量。例如，所述对象领域为A银行，所述待识别信息为A银行的卡号信息，则，所述字符总量可以是16、18等。
所述矩阵图是指所述中间候选框按照所述像素位置进行排列后得到的图像。
所述预设位置包括左侧及右侧。进一步地，所述预设结果包括数字及空白区域。
通过所述目标数量能够从所述多个字符候选框中选取出所述中间候选框，从而提高所述卡号候选框的确定效率，通过对所述矩阵图中的所述中间候选框依次进行边缘检测，由于所述卡号候选框的确定与检测结果的像素位置有关，因此，通过所述像素位置及边缘检测能够准确的确定出所述卡号候选框。
识别单元115识别所述卡号候选框中的信息，得到卡号信息。
在本发明的至少一个实施例中，所述卡号信息可以是指银行卡号信息，所述卡号信息也可以是任一商户中会员卡号信息。
需要强调的是，为进一步保证上述资源栈的私密和安全性，上述资源栈还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述识别单元115识别所述卡号候选框中的信息，得到卡号信息包括：
对每个所述卡号候选框进行尺度变换，得到多个尺度候选框；
将所述多个尺度候选框输入至所述分数识别模型中，得到尺度分数；
将所述尺度分数最大的尺度候选框确定为每个所述卡号候选框的目标检测框；
获取所述目标检测框中的像素信息；
对所述像素信息进行二值化处理，得到运算结果，并计算所述运算结果的总和；
将所述总和与预设像素值进行比较，并选取出与所述总和的差值最小的所述预设像素值作为目标像素值；
将与所述目标像素值对应的信息确定为所述卡号信息。
其中，所述预设像素值中包括每个数值竖排时的像素总和及每个数值横排时的像素总和。
通过对所述卡号候选框进行尺度变换，进而选取出所述目标检测框，能够避免所述尺寸大小偏大或者偏小影响所述卡号信息的识别，从而提高所述卡号信息的识别准确率，通过对所述像素信息进行二值化处理，能够快速确定出所述总和，从而能够快速识别出所述卡号信息。
在本发明的至少一个实施例中，在得到卡号信息后，所述获取单元110获取所述信息识别请求的请求编号；
生成单元120根据所述请求编号及所述卡号信息生成提示信息；
加密单元121采用对称加密技术加密所述提示信息，得到密文；
发送单元122将所述密文发送至指定联系人的终端设备。
通过上述实施方式，不仅能够提高所述卡号信息的安全性，还能够提高所述卡号信息的发送及时性。
由以上技术方案可以看出，本发明通过在多个层级尺寸上对所述待识别图像进行分析，能够准确的提取到所述特征信息及所述语义信息，进而根据所述特征信息及所述语义信息生成所述特征图，由于所述特征图中包含有所述待识别图像中的特征信息及语义信息，因此，在所述待识别图像不够清晰时，本发明仍然能够准确的识别出所述待识别图像的卡号信息，同时，通过对所述多个字符候选框的筛选，进而对所述卡号候选框中的信息进行识别，能够直接获取到所述卡号信息，由于无需匹配出相应模板对所述待识别图像中的信息进行识别，提高了普适性。
如图3所示，是本发明实现信息识别方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如信息识别程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1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，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、提取单元111、融合单元112、检测单元113、选取单元114、识别单元115、处理单元116、划分单元117、输入单元118、调整单元119、生成单元120、加密单元121及发送单元122。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
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。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令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)、随机存取存储器(RAM，Random Access Memory)。
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。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种信息识别方法，所述处理器13可执行所述计算机可读指令从而实现：
接收信息识别请求，并根据所述信息识别请求获取待识别图像；
根据多个层级尺寸提取所述待识别图像在每个通道上的通道卷积信息，并根据所述通道卷积信息生成所述待识别图像的特征信息；
根据所述通道卷积信息多个层级尺寸从所述待识别图像中提取语义信息；
融合所述特征信息及所述语义信息，得到所述待识别图像的特征图；
对所述特征图进行数字字符检测，得到多个字符候选框；
从所述多个字符候选框中选取出卡号候选框；
识别所述卡号候选框中的信息，得到卡号信息。
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，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。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
接收信息识别请求，并根据所述信息识别请求获取待识别图像；
根据多个层级尺寸提取所述待识别图像在每个通道上的通道卷积信息，并根据所述通道卷积信息生成所述待识别图像的特征信息；
根据所述通道卷积信息多个层级尺寸从所述待识别图像中提取语义信息；
融合所述特征信息及所述语义信息，得到所述待识别图像的特征图；
对所述特征图进行数字字符检测，得到多个字符候选框；
从所述多个字符候选框中选取出卡号候选框；
识别所述卡号候选框中的信息，得到卡号信息。
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。
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标记视为限制所涉及的权利要求。
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。所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。第一、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)
1.一种信息识别方法，其特征在于，所述信息识别方法包括：
接收信息识别请求，并根据所述信息识别请求获取待识别图像；
根据多个层级尺寸提取所述待识别图像在每个通道上的通道卷积信息，并根据所述通道卷积信息生成所述待识别图像的特征信息；
根据所述通道卷积信息从所述待识别图像中提取语义信息；
融合所述特征信息及所述语义信息，得到所述待识别图像的特征图；
对所述特征图进行数字字符检测，得到多个字符候选框；
从所述多个字符候选框中选取出卡号候选框；
识别所述卡号候选框中的信息，得到卡号信息。
2.如权利要求1所述的信息识别方法，其特征在于，所述根据多个层级尺寸提取所述待识别图像在每个通道上的通道卷积信息，并根据所述通道卷积信息生成所述待识别图像的特征信息包括：
获取与所述多个层级尺寸对应的尺寸卷积层；
根据所述尺寸卷积层处理所述待识别图像，得到每个通道上的通道卷积信息；
对所述待识别图像进行池化处理，得到每个通道上的通道池化信息；
将每个通道上的所述通道卷积信息及对应的所述通道池化信息进行拼接，得到拼接信息；
获取预设卷积核，并根据所述预设卷积核对所述拼接信息进行卷积处理，得到所述特征信息。
3.如权利要求2所述的信息识别方法，其特征在于，所述根据所述通道卷积信息从所述待识别图像中提取语义信息包括：
获取卷积核最小的所述尺寸卷积层作为目标卷积层；
从所述通道卷积信息中获取与所述目标卷积层对应的信息作为目标卷积信息；
根据所述预设卷积核对所述目标卷积信息进行卷积操作，得到所述语义信息。
4.如权利要求1所述的信息识别方法，其特征在于，所述融合所述特征信息及所述语义信息，得到所述待识别图像的特征图包括：
获取所述特征信息中的特征像素数量，并获取所述待识别图像的图像像素数量；
将所述特征像素数量除以所述图像像素数量，得到采样值；
根据所述采样值对所述特征信息进行上采样处理，得到采样信息；
拼接所述采样信息及所述语义信息，得到待还原信息；
对所述待还原信息进行卷积并采样处理，得到所述特征图。
5.如权利要求1所述的信息识别方法，其特征在于，所述对所述特征图进行数字字符检测，得到多个字符候选框包括：
从待处理库中获取所述待识别图像所属的对象领域，并从所述信息识别请求中获取待识别信息所属的信息类型；
获取所述对象领域中所述信息类型的尺寸大小；
根据所述尺寸大小生成目标滑窗；
基于所述目标滑窗对所述特征图进行滑动处理，得到所述特征图的多个窗口；
将每个窗口输入至预先训练好的分数识别模型，得到每个窗口的窗口分数；
将所述窗口分数大于预设分数阈值的窗口确定为所述多个字符候选框。
6.如权利要求5所述的信息识别方法，其特征在于，所述从所述多个字符候选框中选取出卡号候选框包括：
获取所述对象领域中所述待识别信息的信息量，并将取值最大的所述信息量确定为所述目标数量；
根据所述窗口分数从大至小的顺序对所述多个字符候选框进行排序，得到序列；
从所述序列中选取位于前N位的字符候选框作为中间候选框，N为所述目标数量；
确定所述中间候选框在所述特征图中的像素位置，并根据所述像素位置对所述中间候选框进行排序，得到矩阵图；
对所述矩阵图中的所述中间候选框依次进行边缘检测，得到每个中间候选框的检测结果；
对于任一检测结果，将在所述矩阵图中位于所述任一检测结果的预设位置所对应的检测结果确定为基准结果；
若所述基准结果为预设结果，将所述任一检测结果所对应的中间候选框确定为所述卡号候选框。
7.如权利要求5所述的信息识别方法，其特征在于，所述识别所述卡号候选框中的信息，得到卡号信息包括：
对每个所述卡号候选框进行尺度变换，得到多个尺度候选框；
将所述多个尺度候选框输入至所述分数识别模型中，得到尺度分数；
将所述尺度分数最大的尺度候选框确定为每个所述卡号候选框的目标检测框；
获取所述目标检测框中的像素信息；
对所述像素信息进行二值化处理，得到运算结果，并计算所述运算结果的总和；
将所述总和与预设像素值进行比较，并选取出与所述总和的差值最小的所述预设像素值作为目标像素值；
将与所述目标像素值对应的信息确定为所述卡号信息。
8.一种信息识别装置，其特征在于，所述信息识别装置包括：
获取单元，用于接收信息识别请求，并根据所述信息识别请求获取待识别图像；
提取单元，用于根据多个层级尺寸提取所述待识别图像在每个通道上的通道卷积信息，并根据所述通道卷积信息生成所述待识别图像的特征信息；
所述提取单元，还用于根据所述通道卷积信息从所述待识别图像中提取语义信息；
融合单元，用于融合所述特征信息及所述语义信息，得到所述待识别图像的特征图；
检测单元，用于对所述特征图进行数字字符检测，得到多个字符候选框；
选取单元，用于从所述多个字符候选框中选取出卡号候选框；
识别单元，用于识别所述卡号候选框中的信息，得到卡号信息。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的信息识别方法。
10.一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可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的信息识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110704352.5A CN113283421B (zh) | 2021-06-24 | 2021-06-24 | 信息识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110704352.5A CN113283421B (zh) | 2021-06-24 | 2021-06-24 | 信息识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113283421A true CN113283421A (zh) | 2021-08-20 |
| CN113283421B CN113283421B (zh) | 2024-03-01 |
Family
ID=77285415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110704352.5A Active CN113283421B (zh) | 2021-06-24 | 2021-06-24 | 信息识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283421B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446621A (zh) * | 2018-03-14 | 2018-08-24 | 平安科技（深圳）有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
| WO2019071660A1 (zh) * | 2017-10-09 | 2019-04-18 | 平安科技（深圳）有限公司 | 票据信息识别方法、电子装置及可读存储介质 |
| CN111695448A (zh) * | 2020-05-27 | 2020-09-22 | 东南大学 | 一种基于视觉传感器的路侧车辆识别方法 |
| CN111833363A (zh) * | 2019-04-17 | 2020-10-27 | 南开大学 | 检测方法及装置 |
| WO2020215236A1 (zh) * | 2019-04-24 | 2020-10-29 | 哈尔滨工业大学（深圳） | 图像语义分割方法和系统 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
| CN112699775A (zh) * | 2020-12-28 | 2021-04-23 | 中国平安人寿保险股份有限公司 | 基于深度学习的证件识别方法、装置、设备及存储介质 |
-
2021
- 2021-06-24 CN CN202110704352.5A patent/CN113283421B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019071660A1 (zh) * | 2017-10-09 | 2019-04-18 | 平安科技（深圳）有限公司 | 票据信息识别方法、电子装置及可读存储介质 |
| CN108446621A (zh) * | 2018-03-14 | 2018-08-24 | 平安科技（深圳）有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
| CN111833363A (zh) * | 2019-04-17 | 2020-10-27 | 南开大学 | 检测方法及装置 |
| WO2020215236A1 (zh) * | 2019-04-24 | 2020-10-29 | 哈尔滨工业大学（深圳） | 图像语义分割方法和系统 |
| CN111695448A (zh) * | 2020-05-27 | 2020-09-22 | 东南大学 | 一种基于视觉传感器的路侧车辆识别方法 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
| CN112699775A (zh) * | 2020-12-28 | 2021-04-23 | 中国平安人寿保险股份有限公司 | 基于深度学习的证件识别方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113283421B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112989826B (zh) | 基于人工智能的试题分数确定方法、装置、设备及介质 | |
| CN113449725B (zh) | 对象分类方法、装置、设备及存储介质 | |
| CN112668453B (zh) | 视频识别方法及相关设备 | |
| CN113656547B (zh) | 文本匹配方法、装置、设备及存储介质 | |
| CN113870395A (zh) | 动画视频生成方法、装置、设备及存储介质 | |
| CN113064973A (zh) | 文本分类方法、装置、设备及存储介质 | |
| CN112232203A (zh) | 行人识别方法、装置、电子设备及存储介质 | |
| CN111986763A (zh) | 疾病数据分析方法、装置、电子设备及存储介质 | |
| CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
| CN114037545A (zh) | 客户推荐方法、装置、设备及存储介质 | |
| CN113627576B (zh) | 扫码信息检测方法、装置、设备及存储介质 | |
| CN113850632B (zh) | 用户类别确定方法、装置、设备及存储介质 | |
| CN113177543B (zh) | 证件识别方法、装置、设备及存储介质 | |
| CN112949305B (zh) | 负反馈信息采集方法、装置、设备及存储介质 | |
| CN113342977B (zh) | 发票图像分类方法、装置、设备及存储介质 | |
| CN116205723A (zh) | 基于人工智能的面签风险检测方法及相关设备 | |
| CN113283421B (zh) | 信息识别方法、装置、设备及存储介质 | |
| CN115690819A (zh) | 一种基于大数据的识别方法及其系统 | |
| CN113283389A (zh) | 手写文字质量检测方法、装置、设备及存储介质 | |
| CN112102205B (zh) | 图像去模糊方法、装置、电子设备及存储介质 | |
| CN113516205A (zh) | 基于人工智能的数据分类方法、装置、设备及存储介质 | |
| CN113269179A (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN112989820A (zh) | 法律文书定位方法、装置、设备及存储介质 | |
| CN113434895B (zh) | 文本解密方法、装置、设备及存储介质 | |
| CN113268562B (zh) | 文本情感识别方法、装置、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 |