CN114550271A - 手持身份证照片的识别方法及系统 - Google Patents
手持身份证照片的识别方法及系统 Download PDFInfo
- Publication number
- CN114550271A CN114550271A CN202210208119.2A CN202210208119A CN114550271A CN 114550271 A CN114550271 A CN 114550271A CN 202210208119 A CN202210208119 A CN 202210208119A CN 114550271 A CN114550271 A CN 114550271A
- Authority
- CN
- China
- Prior art keywords
- hand
- image
- held
- resolution
- photo
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种手持身份证照片的识别方法及系统,该方法包括以下步骤:S10,接收用户输入的手持身份证照片;S20,判断接收的手持身份证照片的分辨率是否达到设定阈值;如果是,则进入步骤S30;如果否,则对接收的手持身份证照片进行处理,以提高照片的分辨率,然后进入步骤S30;S30,对手持身份证照片中的人脸进行识别,得到识别出的人脸的个数,并根据识别出的人脸的个数判断所述手持身份证照片是否合格。通过本发明方法或系统可以自动快速识别出不合格的手持身份证照片,继而反馈给业务前端,提高办事效率的同时也提升用户体验。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种手持身份证照片的识别方法及系统。
背景技术
在很多应用中,例如银行贷款、金融业务开户等,都需要提供身份证照片或复印件进行身份认证。由于身份证照片或复印件容易被冒用,例如路人甲捡到路人乙的身份证后,提供路人乙的身份证照片办理银行卡以及办理贷款业务,继而损害路人乙的权益。因此为了打击这种手段的现象,现在办理很多业务就要求本人手持身份证进行现场拍照,或者提供本人手持身份证的照片。对于用户提供的手持身份证照片的审核有两种方式,一种是人工审核,另一种是审单系统自动审核,人工审核效率低,但是可靠性高,自动审核的方式效率高,且可降低人工成本,但是可靠性差,无法准确辨别无效照片。
发明内容
本发明的目的在于提供一种手持身份证照片的识别方法及系统,以改善目前自动审核无法辨别无效照片的问题。
为了实现上述发明目的,本发明实施例提供了以下技术方案:
一种手持身份证照片的识别方法,包括以下步骤:
S10,接收用户输入的手持身份证照片;
S20,判断接收的手持身份证照片的分辨率是否达到设定阈值;如果是,则进入步骤S30;如果否,则对接收的手持身份证照片进行处理,以提高照片的分辨率,然后进入步骤S30;
S30,对手持身份证照片中的人脸进行识别,得到识别出的人脸的个数,并根据识别出的人脸的个数判断所述手持身份证照片是否合格。
在更优化的方案中,还包括步骤S40,从步骤S30对手持身份证照片中的人脸进行识别的结果中,截取出人脸区域图像,对截取的人脸区域图像进行颜色识别,判断是否为人脸颜色,如果不是,则判断为该手持身份证照片不合格,否则判定为合格。
在优化的方案中,所述步骤S20中,对接收的手持身份证照片进行处理,以提高照片的分辨率的步骤,包括:
S201,收集若干真实场景下的图像;
S202,对每张图像进行下采样处理,以降低图像分辨率,下采样前的图像作为高分辨率图像H,下采样后的图像作为低分辨率图像L,L和H构成一组有效的图像对;
S203,利用步骤S202所得的图像对进行神经网络模型训练,训练时,对低分辨率图像L进行放大,还原为高分辨率图像SR,然后将其与原始的高分辨率图像H进行比较,其差异用来调整神经网络模型的参数;通过迭代训练,得到最终可应用的神经网络模型;
S204,将分辨率没有达到设定阈值的手持身份证照片输入步骤S203中最终所得的神经网络模型,进行重建,得到分辨率提高后的手持身份证照片。
在优化的方案中,所述步骤S30中,所述对手持身份证照片中的人脸进行识别的过程,包括:
S301,收集若干包含人脸的图像,并对每张图像提取Hog特征,得到的Hog特征描述子作为正样本;
S302,收集若干不包含人脸的图像,并对每张图像提取Hog特征,得到的Hog特征描述子作为负样本;
S303,利用支持向量机算法训练正样本和负样本,得到训练后的二分类模型;
S304,利用该二分类模型对不包含人脸的图像进行难例检测,得到难例样本;
S305,对难例样本提取Hog特征,得到的Hog特征描述子,然后重新训练步骤S303得到的二分类模型,反复迭代直至训练结束,得到最终分类模型;
S306,对手持身份证照片的不同尺寸进行滑动扫描,提取Hog特征,并用步骤S305最终训练出的分类模型进行分类,如果检测判定为人脸,则将其标定出来。
在更优化的方案中,当收集的负样本数据量不够时,使用已收集到的不含人脸的图片进行随机裁剪,然后提取Hog特征来进行补充。
一种手持身份证照片的识别系统,包括:
数据收集模块,用于接收用户输入的手持身份证照片;
分辨率核验模块,用于判断接收的手持身份证照片的分辨率是否达到设定阈值;如果是,则将手持身份证照片输出给一次识别模块;如果否,则对接收的手持身份证照片进行处理,以提高照片的分辨率,然后输出给一次识别模块;
一次识别模块,用于对手持身份证照片中的人脸进行识别,得到识别出的人脸的个数,并根据识别出的人脸的个数判断所述手持身份证照片是否合格。
与现有技术相比,本发明方法或系统可以有效解决拦截持证照不清晰、持证照中缺身份证人像面、持证照中手持身份证国徽面、持证照中无持证人、持证照中持证人五官未在照片内、持证照中持证人身份证被遮挡(身份证中头像被挡)、持证人手持身份证复印件(黑白)等不合格照片的问题,实现自动快速核验。
此方法应用于审单系统自动识别拦截不合格照片,及时反馈给业务前端图片不合格,避免审单驳回后用户重复提交流程,提升用户体验,及时校准用户错误持证照行为。同时降低退单率,减少同一张不合格照片重复退回的情况,节省与业务端的沟通成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例中手持身份证照片识别方法的流程图。
图2为提高照片的分辨率过程的流程图。
图3为对手持身份证照片中的人脸进行识别过程的流程图。
图4为标定出的人脸区域图像的坐标示意图。
图5为本发明实施例中手持身份证照片识别系统组成框图。
图6为分辨率核验模块的组成框图。
图7为一次识别模块的组成框图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本实施例提供的手持身份证照片的识别方法,包括以下步骤:
S10,接收用户输入的手持身份证照片。
手持身份证照片就是指人手(双手或单手)持身份证的照片。合格的手持身份证照片是,一名持证人手持一张人像面的身份证,持证人和身份证的人脸均无遮挡,且清晰。但是由于各种原因,可能用户提供的手持身份证照片并不合格,例如持证人脸被遮挡,又例如身份证展示的是国徽面,因此,本步骤接收到的手持身份证照片可能是合格的,也可能是不合格的。
此处需要注意的是,本文中所述的合格的手持身份证照片并不是本发明中特别定义的,而是行业内公认的。
S20,判断接收的手持身份证照片的分辨率是否达到设定阈值;如果是,则进入步骤S30;如果否,则对接收的手持身份证照片进行处理,以提高照片的分辨率,然后进入步骤S30。
本步骤中,对于提高照片分辨率的处理,采用了人工神经网络模型方法。如图2所示,具体地,包括以下步骤:
S201,收集大量真实场景下图像。注意,此处(或后文)的大量是一个宽泛的概念,没有具体数字的限定。此处的图像可以是任意图像,也就是对于图像中的内容没有要求,例如不要求是人脸图像或者身份证图像等等。
S202,对每张图像进行下采样处理,以降低图像分辨率,下采样前的图像作为高分辨率图像H,下采样后的图像作为低分辨率图像L,L和H构成一组有效的图像对,用于后期模型训练。下采样处理一般有2倍下采样、3倍下采样、4倍下采样等。如果是2倍下采样,则图像长宽均变成原来的1/2。
S203,利用步骤S202所得的图像对进行神经网络模型训练,训练时,对低分辨率图像L进行放大,还原为高分辨率图像SR,然后与原始的高分辨率图像H进行比较,其差异用来调整神经网络模型的参数。
通过迭代训练,使得差异最小,或者差异达到设定阈值,训练结束,得到最终可应用的神经网络模型。
S204,将分辨率没有达到设定阈值的手持身份证照片输入步骤S203中最终所得的神经网络模型,进行重建,得到分辨率提高后的手持身份证照片。
由于有的图像分辨率不高,直接导致后续识别准确率下降,例如在图像分辨率不高时,手持身份证照片中持证人手持的身份证人像面的人脸极易识别不到,继而导致识别错误。通过本步骤S20对手持身份证照片的分辨率进行判断以及提高处理,可以提高后续步骤处理结果的准确性,避免因为照片清晰度不够而导致的误判。另外,照片清晰也是合格照片的要求,通过本步骤可以识别出清晰度不够的不合格照片。
S30,对手持身份证照片中的人脸进行识别,得到识别出的人脸的个数,并根据识别出的人脸的个数判断所述手持身份证照片是否合格。
如图3所示,对手持身份证照片中的人脸进行识别的过程,包括以下步骤:
S301,收集大量包含人脸的图像,并对每张图像提取Hog特征,得到的Hog特征描述子作为正样本。
S302,收集大量不包含人脸的图像,并对每张图像提取Hog特征,得到的Hog特征描述子作为负样本。
负样本数据集中的数据量需要远远大于正样本数据集中的样本数,当收集的负样本数据量不够(即未达到设定数量值)时,负样本可以使用已收集到的不含人脸的图片进行随机裁剪,然后提取Hog特征来进行补充。
S303,利用支持向量机算法训练正样本和负样本,得到训练后的二分类模型。
S304,利用该二分类模型进行负样本难例检测,也就是难分样本挖掘(hard-negtive mining)。
具体思路为:对数据集里的不包含人脸的图像不断进行缩放,直至与模板图像匹配为止,通过模板滑动窗口搜索匹配(该过程即多尺度检测过程),如果分类器(步骤S303得到的二分类模型)误检出非人脸区域,则截取该部分图像作为难例样本。
S305,集合难例样本重新训练步骤S303得到的二分类模型,反复迭代直至训练结束,得到最终分类模型。
容易理解的是,此处利用难例样本重新训练,也是先要提取出难例样本中的Hog特征,得到的Hog特征描述子,然后再进行训练。
步骤S304-S305,通过将未被正确识别的图像作为难例样本再次训练模型,可以提高最终分类模型的分类能力。
S306,对手持身份证照片的不同尺寸进行滑动扫描,提取Hog特征,并用步骤S305最终训练出的分类模型进行分类。如果检测判定为人脸,则将其标定出来。
正常情况下,手持身份证照片中有两个人脸,一个是身份证上的人脸,一个是本人的真实人脸,因此如果手持身份证照片合格,理论上是能检测出两个人脸。因此,如果识别出的人脸图像少于两个,那么就直接判定为该手持身份证照片不合格。例如,假如检测不到人脸,即人脸个数为零,则可能是照片清晰度太差导致无法识别,因此该手持身份证照片不合格。又例如,假如只检测到一个人脸,则可能是手持身份证时展示的是身份证的国徽面,或者是身份证将持证人的真实人脸给遮挡了,或者是不是手持身份证照片而仅仅是身份证照片,因此该手持身份证照片也不合格。
通过本步骤S30,可以拦截持证照不清晰、持证照中缺身份证人像面、持证照中手持身份证国徽面、持证照中无持证人、持证照中无持证人和身份证人像面、持证照中持证人五官未在照片内、持证照中身份证被遮挡(身份证中头像被挡)等各种不合格的手持身份证照片。
通过上述步骤S10-S30可以很好地对手持身份证照片进行自动核验,提高审核效率。但是上述步骤S10-S30能够排查出手持身份证照片本身的问题,还有一种情况是手持身份证照片不是照片,而是复印件,对于有些业务是可以接受复印件,但是更多的业务是不能接受复印件的。因此,为了能够排除复印件情况的不合格,在更优化的方案中,上述识别方法还包括步骤S40。
S40,从步骤S30对手持身份证照片中的人脸进行识别的结果中,截取出人脸区域图像,对截取的人脸区域图像进行颜色识别,判断是否为人脸颜色,如果不是,则判断为该手持身份证照片不合格,否则判定为合格。
步骤S30对手持身份证照片中的人脸进行识别,检测到人脸时会标定出来,得到人脸区域坐标,如图4所示,对于一个人脸,会得到该人脸区域的左上角点坐标(Ax1,Ay1)和右下角点坐标(Ax2,Ay2),根据这两个点坐标即可截取出人脸区域图像。
此处需要注意的是,本步骤中的人脸颜色是相对概念,是相对于黑白色而言的,因为如果该手持身份证照片是复印件,那么人脸区域图像是黑白色,通过本步骤即可识别出来。因此通过本步骤可以有效地拦截持证人手持身份证复印件(黑白)的图像。
对截取的人脸区域图像进行颜色识别可以有多种实施方式,本步骤中,作为举例,先将截取出的人脸区域图像由RGB空间转换到HSV空间,更具有直观性,然后再进行颜色计算,根据计算结果判断是否为人脸颜色。由于图像中的人脸颜色受到环境颜色叠加的影响,如果直接定义人脸颜色范围会导致判断结果不准确,因此本实施例中使用排除法,即通过对大量不合格图像HSV颜色的计算,统计可得根据HSV提取的颜色为白、蓝或者黑即为不合格图像,因此,本步骤中将HSV提取的颜色为白、蓝或者黑即为不合格图像。通过本步骤可以有效识别叠加环境颜色后的黑白身份证复印件的不合格图像。
通过上述步骤S10-S40,不仅可以自动核验出本身因各种原因导致的不合照片,而且还可以自动核验出使用复印件的情况,及时反馈给业务前端图片不合格,避免审单驳回后用户重复提交流程,提升用户体验,及时校准用户错误持证照行为,同时降低退单率,减少同一张不合格照片重复退回的情况,节省与业务端的沟通成本。
如图5所示,基于相同的发明构思,本实施例中还提供了一种手持身份证照片的识别系统,包括:
数据收集模块,用于接收用户输入的手持身份证照片;
分辨率核验模块,用于判断接收的手持身份证照片的分辨率是否达到设定阈值;如果是,则将手持身份证照片输出给一次识别模块;如果否,则对接收的手持身份证照片进行处理,以提高照片的分辨率,然后输出给一次识别模块;
一次识别模块,用于对手持身份证照片中的人脸进行识别,得到识别出的人脸的个数,并根据识别出的人脸的个数判断所述手持身份证照片是否合格。
其中,如图6所示,所述分辨率核验模块包括:
图像收集子模块,用于收集若干真实场景下的图像;
采样处理子模块,用于对每张图像进行下采样处理,以降低图像分辨率,下采样前的图像作为高分辨率图像H,下采样后的图像作为低分辨率图像L,L和H构成一组有效的图像对;
模型训练子模块,用于利用采样处理子模块输出所得的图像对进行神经网络模型训练,训练时,对低分辨率图像L进行放大,还原为高分辨率图像SR,然后将其与原始的高分辨率图像H进行比较,其差异用来调整神经网络模型的参数;通过迭代训练,得到最终可应用的神经网络模型;
分辨率提升子模块,用于将分辨率没有达到设定阈值的手持身份证照片输入最终所得的神经网络模型,进行重建,得到分辨率提高后的手持身份证照片。
其中,如图7所示,所述一次识别模块包括:
特征提取子模块,用于收集若干包含人脸的图像,并对每张图像提取Hog特征,得到的Hog特征描述子作为正样本;以及收集若干不包含人脸的图像,并对每张图像提取Hog特征,得到的Hog特征描述子作为负样本;
初次训练子模块,用于利用支持向量机算法训练正样本和负样本,得到训练后的二分类模型;
难例样本筛选子模块,用于利用该二分类模型对不包含人脸的图像进行难例检测,得到难例样本;
再次训练子模块,用于对难例样本提取Hog特征,得到的Hog特征描述子,然后重新训练初次训练子模块得到的二分类模型,反复迭代直至训练结束,得到最终分类模型;
图像识别子模块,用于对手持身份证照片的不同尺寸进行滑动扫描,提取Hog特征,并用再次训练子模块最终训练出的分类模型进行分类,如果检测判定为人脸,则将其标定出来。
可选地,所述一次识别模块还包括样本补充子模块,用于当收集的负样本数据量不够时,使用已收集到的不含人脸的图片进行随机裁剪,然后提取Hog特征来进行补充。
更优化的方案中,上述系统还包括二次识别模块,用于从一次识别模块的输出结果中,截取出人脸区域图像,对截取的人脸区域图像进行颜色识别,判断是否为人脸颜色,如果不是,则判断为该手持身份证照片不合格,否则判定为合格。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种手持身份证照片的识别方法,其特征在于,包括以下步骤:
S10,接收用户输入的手持身份证照片;
S20,判断接收的手持身份证照片的分辨率是否达到设定阈值;如果是,则进入步骤S30;如果否,则对接收的手持身份证照片进行处理,以提高照片的分辨率,然后进入步骤S30;
S30,对手持身份证照片中的人脸进行识别,得到识别出的人脸的个数,并根据识别出的人脸的个数判断所述手持身份证照片是否合格。
2.根据权利要求1所述的手持身份证照片的识别方法,其特征在于,还包括步骤S40,从步骤S30对手持身份证照片中的人脸进行识别的结果中,截取出人脸区域图像,对截取的人脸区域图像进行颜色识别,判断是否为人脸颜色,如果不是,则判断为该手持身份证照片不合格,否则判定为合格。
3.根据权利要求1所述的手持身份证照片的识别方法,其特征在于,所述步骤S20中,对接收的手持身份证照片进行处理,以提高照片的分辨率的步骤,包括:
S201,收集若干真实场景下的图像;
S202,对每张图像进行下采样处理,以降低图像分辨率,下采样前的图像作为高分辨率图像H,下采样后的图像作为低分辨率图像L,L和H构成一组有效的图像对;
S203,利用步骤S202所得的图像对进行神经网络模型训练,训练时,对低分辨率图像L进行放大,还原为高分辨率图像SR,然后将其与原始的高分辨率图像H进行比较,其差异用来调整神经网络模型的参数;通过迭代训练,得到最终可应用的神经网络模型;
S204,将分辨率没有达到设定阈值的手持身份证照片输入步骤S203中最终所得的神经网络模型,进行重建,得到分辨率提高后的手持身份证照片。
4.根据权利要求1所述的手持身份证照片的识别方法,其特征在于,所述步骤S30中,所述对手持身份证照片中的人脸进行识别的过程,包括:
S301,收集若干包含人脸的图像,并对每张图像提取Hog特征,得到的Hog特征描述子作为正样本;
S302,收集若干不包含人脸的图像,并对每张图像提取Hog特征,得到的Hog特征描述子作为负样本;
S303,利用支持向量机算法训练正样本和负样本,得到训练后的二分类模型;
S304,利用该二分类模型对不包含人脸的图像进行难例检测,得到难例样本;
S305,对难例样本提取Hog特征,得到的Hog特征描述子,然后重新训练步骤S303得到的二分类模型,反复迭代直至训练结束,得到最终分类模型;
S306,对手持身份证照片的不同尺寸进行滑动扫描,提取Hog特征,并用步骤S305最终训练出的分类模型进行分类,如果检测判定为人脸,则将其标定出来。
5.根据权利要求4所述的手持身份证照片的识别方法,其特征在于,当收集的负样本数据量不够时,使用已收集到的不含人脸的图片进行随机裁剪,然后提取Hog特征来进行补充。
6.一种手持身份证照片的识别系统,其特征在于,包括:
数据收集模块,用于接收用户输入的手持身份证照片;
分辨率核验模块,用于判断接收的手持身份证照片的分辨率是否达到设定阈值;如果是,则将手持身份证照片输出给一次识别模块;如果否,则对接收的手持身份证照片进行处理,以提高照片的分辨率,然后输出给一次识别模块;
一次识别模块,用于对手持身份证照片中的人脸进行识别,得到识别出的人脸的个数,并根据识别出的人脸的个数判断所述手持身份证照片是否合格。
7.根据权利要求6所述的手持身份证照片的识别系统,其特征在于,还包括二次识别模块,用于从一次识别模块的输出结果中,截取出人脸区域图像,对截取的人脸区域图像进行颜色识别,判断是否为人脸颜色,如果不是,则判断为该手持身份证照片不合格,否则判定为合格。
8.根据权利要求6所述的手持身份证照片的识别系统,其特征在于,所述分辨率核验模块包括:
图像收集子模块,用于收集若干真实场景下的图像;
采样处理子模块,用于对每张图像进行下采样处理,以降低图像分辨率,下采样前的图像作为高分辨率图像H,下采样后的图像作为低分辨率图像L,L和H构成一组有效的图像对;
模型训练子模块,用于利用采样处理子模块输出所得的图像对进行神经网络模型训练,训练时,对低分辨率图像L进行放大,还原为高分辨率图像SR,然后将其与原始的高分辨率图像H进行比较,其差异用来调整神经网络模型的参数;通过迭代训练,得到最终可应用的神经网络模型;
分辨率提升子模块,用于将分辨率没有达到设定阈值的手持身份证照片输入最终所得的神经网络模型,进行重建,得到分辨率提高后的手持身份证照片。
9.根据权利要求6所述的手持身份证照片的识别系统,其特征在于,所述一次识别模块包括:
特征提取子模块,用于收集若干包含人脸的图像,并对每张图像提取Hog特征,得到的Hog特征描述子作为正样本;以及收集若干不包含人脸的图像,并对每张图像提取Hog特征,得到的Hog特征描述子作为负样本;
初次训练子模块,用于利用支持向量机算法训练正样本和负样本,得到训练后的二分类模型;
难例样本筛选子模块,用于利用该二分类模型对不包含人脸的图像进行难例检测,得到难例样本;
再次训练子模块,用于对难例样本提取Hog特征,得到的Hog特征描述子,然后重新训练初次训练子模块得到的二分类模型,反复迭代直至训练结束,得到最终分类模型;
图像识别子模块,用于对手持身份证照片的不同尺寸进行滑动扫描,提取Hog特征,并用再次训练子模块最终训练出的分类模型进行分类,如果检测判定为人脸,则将其标定出来。
10.根据权利要求9所述的手持身份证照片的识别系统,其特征在于,所述一次识别模块还包括样本补充子模块,用于当收集的负样本数据量不够时,使用已收集到的不含人脸的图片进行随机裁剪,然后提取Hog特征来进行补充。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210208119.2A CN114550271A (zh) | 2022-03-04 | 2022-03-04 | 手持身份证照片的识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210208119.2A CN114550271A (zh) | 2022-03-04 | 2022-03-04 | 手持身份证照片的识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114550271A true CN114550271A (zh) | 2022-05-27 |
Family
ID=81661024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210208119.2A Pending CN114550271A (zh) | 2022-03-04 | 2022-03-04 | 手持身份证照片的识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114550271A (zh) |
-
2022
- 2022-03-04 CN CN202210208119.2A patent/CN114550271A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10943346B2 (en) | Multi-sample whole slide image processing in digital pathology via multi-resolution registration and machine learning | |
US10242285B2 (en) | Iterative recognition-guided thresholding and data extraction | |
Debiasi et al. | PRNU-based detection of morphed face images | |
US9754164B2 (en) | Systems and methods for classifying objects in digital images captured using mobile devices | |
US20200410074A1 (en) | Identity authentication method and apparatus, electronic device, and storage medium | |
CN108090511B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
Hildebrandt et al. | Benchmarking face morphing forgery detection: Application of stirtrace for impact simulation of different processing steps | |
Debiasi et al. | PRNU variance analysis for morphed face image detection | |
US11367310B2 (en) | Method and apparatus for identity verification, electronic device, computer program, and storage medium | |
CN111259891B (zh) | 一种自然场景下身份证识别方法、装置、设备和介质 | |
CN111222433B (zh) | 自动人脸稽核方法、系统、设备及可读存储介质 | |
CN110751004A (zh) | 二维码检测方法、装置、设备及存储介质 | |
CN112215225A (zh) | 一种基于计算机视觉技术的kyc证件核验方法 | |
CN111213157A (zh) | 一种基于智能终端的快递信息录入方法及录入系统 | |
JP3962517B2 (ja) | 顔面検出方法及びその装置、コンピュータ可読媒体 | |
CN114550271A (zh) | 手持身份证照片的识别方法及系统 | |
CN114820476A (zh) | 基于合规性检测的身份证识别方法 | |
CN114743016A (zh) | 一种证件真假识别方法、装置、电子设备及存储介质 | |
CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
CN114359923A (zh) | 证件字符识别方法、装置、计算机及存储介质 | |
CN114333037B (zh) | 包含身份证的翻拍照片识别方法及系统 | |
CN113177556A (zh) | 一种文本图像增强模型、训练方法、增强方法及电子设备 | |
Jia et al. | Face morphing attack detection based on high-frequency features and progressive enhancement learning | |
CN112380957A (zh) | 他项权证信息识别方法、装置、计算机设备和存储介质 | |
CN112396058B (zh) | 一种文档图像的检测方法、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 |