CN114049646A - 一种银行卡识别方法、装置、计算机设备及存储介质 - Google Patents
一种银行卡识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114049646A CN114049646A CN202111432633.6A CN202111432633A CN114049646A CN 114049646 A CN114049646 A CN 114049646A CN 202111432633 A CN202111432633 A CN 202111432633A CN 114049646 A CN114049646 A CN 114049646A
- Authority
- CN
- China
- Prior art keywords
- text
- bank card
- image
- text box
- recognition
- 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 60
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims description 93
- 238000007781 pre-processing Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 abstract description 21
- 230000007246 mechanism Effects 0.000 abstract description 13
- 238000012360 testing method Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012935 Averaging Methods 0.000 description 6
- 102100032202 Cornulin Human genes 0.000 description 6
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000002035 prolonged effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 229910052709 silver Inorganic materials 0.000 description 2
- 239000004332 silver Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Character Discrimination (AREA)
Abstract
本申请实施例属于人工智能中的图像处理技术领域，涉及一种银行卡识别方法、装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，用户的待识别银行卡图像和目标银行卡号可存储于区块链中。本申请先用dbnet+crnn算法进行第一次银行卡OCR，然后用Luhn算法对识别出来的卡号进行正确性校验；若校验不通过，则启动retry机制，用mobilenet‑ssd+crnn的流程进行再次的银行卡识别，以此来解决质量差的图片的识别问题；最终在项目上线后，拉取的多批次真实测试图片上，该方法的识别准确率都可达到99％以上。
Description
技术领域
本申请涉及人工智能中的图像处理技术领域，尤其涉及一种银行卡识别方法、装置、计算机设备及存储介质。
背景技术
随着互联网金融的发展，在线金融业务(譬如支付，理财等)获得越来越广泛的应用需求。对于个人消费者而言，在线金融业务交易时的安全性与便捷性直接影响着其用户体验。银行卡号搭配密码的方式，因为具有较高的安全性，成为一种被普遍接受的在线交易方式。但是银行卡号往往较为冗长，其所在的银行卡背景常常较为复杂，手工输入银行卡号需要用户反复辨认多次校正，因此通过机器学习自动从银行卡图像中识别出银行卡号，成为一种提升该在线交易方式便捷性的有效手段，逐步受到关注。
现有一种银行卡识别方法，即通过定位银行卡卡号行，并在该卡号行中定位出各个字符，最后根据OCR技术识别各个字符，从而实现对银行卡的识别目的。
然而，申请人发现传统的银行卡识别普遍不智能，由于用户上传的银行卡图片质量参差不齐，存在反光、拍照模糊、抖动、银行卡背景多样对卡号识别的干扰等问题，使得传统的银行卡识别方法存在识别精度不高的问题。
发明内容
本申请实施例的目的在于提出一种银行卡识别方法、装置、计算机设备及存储介质，以解决传统的银行卡识别方法存在识别精度不高的问题。
为了解决上述技术问题，本申请实施例提供一种银行卡识别方法，采用了如下所述的技术方案：
获取待识别银行卡图像；
对所述待识别银行卡图像进行预处理操作，得到标准银行卡图像；
将所述标准银行卡图像输入至基于可微二值化算法的第一文本框检测模型进行第一文本框识别操作，得到第一文本框数据；
将所述第一文本框数据输入至文本识别模型进行文本识别操作，得到第一识别结果；
根据Luhn算法校验所述第一识别结果是否通过；
若所述第一识别结果为通过，则将所述第一识别结果作为目标银行卡号；
若所述第一识别结果为不通过，则将所述标准银行卡图像输入至基于mobilenet-ssd算法的第二文本框检测模型进行第二文本框识别操作，得到第二文本框数据；
将所述第二文本框数据输入至所述文本识别模型进行所述文本识别操作，得到所述目标银行卡号。
为了解决上述技术问题，本申请实施例还提供一种银行卡识别装置，采用了如下所述的技术方案：
图像获取模块，用于获取待识别银行卡图像；
预处理模块，用于对所述待识别银行卡图像进行预处理操作，得到标准银行卡图像；
第一文本框识别模块，用于将所述标准银行卡图像输入至基于可微二值化算法的第一文本框检测模型进行第一文本框识别操作，得到第一文本框数据；
文本识别模块，用于将所述第一文本框数据输入至文本识别模型进行文本识别操作，得到第一识别结果；
第一识别结果校验模块，用于根据Luhn算法校验所述第一识别结果是否通过；
第一结果获取模块，用于若所述第一识别结果为通过，则将所述第一识别结果作为目标银行卡号；
第二文本框识别模块，用于若所述第一识别结果为不通过，则将所述标准银行卡图像输入至基于mobilenet-ssd算法的第二文本框检测模型进行第二文本框识别操作，得到第二文本框数据；
第二结果获取模块，用于将所述第二文本框数据输入至所述文本识别模型进行所述文本识别操作，得到所述目标银行卡号。
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：
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上所述的银行卡识别方法的步骤。
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：
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上所述的银行卡识别方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请提供了一种银行卡识别方法，包括：获取待识别银行卡图像；对所述待识别银行卡图像进行预处理操作，得到标准银行卡图像；将所述标准银行卡图像输入至基于可微二值化算法的第一文本框检测模型进行第一文本框识别操作，得到第一文本框数据；将所述第一文本框数据输入至文本识别模型进行文本识别操作，得到第一识别结果；根据Luhn算法校验所述第一识别结果是否通过；若所述第一识别结果为通过，则将所述第一识别结果作为目标银行卡号；若所述第一识别结果为不通过，则将所述标准银行卡图像输入至基于mobilenet-ssd算法的第二文本框检测模型进行第二文本框识别操作，得到第二文本框数据；将所述第二文本框数据输入至所述文本识别模型进行所述文本识别操作，得到所述目标银行卡号。本申请先用dbnet+crnn算法进行第一次银行卡OCR，然后用Luhn算法对识别出来的卡号进行正确性校验；若校验不通过，则启动retry机制，用mobilenet-ssd+crnn的流程进行再次的银行卡识别，以此来解决质量差的图片的识别问题；最终在项目上线后，拉取的多批次真实测试图片上，该方法的识别准确率都可达到99％以上。
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是本申请实施例一提供的银行卡识别方法的实现流程图；
图3是图2中步骤S102的一种具体实施方式的流程图；
图4是图2中步骤S107的一种具体实施方式的流程图；
图5是本申请实施例一提供的银行卡识别装置的结构示意图；
图6是图5中预处理模块320的一种具体实施方式的结构示意图；
图7是图5中第二文本框识别模块370的一种具体实施方式的结构示意图；
图8是根据本申请的计算机设备的一个实施例的结构示意图。
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 Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts 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银行卡识别方法一般由服务器/终端设备执行，相应地，银行卡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，示出了本申请实施例一提供的银行卡识别方法的实现流程图，为了便于说明，仅示出与本申请相关的部分。
上述的银行卡识别方法，包括以下步骤：
步骤S101、步骤S102、步骤S103、步骤S104、步骤S105、步骤S106、步骤S107以及步骤S108。
步骤S101：获取待识别银行卡图像。
步骤S102：对待识别银行卡图像进行预处理操作，得到标准银行卡图像。
在本申请实施例中，考虑到用户上传的银行卡图片可能角度各异，比如银行卡倾斜拍摄等。这会影响后续的卡号检测和识别。因此，我们对用户上传的银行卡图片先做一次大概的角度判断，主要分为0度、90度、180度、270度四个方向。(注意：这里的0度是指银行卡卡号数字横向水平的方向)。经过角度判断后，把非0度的旋转成0度方向，然后再送入后续步骤。
步骤S103：将标准银行卡图像输入至基于可微二值化算法(differentiablebinarizatio,DBNet)的第一文本框检测模型进行第一文本框识别操作，得到第一文本框数据。
在本申请实施例中，把该图片送入文本检测模型检测银行卡卡号。文本检测算法采用可微二值化算法，且为了有更好的检测精度，我们对该网络结构进行了调整，把原来的骨干网从res18替换为res101，增加网络深度，提高网络的学习能力；另外，从数据层面，我们收集了大量的真实银卡卡图片并作标注和数据增广，得到了百万级别的训练数据去训练该网络。
步骤S104：将第一文本框数据输入至文本识别模型进行文本识别操作，得到第一识别结果。
在本申请实施例中，从步骤S103得到银行卡卡号小图，然后送进文本识别模型进行卡号识别。卡号识别算法采用CRNN模型，且对该网络结构做调整，鉴于银行卡卡号不像文本段落那样具有上下文的联系，所以我们把CRNN部分的循环神经网络模型(BiLSTM)去除，且CNN部分替换为res101结构以提升学习能力。
步骤S105：根据Luhn算法校验第一识别结果是否通过。
在本申请实施例中，从步骤S104可得到卡号的第一识别结果，此时，我们会对卡号做校验，采用国际通用的银行卡校验算法Luhn算法进行校验。
步骤S106：若第一识别结果为通过，则将第一识别结果作为目标银行卡号。
步骤S107：若第一识别结果为不通过，则将标准银行卡图像输入至基于mobilenet-ssd算法的第二文本框检测模型进行第二文本框识别操作，得到第二文本框数据。
在本申请实施例中，若校验不通过，即卡号未识别正确，我们设计了一个retry机制。设计retry机制的原因是，我们在算法开发和实验过程中发现，银行卡检测模型dbnet大部分都能得到准确的检测结果，但是对少部分的质量差的图片(比如图片模糊和银行卡背景对凸面卡号的干扰等)，存在检测不准的情况，导致后面识别不准确。因此，我们在retry部分，主要是针对质量差的银行卡做处理，不用文字检测算法对卡号进行检测(从dbnet的表现来看会有检测不准的情况)，而是采用目标检测的思路，用mobilenet-ssd算法，检测一个粗略的卡号文本框，然后再送文本识别模型进行识别。由于训练文本识别模型时，训练数据包含粗略卡号文本图和精细卡号文本图等百万级别的训练数据，使得文本识别模型具有高精度的识别能力。
步骤S108：将第二文本框数据输入至文本识别模型进行文本识别操作，得到目标银行卡号。
在本申请实施例中，提供了一种银行卡识别方法，包括：获取待识别银行卡图像；对待识别银行卡图像进行预处理操作，得到标准银行卡图像；将标准银行卡图像输入至基于可微二值化算法的第一文本框检测模型进行第一文本框识别操作，得到第一文本框数据；将第一文本框数据输入至文本识别模型进行文本识别操作，得到第一识别结果；根据Luhn算法校验第一识别结果是否通过；若第一识别结果为通过，则将第一识别结果作为目标银行卡号；若第一识别结果为不通过，则将标准银行卡图像输入至基于mobilenet-ssd算法的第二文本框检测模型进行第二文本框识别操作，得到第二文本框数据；将第二文本框数据输入至文本识别模型进行文本识别操作，得到目标银行卡号。本申请先用dbnet+crnn算法进行第一次银行卡OCR，然后用Luhn算法对识别出来的卡号进行正确性校验；若校验不通过，则启动retry机制，用mobilenet-ssd+crnn的流程进行再次的银行卡识别，以此来解决质量差的图片的识别问题；最终在项目上线后，拉取的多批次真实测试图片上，该方法的识别准确率都可达到99％以上。
继续参阅图3，示出了图2中步骤S102的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，上述步骤S102具体包括：步骤S301以及步骤S302。
步骤S301：对待识别文本图像进行灰度处理，得到灰度图像数据。
在本申请实施例中，用户上传的一般会是彩色图片，但本发明在后续采用算法处理的必须是灰度图，所以会把输入图片转为灰度图的操作。
在本申请实施例中，该灰度处理指的是将待识别文本的3个通道(RGB)转换成为1个通道的形式，具体的，该灰度处理可以是：
(1)平均法，即将同一个像素位置的三个通道RGB值进行平均化，该平均化表示为：
其中，x，y分别表示像素点I的二维坐标值；
(2)最大最小平均法，即取同一个像素位置的RGB中亮度最大的和最小的进行平均；
(3)加权平均法，表示为：
I(x,y)＝α×IR(x,y)+β×IG(x,y)+ρ×IB(x,y)
其中，α、β、ρ分别表示加权参数，具体的，该α、β、ρ可以分别是人的亮度感知系统调节出来的参数0.3、0.59、0.11。
步骤S302：根据标准分辨率对灰度图像数据进行分辨率标准化处理，得到标准银行卡图像。
在本申请实施例中，分辨率标准化处理指的是对图像的分辨率进行同一比例的调整，具体的，该分辨率标准化处理可以统一缩放到[600,1000]之间。
在本申请实施例中，在把输入图片送进文本检测模型进行文本行检测前，我们对输入图片做预处理，且对分辨率进行缩放，这样做的目的是从数据量的层面，减少模型的计算量，从而提升模型处理时间。
继续参阅图4，示出了图2中步骤S107的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，上述步骤S107具体包括：步骤S401、步骤S402、步骤S403以及步骤S404。
步骤S401：获取文本检测模型输出的与待识别文本图像中各个像素点相对应的文本检测概率。
在本申请实施例中，文本检测模型输出的结果是图片里的每个像素点的概率(0～1)，比如一张100像素x100像素的图片，经dbnet计算完后，输出的是这10000个像素点对应的属于文本的概率值，即10000个像素点中有多少是对应着图片中文本的，有多少是对应着图片中空白部分或非文本部分。
步骤S402：根据文本检测概率以及预设像素阈值对待识别文本图像的像素点进行筛选操作，得到文本检测图像。
在本申请实施例中，用户可以根据具体情况预先设置该像素阈值，通过概率值把上述10000个像素点分成文本像素点和非文本像素点，非文本像素点可以是属于图片中空白部分的像素点，这样，就能形成该文本检测图像。
步骤S403：根据opencv工具包对文本检测图像进行连通域计算，得到连通域集。
在本申请实施例中，OpenCV是一个基于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。[1]它轻量级而且高效——由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
步骤S404：根据findcontours函数分别计算连通域集中每个连通域的最小外接矩阵，并将最小外接矩阵的各个顶点作为第二文本框数据。
在本申请实施例中，文本检测模型输出的文本行为包括至少一个文字的文本行，可以理解为文字外轮廓图像或文字行/列的外轮廓图像。一种可能的实施方式中，文本行也可以为从目标图片中分割出的包括文字的子图像。
在本申请实施例中，文本行是以特定内容为单位的边界框，其中，特定内容可以是单词、一行文字或单个字等。文本检测模型可以基于待识别图片中文本的类型，生成不同的文本行。例如，当图片中包含英文文本，则文本检测模型可以对图片的英文文本以单词为单位逐行分别进行框定，生成多个文本行，可以理解的，该实施例确定的文本行中的文本为单个英文单词。又例如，当待识别图片中包含中文，则文本检测模型可以对图片的中文文本以行为单位进行框定，生成多个文本行，可以理解的，该实施例确定的文本行中的文本为一行中文文本。又例如，当待识别图片中包含中文，则文本检测模型可以对图片的中文文本以单个字为单位进行框定，生成多个文本行，可以理解的，该实施例确定的文本行中的文本为一个字。
在本申请实施例中，由于文本图像中的文本内容是基于直线方式进行规律的排版，区别在于文本内容之间的间隙大小，因此，计算得到连通域的最小外接矩阵的形状一般为四边矩形或者稍微扭曲的矩形，因此最小外接矩阵的各个顶点可以作为第二文本框数据的文本框的四个顶点位置。
在本实施例的一些可选的实现方式中，文本识别模型为省略BiLSTM网络的CNN网络。
在本申请实施例中，把原CRNN的循环神经网络部分(BiLSTM)去掉，只保留了CNN的骨干网部分，以此对网络结构进行瘦身，提升模型的处理时间。
在本实施例的一些可选的实现方式中，将对网络输出数据进行计算处理的计算模型集成到模型的后半部分，从而简化了后处理操作，并且减少了输出结果的数据流，从而在实际部署中的减少了数据流的传输，节约带宽，在高并发下防止网络拥塞。
综上，本申请提供了一种银行卡识别方法，包括：获取待识别银行卡图像；对待识别银行卡图像进行预处理操作，得到标准银行卡图像；将标准银行卡图像输入至基于可微二值化算法的第一文本框检测模型进行第一文本框识别操作，得到第一文本框数据；将第一文本框数据输入至文本识别模型进行文本识别操作，得到第一识别结果；根据Luhn算法校验第一识别结果是否通过；若第一识别结果为通过，则将第一识别结果作为目标银行卡号；若第一识别结果为不通过，则将标准银行卡图像输入至基于mobilenet-ssd算法的第二文本框检测模型进行第二文本框识别操作，得到第二文本框数据；将第二文本框数据输入至文本识别模型进行文本识别操作，得到目标银行卡号。本申请先用dbnet+crnn算法进行第一次银行卡OCR，然后用Luhn算法对识别出来的卡号进行正确性校验；若校验不通过，则启动retry机制，用mobilenet-ssd+crnn的流程进行再次的银行卡识别，以此来解决质量差的图片的识别问题；最终在项目上线后，拉取的多批次真实测试图片上，该方法的识别准确率都可达到99％以上。同时，在把输入图片送进文本检测模型进行文本行检测前，我们对输入图片做预处理，且对分辨率进行缩放，这样做的目的是从数据量的层面，减少模型的计算量，从而提升模型处理时间。
需要强调的是，为进一步保证上述待识别银行卡图像和目标银行卡号的私密和安全性，上述待识别银行卡图像和目标银行卡号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。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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，该计算机可读指令在执行时，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。
实施例二
进一步参考图5，作为对上述图2所示方法的实现，本申请提供了一种银行卡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5所示，本实施例的银行卡识别装置300包括：图像获取模块310、预处理模块320、第一文本框识别模块330、文本识别模块340、第一识别结果校验模块350、第一结果获取模块360、第二文本框识别模块370以及第二结果获取模块380。其中：
图像获取模块310，用于获取待识别银行卡图像；
预处理模块320，用于对待识别银行卡图像进行预处理操作，得到标准银行卡图像；
第一文本框识别模块330，用于将标准银行卡图像输入至基于可微二值化算法的第一文本框检测模型进行第一文本框识别操作，得到第一文本框数据；
文本识别模块340，用于将第一文本框数据输入至文本识别模型进行文本识别操作，得到第一识别结果；
第一识别结果校验模块350，用于根据Luhn算法校验第一识别结果是否通过；
第一结果获取模块360，用于若第一识别结果为通过，则将第一识别结果作为目标银行卡号；
第二文本框识别模块370，用于若第一识别结果为不通过，则将标准银行卡图像输入至基于mobilenet-ssd算法的第二文本框检测模型进行第二文本框识别操作，得到第二文本框数据；
第二结果获取模块380，用于将第二文本框数据输入至文本识别模型进行文本识别操作，得到目标银行卡号。
在本申请实施例中，考虑到用户上传的银行卡图片可能角度各异，比如银行卡倾斜拍摄等。这会影响后续的卡号检测和识别。因此，我们对用户上传的银行卡图片先做一次大概的角度判断，主要分为0度、90度、180度、270度四个方向。(注意：这里的0度是指银行卡卡号数字横向水平的方向)。经过角度判断后，把非0度的旋转成0度方向，然后再送入后续步骤。
在本申请实施例中，把该图片送入文本检测模型检测银行卡卡号。文本检测算法采用可微二值化算法，且为了有更好的检测精度，我们对该网络结构进行了调整，把原来的骨干网从res18替换为res101，增加网络深度，提高网络的学习能力；另外，从数据层面，我们收集了大量的真实银卡卡图片并作标注和数据增广，得到了百万级别的训练数据去训练该网络。
在本申请实施例中，从步骤S103得到银行卡卡号小图，然后送进文本识别模型进行卡号识别。卡号识别算法采用CRNN模型，且对该网络结构做调整，鉴于银行卡卡号不像文本段落那样具有上下文的联系，所以我们把CRNN部分的循环神经网络模型(BiLSTM)去除，且CNN部分替换为res101结构以提升学习能力。
在本申请实施例中，从步骤S104可得到卡号的第一识别结果，此时，我们会对卡号做校验，采用国际通用的银行卡校验算法Luhn算法进行校验。
在本申请实施例中，若校验不通过，即卡号未识别正确，我们设计了一个retry机制。设计retry机制的原因是，我们在算法开发和实验过程中发现，银行卡检测模型dbnet大部分都能得到准确的检测结果，但是对少部分的质量差的图片(比如图片模糊和银行卡背景对凸面卡号的干扰等)，存在检测不准的情况，导致后面识别不准确。因此，我们在retry部分，主要是针对质量差的银行卡做处理，不用文字检测算法对卡号进行检测(从dbnet的表现来看会有检测不准的情况)，而是采用目标检测的思路，用mobilenet-ssd算法，检测一个粗略的卡号文本框，然后再送文本识别模型进行识别。由于训练文本识别模型时，训练数据包含粗略卡号文本图和精细卡号文本图等百万级别的训练数据，使得文本识别模型具有高精度的识别能力。
在本申请实施例中，提供了一种银行卡识别装置300，包括：图像获取模块310，用于获取待识别银行卡图像；预处理模块320，用于对待识别银行卡图像进行预处理操作，得到标准银行卡图像；第一文本框识别模块330，用于将标准银行卡图像输入至基于可微二值化算法的第一文本框检测模型进行第一文本框识别操作，得到第一文本框数据；文本识别模块340，用于将第一文本框数据输入至文本识别模型进行文本识别操作，得到第一识别结果；第一识别结果校验模块350，用于根据Luhn算法校验第一识别结果是否通过；第一结果获取模块360，用于若第一识别结果为通过，则将第一识别结果作为目标银行卡号；第二文本框识别模块370，用于若第一识别结果为不通过，则将标准银行卡图像输入至基于mobilenet-ssd算法的第二文本框检测模型进行第二文本框识别操作，得到第二文本框数据；第二结果获取模块380，用于将第二文本框数据输入至文本识别模型进行文本识别操作，得到目标银行卡号。本申请先用dbnet+crnn算法进行第一次银行卡OCR，然后用Luhn算法对识别出来的卡号进行正确性校验；若校验不通过，则启动retry机制，用mobilenet-ssd+crnn的流程进行再次的银行卡识别，以此来解决质量差的图片的识别问题；最终在项目上线后，拉取的多批次真实测试图片上，该方法的识别准确率都可达到99％以上。
继续参阅图6，图5中预处理模块320的一种具体实施方式的结构示意图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，上述预处理模块320包括：灰度处理子模块321以及分辨率标准化处理子模块322，其中：
灰度处理子模块321，用于对待识别文本图像进行灰度处理，得到灰度图像数据；
分辨率标准化处理子模块322，用于根据标准分辨率对灰度图像数据进行分辨率标准化处理，得到标准银行卡图像。
在本申请实施例中，用户上传的一般会是彩色图片，但本发明在后续采用算法处理的必须是灰度图，所以会把输入图片转为灰度图的操作。
在本申请实施例中，该灰度处理指的是将待识别文本的3个通道(RGB)转换成为1个通道的形式，具体的，该灰度处理可以是：
(1)平均法，即将同一个像素位置的三个通道RGB值进行平均化，该平均化表示为：
其中，x，y分别表示像素点I的二维坐标值；
(2)最大最小平均法，即取同一个像素位置的RGB中亮度最大的和最小的进行平均；
(3)加权平均法，表示为：
I(x,y)＝α×IR(x,y)+β×IG(x,y)+ρ×IB(x,y)
其中，α、β、ρ分别表示加权参数，具体的，该α、β、ρ可以分别是人的亮度感知系统调节出来的参数0.3、0.59、0.11。
在本申请实施例中，分辨率标准化处理指的是对图像的分辨率进行同一比例的调整，具体的，该分辨率标准化处理可以统一缩放到[600,1000]之间。
在本申请实施例中，在把输入图片送进文本检测模型进行文本行检测前，我们对输入图片做预处理，且对分辨率进行缩放，这样做的目的是从数据量的层面，减少模型的计算量，从而提升模型处理时间。
继续参阅图7，图5中第二文本框识别模块370的一种具体实施方式的结构示意图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，上述第二文本框识别模块370包括：检测概率获取子模块371、筛选子模块372、连通域计算子模块373以及第二文本框确认子模块374，其中：
检测概率获取子模块371，用于获取文本检测模型输出的与待识别文本图像中各个像素点相对应的文本检测概率；
筛选子模块372，用于根据文本检测概率以及预设像素阈值对待识别文本图像的像素点进行筛选操作，得到文本检测图像；
连通域计算子模块373，用于根据opencv工具包对文本检测图像进行连通域计算，得到连通域集；
第二文本框确认子模块374，用于根据findcontours函数分别计算连通域集中每个连通域的最小外接矩阵，并将最小外接矩阵的各个顶点作为第二文本框数据。
在本申请实施例中，文本检测模型输出的结果是图片里的每个像素点的概率(0～1)，比如一张100像素x100像素的图片，经dbnet计算完后，输出的是这10000个像素点对应的属于文本的概率值，即10000个像素点中有多少是对应着图片中文本的，有多少是对应着图片中空白部分或非文本部分。
在本申请实施例中，用户可以根据具体情况预先设置该像素阈值，通过概率值把上述10000个像素点分成文本像素点和非文本像素点，非文本像素点可以是属于图片中空白部分的像素点，这样，就能形成该文本检测图像。
在本申请实施例中，OpenCV是一个基于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。[1]它轻量级而且高效——由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
在本申请实施例中，文本检测模型输出的文本行为包括至少一个文字的文本行，可以理解为文字外轮廓图像或文字行/列的外轮廓图像。一种可能的实施方式中，文本行也可以为从目标图片中分割出的包括文字的子图像。
在本申请实施例中，文本行是以特定内容为单位的边界框，其中，特定内容可以是单词、一行文字或单个字等。文本检测模型可以基于待识别图片中文本的类型，生成不同的文本行。例如，当图片中包含英文文本，则文本检测模型可以对图片的英文文本以单词为单位逐行分别进行框定，生成多个文本行，可以理解的，该实施例确定的文本行中的文本为单个英文单词。又例如，当待识别图片中包含中文，则文本检测模型可以对图片的中文文本以行为单位进行框定，生成多个文本行，可以理解的，该实施例确定的文本行中的文本为一行中文文本。又例如，当待识别图片中包含中文，则文本检测模型可以对图片的中文文本以单个字为单位进行框定，生成多个文本行，可以理解的，该实施例确定的文本行中的文本为一个字。
在本申请实施例中，由于文本图像中的文本内容是基于直线方式进行规律的排版，区别在于文本内容之间的间隙大小，因此，计算得到连通域的最小外接矩阵的形状一般为四边矩形或者稍微扭曲的矩形，因此最小外接矩阵的各个顶点可以作为第二文本框数据的文本框的四个顶点位置。
在本实施例的一些可选的实现方式中，文本识别模型为省略BiLSTM网络的CNN网络。
在本申请实施例中，把原CRNN的循环神经网络部分(BiLSTM)去掉，只保留了CNN的骨干网部分，以此对网络结构进行瘦身，提升模型的处理时间。
在本实施例的一些可选的实现方式中，将对网络输出数据进行计算处理的计算模型集成到模型的后半部分，从而简化了后处理操作，并且减少了输出结果的数据流，从而在实际部署中的减少了数据流的传输，节约带宽，在高并发下防止网络拥塞。
综上，本申请提供了一种银行卡识别装置300，包括：图像获取模块310，用于获取待识别银行卡图像；预处理模块320，用于对待识别银行卡图像进行预处理操作，得到标准银行卡图像；第一文本框识别模块330，用于将标准银行卡图像输入至基于可微二值化算法的第一文本框检测模型进行第一文本框识别操作，得到第一文本框数据；文本识别模块340，用于将第一文本框数据输入至文本识别模型进行文本识别操作，得到第一识别结果；第一识别结果校验模块350，用于根据Luhn算法校验第一识别结果是否通过；第一结果获取模块360，用于若第一识别结果为通过，则将第一识别结果作为目标银行卡号；第二文本框识别模块370，用于若第一识别结果为不通过，则将标准银行卡图像输入至基于mobilenet-ssd算法的第二文本框检测模型进行第二文本框识别操作，得到第二文本框数据；第二结果获取模块380，用于将第二文本框数据输入至文本识别模型进行文本识别操作，得到目标银行卡号。本申请先用dbnet+crnn算法进行第一次银行卡OCR，然后用Luhn算法对识别出来的卡号进行正确性校验；若校验不通过，则启动retry机制，用mobilenet-ssd+crnn的流程进行再次的银行卡识别，以此来解决质量差的图片的识别问题；最终在项目上线后，拉取的多批次真实测试图片上，该方法的识别准确率都可达到99％以上。同时，在把输入图片送进文本检测模型进行文本行检测前，我们对输入图片做预处理，且对分辨率进行缩放，这样做的目的是从数据量的层面，减少模型的计算量，从而提升模型处理时间。
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8，图8为本实施例计算机设备基本结构框图。
所述计算机设备200包括通过系统总线相互通信连接存储器210、处理器220、网络接口230。需要指出的是，图中仅示出了具有组件210-230的计算机设备200，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(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，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210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210可以是所述计算机设备200的内部存储单元，例如该计算机设备200的硬盘或内存。在另一些实施例中，所述存储器210也可以是所述计算机设备200的外部存储设备，例如该计算机设备200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(Flash Card)等。当然，所述存储器210还可以既包括所述计算机设备200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210通常用于存储安装于所述计算机设备200的操作系统和各类应用软件，例如银行卡识别方法的计算机可读指令等。此外，所述存储器210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220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220通常用于控制所述计算机设备200的总体操作。本实施例中，所述处理器220用于运行所述存储器210中存储的计算机可读指令或者处理数据，例如运行所述银行卡识别方法的计算机可读指令。
所述网络接口230可包括无线网络接口或有线网络接口，该网络接口230通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
本申请提供的计算机设备，本申请先用dbnet+crnn算法进行第一次银行卡OCR，然后用Luhn算法对识别出来的卡号进行正确性校验；若校验不通过，则启动retry机制，用mobilenet-ssd+crnn的流程进行再次的银行卡识别，以此来解决质量差的图片的识别问题；最终在项目上线后，拉取的多批次真实测试图片上，该方法的识别准确率都可达到99％以上。
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银行卡识别方法的步骤。
本申请提供的计算机可读存储介质，本申请先用dbnet+crnn算法进行第一次银行卡OCR，然后用Luhn算法对识别出来的卡号进行正确性校验；若校验不通过，则启动retry机制，用mobilenet-ssd+crnn的流程进行再次的银行卡识别，以此来解决质量差的图片的识别问题；最终在项目上线后，拉取的多批次真实测试图片上，该方法的识别准确率都可达到99％以上。
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)
1.一种银行卡识别方法，其特征在于，包括下述步骤：
获取待识别银行卡图像；
对所述待识别银行卡图像进行预处理操作，得到标准银行卡图像；
将所述标准银行卡图像输入至基于可微二值化算法的第一文本框检测模型进行第一文本框识别操作，得到第一文本框数据；
将所述第一文本框数据输入至文本识别模型进行文本识别操作，得到第一识别结果；
根据Luhn算法校验所述第一识别结果是否通过；
若所述第一识别结果为通过，则将所述第一识别结果作为目标银行卡号；
若所述第一识别结果为不通过，则将所述标准银行卡图像输入至基于mobilenet-ssd算法的第二文本框检测模型进行第二文本框识别操作，得到第二文本框数据；
将所述第二文本框数据输入至所述文本识别模型进行所述文本识别操作，得到所述目标银行卡号。
2.根据权利要求1所述的银行卡识别方法，其特征在于，所述对所述待识别银行卡图像进行预处理操作，得到标准银行卡图像的步骤，具体包括下述步骤：
对所述待识别文本图像进行灰度处理，得到灰度图像数据；
根据标准分辨率对所述灰度图像数据进行分辨率标准化处理，得到所述标准银行卡图像。
3.根据权利要求1所述的银行卡识别方法，其特征在于，所述若所述第一识别结果为不通过，则将所述标准银行卡图像输入至基于mobilenet-ssd算法的第二文本框检测模型进行第二文本框识别操作，得到第二文本框数据的步骤，具体包括下述步骤：
获取所述文本检测模型输出的与所述待识别文本图像中各个像素点相对应的文本检测概率；
根据所述文本检测概率以及预设像素阈值对所述待识别文本图像的像素点进行筛选操作，得到文本检测图像；
根据opencv工具包对所述文本检测图像进行连通域计算，得到连通域集；
根据findcontours函数分别计算所述连通域集中每个连通域的最小外接矩阵，并将最小外接矩阵的各个顶点作为所述第二文本框数据。
4.根据权利要求1所述的银行卡识别方法，其特征在于，所述文本识别模型为省略BiLSTM网络的CNN网络。
5.根据权利要求1所述的银行卡识别方法，其特征在于，在所述将所述第二文本框数据输入至所述文本识别模型进行所述文本识别操作，得到所述目标银行卡号的步骤之后，还包括：
将所述待识别银行卡图像以及所述目标银行卡号存储至区块链中。
6.一种银行卡识别装置，其特征在于，包括：
图像获取模块，用于获取待识别银行卡图像；
预处理模块，用于对所述待识别银行卡图像进行预处理操作，得到标准银行卡图像；
第一文本框识别模块，用于将所述标准银行卡图像输入至基于可微二值化算法的第一文本框检测模型进行第一文本框识别操作，得到第一文本框数据；
文本识别模块，用于将所述第一文本框数据输入至文本识别模型进行文本识别操作，得到第一识别结果；
第一识别结果校验模块，用于根据Luhn算法校验所述第一识别结果是否通过；
第一结果获取模块，用于若所述第一识别结果为通过，则将所述第一识别结果作为目标银行卡号；
第二文本框识别模块，用于若所述第一识别结果为不通过，则将所述标准银行卡图像输入至基于mobilenet-ssd算法的第二文本框检测模型进行第二文本框识别操作，得到第二文本框数据；
第二结果获取模块，用于将所述第二文本框数据输入至所述文本识别模型进行所述文本识别操作，得到所述目标银行卡号。
7.根据权利要求6所述的银行卡识别装置，其特征在于，所述预处理模块包括：
灰度处理子模块，用于对所述待识别文本图像进行灰度处理，得到灰度图像数据；
分辨率标准化处理子模块，用于根据标准分辨率对所述灰度图像数据进行分辨率标准化处理，得到所述标准银行卡图像。
8.根据权利要求6所述的银行卡识别装置，其特征在于，所述第二文本框识别模块，包括：
检测概率获取子模块，用于获取所述文本检测模型输出的与所述待识别文本图像中各个像素点相对应的文本检测概率；
筛选子模块，用于根据所述文本检测概率以及预设像素阈值对所述待识别文本图像的像素点进行筛选操作，得到文本检测图像；
连通域计算子模块，用于根据opencv工具包对所述文本检测图像进行连通域计算，得到连通域集；
第二文本框确认子模块，用于根据findcontours函数分别计算所述连通域集中每个连通域的最小外接矩阵，并将最小外接矩阵的各个顶点作为所述第二文本框数据。
9.一种计算机设备，其特征在于，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5中任一项所述的银行卡识别方法的步骤。
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5中任一项所述的银行卡识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111432633.6A CN114049646B (zh) | 2021-11-29 | 2021-11-29 | 一种银行卡识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111432633.6A CN114049646B (zh) | 2021-11-29 | 2021-11-29 | 一种银行卡识别方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114049646A true CN114049646A (zh) | 2022-02-15 |
| CN114049646B CN114049646B (zh) | 2024-09-06 |
Family
ID=80211641
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111432633.6A Active CN114049646B (zh) | 2021-11-29 | 2021-11-29 | 一种银行卡识别方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114049646B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114898350A (zh) * | 2022-05-26 | 2022-08-12 | 中国平安人寿保险股份有限公司 | 一种银行卡识别方法、识别系统、电子设备及存储介质 |
| CN114913002A (zh) * | 2022-05-19 | 2022-08-16 | 中国银行股份有限公司 | 一种补卡业务处理方法及装置、存储介质及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002236875A (ja) * | 2001-12-27 | 2002-08-23 | Konica Corp | 文字認識の前処理方法 |
| CN104217203A (zh) * | 2013-06-03 | 2014-12-17 | 支付宝（中国）网络技术有限公司 | 复杂背景卡面信息识别方法及系统 |
| CN105095900A (zh) * | 2014-05-04 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 一种提取标准卡片中特定信息的方法和装置 |
| CN110147787A (zh) * | 2019-05-16 | 2019-08-20 | 深圳市信联征信有限公司 | 基于深度学习的银行卡号自动识别方法及系统 |
| CN111027450A (zh) * | 2019-12-04 | 2020-04-17 | 深圳市新国都金服技术有限公司 | 银行卡信息识别方法、装置、计算机设备及存储介质 |
| CN113420756A (zh) * | 2021-07-28 | 2021-09-21 | 浙江大华技术股份有限公司 | 证件图像的识别方法和装置、存储介质及电子装置 |
| CN113688834A (zh) * | 2021-07-27 | 2021-11-23 | 深圳中兴网信科技有限公司 | 车票识别方法、车票识别系统及计算机可读存储介质 |
-
2021
- 2021-11-29 CN CN202111432633.6A patent/CN114049646B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002236875A (ja) * | 2001-12-27 | 2002-08-23 | Konica Corp | 文字認識の前処理方法 |
| CN104217203A (zh) * | 2013-06-03 | 2014-12-17 | 支付宝（中国）网络技术有限公司 | 复杂背景卡面信息识别方法及系统 |
| CN105095900A (zh) * | 2014-05-04 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 一种提取标准卡片中特定信息的方法和装置 |
| CN110147787A (zh) * | 2019-05-16 | 2019-08-20 | 深圳市信联征信有限公司 | 基于深度学习的银行卡号自动识别方法及系统 |
| CN111027450A (zh) * | 2019-12-04 | 2020-04-17 | 深圳市新国都金服技术有限公司 | 银行卡信息识别方法、装置、计算机设备及存储介质 |
| CN113688834A (zh) * | 2021-07-27 | 2021-11-23 | 深圳中兴网信科技有限公司 | 车票识别方法、车票识别系统及计算机可读存储介质 |
| CN113420756A (zh) * | 2021-07-28 | 2021-09-21 | 浙江大华技术股份有限公司 | 证件图像的识别方法和装置、存储介质及电子装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114913002A (zh) * | 2022-05-19 | 2022-08-16 | 中国银行股份有限公司 | 一种补卡业务处理方法及装置、存储介质及电子设备 |
| CN114898350A (zh) * | 2022-05-26 | 2022-08-12 | 中国平安人寿保险股份有限公司 | 一种银行卡识别方法、识别系统、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114049646B (zh) | 2024-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107798299B (zh) | 票据信息识别方法、电子装置及可读存储介质 | |
| CN112541443B (zh) | 发票信息抽取方法、装置、计算机设备及存储介质 | |
| CN112330331A (zh) | 基于人脸识别的身份验证方法、装置、设备及存储介质 | |
| CN113673519B (zh) | 基于文字检测模型的文字识别方法及其相关设备 | |
| CN110795714A (zh) | 一种身份验证方法、装置、计算机设备及存储介质 | |
| CN114049646B (zh) | 一种银行卡识别方法、装置、计算机设备及存储介质 | |
| WO2021151319A1 (zh) | 卡片边框检测方法、装置、设备及可读存储介质 | |
| CN112686243A (zh) | 智能识别图片文字的方法、装置、计算机设备及存储介质 | |
| CN112529888B (zh) | 基于深度学习的人脸图像评估方法、装置、设备及介质 | |
| CN111680546A (zh) | 注意力检测方法、装置、电子设备及存储介质 | |
| CN111553251A (zh) | 证件四角残缺检测方法、装置、设备及存储介质 | |
| CN113221897B (zh) | 图像矫正方法、图像文本识别方法、身份验证方法及装置 | |
| CN112381458A (zh) | 项目评审方法、项目评审装置、设备及存储介质 | |
| CN112395834A (zh) | 基于图片输入的脑图生成方法、装置、设备及存储介质 | |
| CN114386013A (zh) | 学籍自动认证方法、装置、计算机设备及存储介质 | |
| CN114282258A (zh) | 截屏数据脱敏方法、装置、计算机设备及存储介质 | |
| CN112651399B (zh) | 检测倾斜图像中同行文字的方法及其相关设备 | |
| CN113011132B (zh) | 竖排文字识别方法、装置、计算机设备和存储介质 | |
| CN113936286A (zh) | 图像文本识别方法、装置、计算机设备及存储介质 | |
| CN114663418A (zh) | 图像处理的方法及装置、存储介质及电子设备 | |
| CN114240780A (zh) | 印鉴识别的方法、装置、设备、介质和产品 | |
| CN113920527B (zh) | 一种文本识别方法、装置、计算机设备及存储介质 | |
| CN113362249A (zh) | 文字图像合成方法、装置、计算机设备及存储介质 | |
| CN113343970A (zh) | 文本图像检测方法、装置、设备及存储介质 | |
| CN112395450A (zh) | 图片文字检测方法、装置、计算机设备及存储介质 |
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 |