CN113988223B - 证件图像识别方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请实施例属于人工智能领域，涉及一种证件图像识别方法，包括采集多组证件数据集，根据证件数据集对基础分类模型进行训练，得到目标分类模型；对待处理图片进行上采样得到第一图像集合，对待处理图片进行像素平分及图片旋转得到第二图像集合；基于目标分类模型对第一图像集合和第二图像集合进行分类，得到第一图像类别和第二图像类别；对第一图像类别和第二图像类别进行归一化，确定归一化值最大的图像类别为待处理图片的目标图像类别；根据目标图像类别选取预设证件识别模型，基于预设证件识别模型对待处理图片进行文本识别，得到文本信息。本申请还提供一种证件图像识别装置、计算机设备及存储介质。本申请实现了对证件图像文本的精确识别。

Description

证件图像识别方法、装置、计算机设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种证件图像识别方法、装置、计算机设备及存储介质。

背景技术

随着人口的增长，所需处理的证件图片也越来越多，越来越多的行业需要通过用户的证件图片，提取用户的身份信息，由此来对用户进行身份校验，以确保用户信息的安全性。传统的证件图片信息提取往往是通过简单的模板或者OCR文字识别实现，然而，通过该类图片信息提取方式往往会导致图片信息提取准确率低下的问题。

发明内容

本申请实施例的目的在于提出一种证件图像识别方法、装置、计算机设备及存储介质，以解决证件图像识别准确率低下的技术问题。

为了解决上述技术问题，本申请实施例提供一种证件图像识别方法，采用了如下所述的技术方案：

采集多组身份证件图片和非身份证件图片作为证件数据集，根据所述证件数据集对基础分类模型进行训练，得到目标分类模型，其中，所述目标分类模型包括多层卷积层、池化层和全连接层；

在接收到待处理图片时，对所述待处理图片进行上采样，得到第一图像集合，对所述待处理图片进行像素平分及图片旋转，得到第二图像集合；

基于所述目标分类模型分别对所述第一图像集合和所述第二图像集合进行分类，得到所述第一图像集合对应的第一图像类别和所述第二图像集合对应的第二图像类别；

对所述第一图像类别和所述第二图像类别进行归一化，确定所述第一图像类别和所述第二图像类别中归一化值最大的图像类别为所述待处理图片的目标图像类别；

根据所述目标图像类别选取对应的预设证件识别模型，基于所述预设证件识别模型对所述待处理图片进行文本识别，得到所述待处理图片的文本信息。

进一步的，所述根据所述证件数据集对基础分类模型进行训练，得到目标分类模型的步骤包括：

所述基础分类模型包括基础卷积层、基础池化层和基础全连接层，将所述证件数据集输入至所述基础分类模型中，依次经过所述基础卷积层、所述基础池化层和所述基础全连接层进行分类，得到预测分类结果；

获取所述证件数据集的真实分类结果，根据所述预测分类结果和所述真实分类结果，计算所述基础分类模型的损失函数，在所述损失函数收敛时，确定所述基础分类模型训练完成，得到所述目标分类模型。

进一步的，所述将所述证件数据集输入至所述基础分类模型中，依次经过所述基础卷积层、所述基础池化层和所述基础全连接层进行分类，得到预测分类结果的步骤包括：

输入所述证件数据集中的图片至所述基础卷积层进行卷积计算，得到卷积图像；

根据所述基础池化层对所述卷积图像进行池化，得到池化结果，通过所述基础全连接层对所述池化结果进行分类，得到所述预测分类结果。

进一步的，所述对所述待处理图片进行像素平分及图片旋转，得到第二图像集合的步骤包括：

获取预设划分个数，将所述待处理图片均等划分为所述预设划分个数的第一子图像；

对所述第一子图像进行旋转，得到第二子图像，组合所述第一子图像和所述第二子图像，得到所述第二图像集合。

进一步的，所述对所述第一子图像进行旋转，得到第二子图像的步骤包括：

根据所述预设划分个数计算所述第一子图像的旋转角度，按照预设旋转方向将所述第一子图像旋转所述旋转角度，得到所述第二子图像。

进一步的，在所述得到所述待处理图片的文本信息的步骤之后还包括：

根据所述证件类别获取所述待处理图片中的目标身份信息，查找所述目标身份信息对应的存储身份信息；

匹配所述目标身份信息和所述存储身份信息，在所述目标身份信息和所述存储身份信息匹配成功时，确定所述目标身份信息验证通过。

进一步的，在所述匹配所述目标身份信息和所述存储身份信息的步骤之后，还包括：

在所述目标身份信息和所述存储身份信息匹配失败时，获取所述目标身份信息和所述存储身份信息的关系字段；

确定所述关系字段是否为预设字段，在所述关系字段为所述预设字段时，确定所述目标身份信息验证通过。

为了解决上述技术问题，本申请实施例还提供一种证件图像识别装置，采用了如下所述的技术方案：

采集模块，用于采集多组身份证件图片和非身份证件图片作为证件数据集，根据所述证件数据集对基础分类模型进行训练，得到目标分类模型，其中，所述目标分类模型包括多层卷积层、池化层和全连接层；

第一处理模块，用于在接收到待处理图片时，对所述待处理图片进行上采样，得到第一图像集合，对所述待处理图片进行像素平分及图片旋转，得到第二图像集合；

分类模块，用于基于所述目标分类模型分别对所述第一图像集合和所述第二图像集合进行分类，得到所述第一图像集合对应的第一图像类别和所述第二图像集合对应的第二图像类别；

第二处理模块，用于对所述第一图像类别和所述第二图像类别进行归一化，确定所述第一图像类别和所述第二图像类别中归一化值最大的图像类别为所述待处理图片的目标图像类别；

识别模块，用于根据所述目标图像类别选取对应的预设证件识别模型，基于所述预设证件识别模型对所述待处理图片进行文本识别，得到所述待处理图片的文本信息。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

采集多组身份证件图片和非身份证件图片作为证件数据集，根据所述证件数据集对基础分类模型进行训练，得到目标分类模型，其中，所述目标分类模型包括多层卷积层、池化层和全连接层；

在接收到待处理图片时，对所述待处理图片进行上采样，得到第一图像集合，对所述待处理图片进行像素平分及图片旋转，得到第二图像集合；

基于所述目标分类模型分别对所述第一图像集合和所述第二图像集合进行分类，得到所述第一图像集合对应的第一图像类别和所述第二图像集合对应的第二图像类别；

对所述第一图像类别和所述第二图像类别进行归一化，确定所述第一图像类别和所述第二图像类别中归一化值最大的图像类别为所述待处理图片的目标图像类别；

根据所述目标图像类别选取对应的预设证件识别模型，基于所述预设证件识别模型对所述待处理图片进行文本识别，得到所述待处理图片的文本信息。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

采集多组身份证件图片和非身份证件图片作为证件数据集，根据所述证件数据集对基础分类模型进行训练，得到目标分类模型，其中，所述目标分类模型包括多层卷积层、池化层和全连接层；

在接收到待处理图片时，对所述待处理图片进行上采样，得到第一图像集合，对所述待处理图片进行像素平分及图片旋转，得到第二图像集合；

基于所述目标分类模型分别对所述第一图像集合和所述第二图像集合进行分类，得到所述第一图像集合对应的第一图像类别和所述第二图像集合对应的第二图像类别；

对所述第一图像类别和所述第二图像类别进行归一化，确定所述第一图像类别和所述第二图像类别中归一化值最大的图像类别为所述待处理图片的目标图像类别；

根据所述目标图像类别选取对应的预设证件识别模型，基于所述预设证件识别模型对所述待处理图片进行文本识别，得到所述待处理图片的文本信息。

本申请提出的证件图像识别方法，通过采集多组身份证件图片和非身份证件图片作为证件数据集，根据证件数据集对基础分类模型进行训练，得到目标分类模型，其中，目标分类模型包括多层卷积层、池化层和全连接层，使得通过该目标分类模型能够对图片进行精确分类；而后，在接收到待处理图片时，对待处理图片进行上采样，得到第一图像集合，对待处理图片进行像素平分及图片旋转，得到第二图像集合；基于目标分类模型分别对第一图像集合和第二图像集合进行分类，得到第一图像集合对应的第一图像类别和第二图像集合对应的第二图像类别，通过对待处理图片进行不同的图像处理，使得在通过目标分类模型对图像处理后的图片进行分类时，能够更精确地确定当前待处理图片对应的类别；之后，对第一图像类别和第二图像类别进行归一化，确定第一图像类别和第二图像类别中归一化值最大的图像类别为待处理图片的目标图像类别；根据目标图像类别选取对应的预设证件识别模型，基于预设证件识别模型对待处理图片进行文本识别，得到待处理图片的文本信息，由此，实现了对证件图像的高效识别，避免了环境的干扰，使其更适应环境光照的影响，进一步使得在提高了对证件图像识别的效率和准确率的同时，提高了对环境的抗干扰性。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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的附图。

图1是本申请可以应用于其中的示例性系统架构图；

图2根据本申请的证件图像识别方法的一个实施例的流程图；

图3是根据本申请的证件图像识别装置的一个实施例的结构示意图；

图4是根据本申请的计算机设备的一个实施例的结构示意图。

附图标记：证件图像识别装置300、采集模块301、第一处理模块302、分类模块303、第二处理模块304以及识别模块305。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的证件图像识别方法一般由服务器/终端设备执行，相应地，证件图像识别装置一般设置于服务器/终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的证件图像识别的方法的一个实施例的流程图。所述的证件图像识别方法，包括以下步骤：

步骤S201，采集多组身份证件图片和非身份证件图片作为证件数据集，根据所述证件数据集对基础分类模型进行训练，得到目标分类模型，其中，所述目标分类模型包括多层卷积层、池化层和全连接层。

在本实施例中，身份证件包括身份证、户口本和出生证等不同类别的证件图片，预先采集多组身份证件作为证件数据集，并对该证件数据集中的身份证件进行预处理，得到预处理图片；其中，预处理包括上采样、下采样和增广等图像处理。根据该预处理图片对基础分类模型进行训练，得到目标分类模型。具体地，基础分类模型为残差网络模型(如resnet50网络)，该基础分类模型包括多层卷积层、池化层和全连接层，各层与各层之间通过残差连接在一起。在得到预处理图片时，将该预处理图片输入至该基础分类模型，根据损失函数计算得到每次训练的损失值；在该损失值最小时，确定该基础分类模型训练完成，该训练完成的基础分类模型即为目标分类模型。

步骤S202，在接收到待处理图片时，对所述待处理图片进行上采样，得到第一图像集合，对所述待处理图片进行像素平分及图片旋转，得到第二图像集合。

在本实施例中，待处理图片为用户上传的文本图片。在接收到待处理图片时，对该待处理图片按照不同的上采样倍率进行上采样，得到多幅不同的上采样倍率的图片副本。其中，上采样为将该待处理图片进行放大的过程，在得到待处理图片时，通过插值算法在待处理图片的像素点之间插入新的元素，可以对待处理图片进行不同倍数的上采样；上采样后的图片副本组成的集合即为第一图像集合。同时，对待处理图片进行像素平分及图片旋转，即得到第二图像集合。具体地，对待处理图片按照预设划分个数进行像素平分，得到多个子图片；而后，对该子图片按照不同的预设的旋转角度进行旋转，得到第二图像集合。除此之外，还可以在得到子图片时，对该子图片进行编号排序，得到第一图片、第二图片……第n图片，并从中选取一张图片为定点图片；从该定点图片开始，按照该编号的顺序对子图片依次进行固定的旋转角度旋转，得到第二图像集合。

步骤S203，基于所述目标分类模型分别对所述第一图像集合和所述第二图像集合进行分类，得到所述第一图像集合对应的第一图像类别和所述第二图像集合对应的第二图像类别。

在本实施例中，在得到第一图像集合和第二图像集合时，根据目标分类模型对该第一图像集合和第二图像集合中的图像进行分类，得到第一图像集合对应的第一图像类别，以及第二图像集合对应的第二图像类别。第一图像集合中的不同图像对应的第一图像类别可以相同，也可以不相同；第二图像集合中的不同图像对应的第二图像类别亦可以相同，也可以不相同。具体地，在得到第一图像集合和第二图像集合时，将该第一图像集合输入至目标分类模型中，基于该目标分类模型的多层卷积层、池化层和全连接层，计算得到该第一图像集合中每个图片的类别；将该第二图像集合输入至目标分类模型中，基于该目标分类模型同样计算得到该第二图像集合中每个图片的类别。例如，第一图像集合为I1，I2……In，经过目标分类模型输出得到对应的第一图像类别为a1,a2……an；第二图像集合为IMAGE1，IMAGE2……IMAGEN，经过目标分类模型输出得到对应的第二图像类别为b1,b2……bn。

步骤S204，对所述第一图像类别和所述第二图像类别进行归一化，确定所述第一图像类别和所述第二图像类别中归一化值最大的图像类别为所述待处理图片的目标图像类别。

在本实施例中，在得到第一图像类别和第二图像类别时，对该第一图像类别和第二图像类别分别进行归一化，确定第一图像类别和第二图像类别中归一化值最大的图像类别为目标图像类别。具体地，获取预设的归一化函数，如softmax函数，根据该归一化函数对第一图像类别和第二图像类别中的图像类别分别进行占比计算，得到第一图像类别和第二图像类别中所有图像类别的归一化数值；确定其中归一化值最大的图像类别为待处理图片的目标图像类别。

步骤S205，根据所述目标图像类别选取对应的预设证件识别模型，基于所述预设证件识别模型对所述待处理图片进行文本识别，得到所述待处理图片的文本信息。

在本实施例中，预设证件识别模型为每个目标图像类别对应的证件识别模型，如身份证识别模型、户口本识别模型或出生证识别模型。根据目标图像类别选取对应的预设证件识别模型，之后，基于该预设证件识别模型中的文本模版对待处理图片进行文本识别，提取得到该待处理图片中的文本信息。

需要强调的是，为进一步保证上述文本信息的私密和安全性，上述文本信息还可以存储于一区块链的节点中。

本申请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。

本申请实现了对证件图像的高效识别，避免了环境的干扰，使其更适应环境光照的影响，进一步使得在提高了对证件图像识别的效率和准确率的同时，提高了对环境的抗干扰性。

在本实施例的一些可选的实现方式中，上述根据所述证件数据集对基础分类模型进行训练，得到目标分类模型的步骤包括：

所述基础分类模型包括基础卷积层、基础池化层和基础全连接层，将所述证件数据集输入至所述基础分类模型中，依次经过所述基础卷积层、所述基础池化层和所述基础全连接层进行分类，得到预测分类结果；

获取所述证件数据集的真实分类结果，根据所述预测分类结果和所述真实分类结果，计算所述基础分类模型的损失函数，在所述损失函数收敛时，确定所述基础分类模型训练完成，得到所述目标分类模型。

在本实施例中，采集多组户口本、身份证和出生证等身份证件图片作为证件数据集的正样本，对该正样本进行增强，以及标签分类设置，得到预处理图片及每个预处理图片对应的分类标签，根据该分类标签可以确定当前预处理图片的图片类型。除此之外，采集其他不包括户口本、身份证以及出生证等身份证件的图片作为证件数据集中的负样本。将证件数据集中的图片输入至基础分类模型中，若该基础分类模型包括一层基础卷积层、一层基础池化层和一层基础全连接层，则该证件数据集中的图片依次经过基础卷积层、基础池化层和基础全连接层，计算得到预测分类结果；若该基础分类模型包括多层基础卷积层、多层基础池化层和多层基础全连接层，则一层基础卷积层和一层池化层为一组网络层，多组网络层交替连接后，最后连接多层全连接层。在计算得到预测分类结果时，获取该证件数据集中该图片对应的分类标签，根据该分类标签确定真实分类结果；基于该预测分类结果和真实分类结果计算得到基础分类模型的损失函数，根据该损失函数对该基础分类模型的网络参数进行调整，直至根据调整后的基础分类模型计算得到的损失函数收敛，确定该调整后的基础分类模型为目标分类模型。

本实施例通过证件数据集对基础分类模型进行训练，使得通过训练完成的基础分类模型能够对待处理图片进行精确而高效地图片分类，进一步提高了图片的分类以及图片文本识别的准确率。

在本实施例的一些可选的实现方式中，上述将所述证件数据集输入至所述基础分类模型中，依次经过所述基础卷积层、所述基础池化层和所述基础全连接层进行分类，得到预测分类结果的步骤包括：

输入所述证件数据集中的图片至所述基础卷积层进行卷积计算，得到卷积图像；

根据所述基础池化层对所述卷积图像进行池化，得到池化结果，通过所述基础全连接层对所述池化结果进行分类，得到所述预测分类结果。

在本实施例中，基础分类模型包括基础卷积层、基础池化层和基础全连接层，在得到证件数据集时，输入该证件数据集中的图片至该基础卷积层进行卷积计算，得到卷积图像；根据该基础池化层对该卷积图像进行池化，得到池化结果，通过该基础全连接层对该池化结果进行分类，得到该预测分类结果。以基础分类模型包括7层网络为例，其中，基础分类模型包括两个基础卷积层、两个基础池化层和三个全连接层，第一个卷积层c1，卷积核大小为9*9，步长为5*5；第一个卷积层c1后为第一个池化层p1，核大小为2*2，滑动窗口为1*1；第二个卷积层c2卷积核大小为6*6，通道数128，滑动步长1*1；第二个卷积层之后为第二个池化层p2，核大小为2*2，滑动窗口为1*1；接着为3个全连接层f3、f4、f5；其中f3全连接层采用512个节点，f4亦为512个节点，若进行图像的4分类，则f5为4。将证件数据集中的图片输入至上述网络结构中，最终输出得到该图片对应的预测分类结果。

本实施例通过将证件数据集中的图片输入至基础分类模型中进行计算，使得通过该基础分类模型能够对证件数据集中的图片进行精确分类计算，提高了图片分类的准确率。

在本实施例的一些可选的实现方式中，上述对所述待处理图片进行像素平分及图片旋转，得到第二图像集合的步骤包括：

获取预设划分个数，将所述待处理图片均等划分为所述预设划分个数的第一子图像；

对所述第一子图像进行旋转，得到第二子图像，组合所述第一子图像和所述第二子图像，得到所述第二图像集合。

在本实施例中，获取预设划分个数，将该待处理图片按照该划分个数进行360度平分，得到预设划分个数的第一子图像；之后，获取该第一子图像对应的预设的旋转角度，根据该旋转角度将第一子图像进行旋转后得到第二子图像。组合该第一子图像和第二子图像，即得到第二图像结合。

本实施例通过对待处理图片进行平分及旋转，使得在通过目标分类模型对待处理图片进行分类检测时，能够精确检测到该待处理图片的图片类别，降低了图片类别识别错误的概率。

在本实施例的一些可选的实现方式中，上述对所述第一子图像进行旋转，得到第二子图像的步骤包括：

根据所述预设划分个数计算所述第一子图像的旋转角度，按照预设旋转方向将所述第一子图像旋转所述旋转角度，得到所述第二子图像。

在本实施例中，第一子图像的旋转角度可根据该预设划分个数计算得到，具体地，计算360度与该预设划分个数的比值，该比值即为该旋转角度。在得到该旋转角度时，将该第一子图像按照预设旋转方向旋转该旋转角度(如将第一子图像按照逆时针旋转60度)，该旋转后的第一子图像即为第二子图像，对该第二子图像进行组合得到第二图像集合。

本实施例通过将第一子图像进行旋转对应的旋转角度，得到第二子图像，使得通过目标分类模型能够对第二子图像和第一子图像组成的第二图像集合能够进行精确分类，提高了图片分类的准确率。

在本实施例的一些可选的实现方式中，在上述得到所述待处理图片的文本信息的步骤之后还包括：

根据所述证件类别获取所述待处理图片中的目标身份信息，查找所述目标身份信息对应的存储身份信息；

匹配所述目标身份信息和所述存储身份信息，在所述目标身份信息和所述存储身份信息匹配成功时，确定所述目标身份信息验证通过。

在本实施例中，在得到证件类别时，还可以根据该证件类别获取待处理图片的目标身份信息，将该目标身份信息与存储身份信息进行匹配，确定该目标身份信息是否为合理身份信息。具体地，根据证件类别获取对应的信息提取模版，根据该信息提取模版对待处理图片中的目标身份信息进行提取。其中，不同的证件类别对应不同的信息提取模版，如身份证对应身份证提取模版，户口本对应户口信息提取模版。根据该信息提取模版中的字段与待处理图片中的字段进行匹配，即得到每个字段对应的字段信息，该字段信息即为目标身份信息。在得到目标身份信息时，查找该目标身份信息对应的存储身份信息，该存储身份信息通过关联标识与目标身份信息关联。例如，在保险理赔场景中，目标身份信息为申请人提交的待处理图片的身份信息，存储身份信息则为与该目标身份信息关联标识对应的身份信息，如车辆事故人的身份信息，该关联标识则为预先设定存储的目标身份信息和存储身份信息的共有信息，如车辆的车牌号等。对目标身份信息和存储身份信息进行匹配，计算该目标身份信息和存储身份信息的字段相似度，若该字段相似度大于等于预设阈值，确定该目标身份信息和存储身份信息匹配成功，在该目标身份信息和存储身份信息匹配成功时，则确定该目标身份信息验证通过；若该字段相似度小于预设阈值，确定该目标身份信息和存储身份信息匹配失败，在该目标身份信息和存储身份信息匹配失败时，则确定该目标身份信息验证失败。

本实施例通过对待处理图片中的文本信息进行验证，提高了文本信息验证的效率和准确率。

在本实施例的一些可选的实现方式中，在上述匹配所述目标身份信息和所述存储身份信息的步骤之后，还包括：

在所述目标身份信息和所述存储身份信息匹配失败时，获取所述目标身份信息和所述存储身份信息的关系字段；

确定所述关系字段是否为预设字段，在所述关系字段为所述预设字段时，确定所述目标身份信息验证通过。

在本实施例中，在目标身份信息与存储身份信息匹配失败时，获取该目标身份信息和存储身份信息的关系字段，该关系字段为目标身份信息和存储身份信息对应的身份关系，如兄弟关系、夫妻关系等。确定该关系字段是否为预设字段，若该关系字段为预设字段，则确定该目标身份信息验证通过；若该关系字段不为该预设字段，则确定该目标身份信息验证失败。

本实施例通过关系字段进一步对目标身份信息进行验证，避免了目标身份信息验证的错漏，提高了对目标身份信息验证的准确率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种证件图像识别装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，本实施例所述的证件图像识别装置300包括：采集模块301、第一处理模块302、分类模块303、第二处理模块304以及识别模块305。其中：

采集模块301，用于采集多组身份证件图片和非身份证件图片作为证件数据集，根据所述证件数据集对基础分类模型进行训练，得到目标分类模型，其中，所述目标分类模型包括多层卷积层、池化层和全连接层；

在本实施例的一些可选的实现方式中，采集模块301包括：

分类单元，用于所述基础分类模型包括基础卷积层、基础池化层和基础全连接层，将所述证件数据集输入至所述基础分类模型中，依次经过所述基础卷积层、所述基础池化层和所述基础全连接层进行分类，得到预测分类结果；

训练单元，用于获取所述证件数据集的真实分类结果，根据所述预测分类结果和所述真实分类结果，计算所述基础分类模型的损失函数，在所述损失函数收敛时，确定所述基础分类模型训练完成，得到所述目标分类模型。

在本实施例的一些可选的实现方式中，分类单元包括：

计算子单元，用于输入所述证件数据集中的图片至所述基础卷积层进行卷积计算，得到卷积图像；

池化子单元，用于根据所述基础池化层对所述卷积图像进行池化，得到池化结果，通过所述基础全连接层对所述池化结果进行分类，得到所述预测分类结果。

在本实施例中，身份证件包括身份证、户口本和出生证等不同类别的证件图片，预先采集多组身份证件作为证件数据集，并对该证件数据集中的身份证件进行预处理，得到预处理图片；其中，预处理包括上采样、下采样和增广等图像处理。根据该预处理图片对基础分类模型进行训练，得到目标分类模型。具体地，基础分类模型为残差网络模型(如resnet50网络)，该基础分类模型包括多层卷积层、池化层和全连接层，各层与各层之间通过残差连接在一起。在得到预处理图片时，将该预处理图片输入至该基础分类模型，根据损失函数计算得到每次训练的损失值；在该损失值最小时，确定该基础分类模型训练完成，该训练完成的基础分类模型即为目标分类模型。

第一处理模块302，用于在接收到待处理图片时，对所述待处理图片进行上采样，得到第一图像集合，对所述待处理图片进行像素平分及图片旋转，得到第二图像集合；

在本实施例的一些可选的实现方式中，第一处理模块302包括：

划分单元，用于获取预设划分个数，将所述待处理图片均等划分为所述预设划分个数的第一子图像；

旋转单元，用于对所述第一子图像进行旋转，得到第二子图像，组合所述第一子图像和所述第二子图像，得到所述第二图像集合。

在本实施例的一些可选的实现方式中，旋转单元包括：

旋转子单元，用于根据所述预设划分个数计算所述第一子图像的旋转角度，按照预设旋转方向将所述第一子图像旋转所述旋转角度，得到所述第二子图像。

在本实施例中，待处理图片为用户上传的文本图片。在接收到待处理图片时，对该待处理图片按照不同的上采样倍率进行上采样，得到多幅不同的上采样倍率的图片副本。其中，上采样为将该待处理图片进行放大的过程，在得到待处理图片时，通过插值算法在待处理图片的像素点之间插入新的元素，可以对待处理图片进行不同倍数的上采样；上采样后的图片副本组成的集合即为第一图像集合。同时，对待处理图片进行像素平分及图片旋转，即得到第二图像集合。具体地，对待处理图片按照预设划分个数进行像素平分，得到多个子图片；而后，对该子图片按照不同的预设的旋转角度进行旋转，得到第二图像集合。除此之外，还可以在得到子图片时，对该子图片进行编号排序，得到第一图片、第二图片……第n图片，并从中选取一张图片为定点图片；从该定点图片开始，按照该编号的顺序对子图片依次进行固定的旋转角度旋转，得到第二图像集合。

分类模块303，用于基于所述目标分类模型分别对所述第一图像集合和所述第二图像集合进行分类，得到所述第一图像集合对应的第一图像类别和所述第二图像集合对应的第二图像类别；

在本实施例中，在得到第一图像集合和第二图像集合时，根据目标分类模型对该第一图像集合和第二图像集合中的图像进行分类，得到第一图像集合对应的第一图像类别，以及第二图像集合对应的第二图像类别。第一图像集合中的不同图像对应的第一图像类别可以相同，也可以不相同；第二图像集合中的不同图像对应的第二图像类别亦可以相同，也可以不相同。具体地，在得到第一图像集合和第二图像集合时，将该第一图像集合输入至目标分类模型中，基于该目标分类模型的多层卷积层、池化层和全连接层，计算得到该第一图像集合中每个图片的类别；将该第二图像集合输入至目标分类模型中，基于该目标分类模型同样计算得到该第二图像集合中每个图片的类别。例如，第一图像集合为I1，I2……In，经过目标分类模型输出得到对应的第一图像类别为a1,a2……an；第二图像集合为IMAGE1，IMAGE2……IMAGEN，经过目标分类模型输出得到对应的第二图像类别为b1,b2……bn。

第二处理模块304，用于对所述第一图像类别和所述第二图像类别进行归一化，确定所述第一图像类别和所述第二图像类别中归一化值最大的图像类别为所述待处理图片的目标图像类别；

在本实施例中，在得到第一图像类别和第二图像类别时，对该第一图像类别和第二图像类别分别进行归一化，确定第一图像类别和第二图像类别中归一化值最大的图像类别为目标图像类别。具体地，获取预设的归一化函数，如softmax函数，根据该归一化函数对第一图像类别和第二图像类别中的图像类别分别进行占比计算，得到第一图像类别和第二图像类别中所有图像类别的归一化数值；确定其中归一化值最大的图像类别为待处理图片的目标图像类别。

识别模块305，用于根据所述目标图像类别选取对应的预设证件识别模型，基于所述预设证件识别模型对所述待处理图片进行文本识别，得到所述待处理图片的文本信息。

在本实施例中，预设证件识别模型为每个目标图像类别对应的证件识别模型，如身份证识别模型、户口本识别模型或出生证识别模型。根据目标图像类别选取对应的预设证件识别模型，之后，基于该预设证件识别模型中的文本模版对待处理图片进行文本识别，提取得到该待处理图片中的文本信息。

需要强调的是，为进一步保证上述文本信息的私密和安全性，上述文本信息还可以存储于一区块链的节点中。

本申请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。

在本实施例的一些可选的实现方式中，上述证件图像识别装置300还包括：

查找模块，用于根据所述证件类别获取所述待处理图片中的目标身份信息，查找所述目标身份信息对应的存储身份信息；

验证模块，用于匹配所述目标身份信息和所述存储身份信息，在所述目标身份信息和所述存储身份信息匹配成功时，确定所述目标身份信息验证通过。

在本实施例的一些可选的实现方式中，上述验证模块还包括：

获取单元，用于在所述目标身份信息和所述存储身份信息匹配失败时，获取所述目标身份信息和所述存储身份信息的关系字段；

确认单元，用于确定所述关系字段是否为预设字段，在所述关系字段为所述预设字段时，确定所述目标身份信息验证通过。

在本实施例中，在得到证件类别时，还可以根据该证件类别获取待处理图片的目标身份信息，将该目标身份信息与存储身份信息进行匹配，确定该目标身份信息是否为合理身份信息。具体地，根据证件类别获取对应的信息提取模版，根据该信息提取模版对待处理图片中的目标身份信息进行提取。其中，不同的证件类别对应不同的信息提取模版，如身份证对应身份证提取模版，户口本对应户口信息提取模版。根据该信息提取模版中的字段与待处理图片中的字段进行匹配，即得到每个字段对应的字段信息，该字段信息即为目标身份信息。在得到目标身份信息时，查找该目标身份信息对应的存储身份信息，该存储身份信息通过关联标识与目标身份信息关联。例如，在保险理赔场景中，目标身份信息为申请人提交的待处理图片的身份信息，存储身份信息则为与该目标身份信息关联标识对应的身份信息，如车辆事故人的身份信息，该关联标识则为预先设定存储的目标身份信息和存储身份信息的共有信息，如车辆的车牌号等。对目标身份信息和存储身份信息进行匹配，计算该目标身份信息和存储身份信息的字段相似度，若该字段相似度大于等于预设阈值，确定该目标身份信息和存储身份信息匹配成功，在该目标身份信息和存储身份信息匹配成功时，则确定该目标身份信息验证通过；若该字段相似度小于预设阈值，确定该目标身份信息和存储身份信息匹配失败，在该目标身份信息和存储身份信息匹配失败时，则确定该目标身份信息验证失败。

本实施例提出的证件图像识别装置，实现了对证件图像的高效识别，避免了环境的干扰，使其更适应环境光照的影响，进一步使得在提高了对证件图像识别的效率和准确率的同时，提高了对环境的抗干扰性。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有组件61-63的计算机设备6，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，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(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器61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、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器61可以是所述计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件，例如证件图像识别方法的计算机可读指令等。此外，所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的计算机可读指令或者处理数据，例如运行所述证件图像识别方法的计算机可读指令。

所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。

本实施例提出的计算机设备，实现了对证件图像的高效识别，避免了环境的干扰，使其更适应环境光照的影响，进一步使得在提高了对证件图像识别的效率和准确率的同时，提高了对环境的抗干扰性。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的证件图像识别方法的步骤。

本实施例提出的计算机可读存储介质，实现了对证件图像的高效识别，避免了环境的干扰，使其更适应环境光照的影响，进一步使得在提高了对证件图像识别的效率和准确率的同时，提高了对环境的抗干扰性。

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上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种证件图像识别方法，其特征在于，包括下述步骤：

采集多组身份证件图片和非身份证件图片作为证件数据集，根据所述证件数据集对基础分类模型进行训练，得到目标分类模型，其中，所述目标分类模型包括多层卷积层、池化层和全连接层；

在接收到待处理图片时，对所述待处理图片进行上采样，得到第一图像集合，对所述待处理图片进行像素平分及图片旋转，得到第二图像集合；

基于所述目标分类模型分别对所述第一图像集合和所述第二图像集合进行分类，得到所述第一图像集合对应的第一图像类别和所述第二图像集合对应的第二图像类别；

对所述第一图像类别和所述第二图像类别进行归一化，确定所述第一图像类别和所述第二图像类别中归一化值最大的图像类别为所述待处理图片的目标图像类别；

根据所述目标图像类别选取对应的预设证件识别模型，基于所述预设证件识别模型对所述待处理图片进行文本识别，得到所述待处理图片的文本信息。

2.根据权利要求1所述的证件图像识别方法，其特征在于，所述根据所述证件数据集对基础分类模型进行训练，得到目标分类模型的步骤包括：

所述基础分类模型包括基础卷积层、基础池化层和基础全连接层，将所述证件数据集输入至所述基础分类模型中，依次经过所述基础卷积层、所述基础池化层和所述基础全连接层进行分类，得到预测分类结果；

获取所述证件数据集的真实分类结果，根据所述预测分类结果和所述真实分类结果，计算所述基础分类模型的损失函数，在所述损失函数收敛时，确定所述基础分类模型训练完成，得到所述目标分类模型。

3.根据权利要求2所述的证件图像识别方法，其特征在于，所述将所述证件数据集输入至所述基础分类模型中，依次经过所述基础卷积层、所述基础池化层和所述基础全连接层进行分类，得到预测分类结果的步骤包括：

输入所述证件数据集中的图片至所述基础卷积层进行卷积计算，得到卷积图像；

根据所述基础池化层对所述卷积图像进行池化，得到池化结果，通过所述基础全连接层对所述池化结果进行分类，得到所述预测分类结果。

4.根据权利要求1所述的证件图像识别方法，其特征在于，所述对所述待处理图片进行像素平分及图片旋转，得到第二图像集合的步骤包括：

获取预设划分个数，将所述待处理图片均等划分为所述预设划分个数的第一子图像；

对所述第一子图像进行旋转，得到第二子图像，组合所述第一子图像和所述第二子图像，得到所述第二图像集合。

5.根据权利要求4所述的证件图像识别方法，其特征在于，所述对所述第一子图像进行旋转，得到第二子图像的步骤包括：

根据所述预设划分个数计算所述第一子图像的旋转角度，按照预设旋转方向将所述第一子图像旋转所述旋转角度，得到所述第二子图像。

6.根据权利要求1所述的证件图像识别方法，其特征在于，在所述得到所述待处理图片的文本信息的步骤之后还包括：

根据所述证件类别获取所述待处理图片中的目标身份信息，查找所述目标身份信息对应的存储身份信息；

匹配所述目标身份信息和所述存储身份信息，在所述目标身份信息和所述存储身份信息匹配成功时，确定所述目标身份信息验证通过。

7.根据权利要求6所述的证件图像识别方法，其特征在于，在所述匹配所述目标身份信息和所述存储身份信息的步骤之后，还包括：

在所述目标身份信息和所述存储身份信息匹配失败时，获取所述目标身份信息和所述存储身份信息的关系字段；

确定所述关系字段是否为预设字段，在所述关系字段为所述预设字段时，确定所述目标身份信息验证通过。

8.一种证件图像识别装置，其特征在于，包括：

采集模块，用于采集多组身份证件图片和非身份证件图片作为证件数据集，根据所述证件数据集对基础分类模型进行训练，得到目标分类模型，其中，所述目标分类模型包括多层卷积层、池化层和全连接层；

第一处理模块，用于在接收到待处理图片时，对所述待处理图片进行上采样，得到第一图像集合，对所述待处理图片进行像素平分及图片旋转，得到第二图像集合；

分类模块，用于基于所述目标分类模型分别对所述第一图像集合和所述第二图像集合进行分类，得到所述第一图像集合对应的第一图像类别和所述第二图像集合对应的第二图像类别；

第二处理模块，用于对所述第一图像类别和所述第二图像类别进行归一化，确定所述第一图像类别和所述第二图像类别中归一化值最大的图像类别为所述待处理图片的目标图像类别；

识别模块，用于根据所述目标图像类别选取对应的预设证件识别模型，基于所述预设证件识别模型对所述待处理图片进行文本识别，得到所述待处理图片的文本信息。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的证件图像识别方法的步骤。

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上存储有计算机可读指令，所述计算机可读指令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图像识别方法的步骤。