CN114898350A - 一种银行卡识别方法、识别系统、电子设备及存储介质 - Google Patents

一种银行卡识别方法、识别系统、电子设备及存储介质 Download PDF

Info

Publication number
CN114898350A
CN114898350A CN202210582858.8A CN202210582858A CN114898350A CN 114898350 A CN114898350 A CN 114898350A CN 202210582858 A CN202210582858 A CN 202210582858A CN 114898350 A CN114898350 A CN 114898350A
Authority
CN
China
Prior art keywords
card
card number
image
target
area
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
Application number
CN202210582858.8A
Other languages
English (en)
Inventor
何小臻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202210582858.8A priority Critical patent/CN114898350A/zh
Publication of CN114898350A publication Critical patent/CN114898350A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06V10/22—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
    • G06V10/225—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 based on a marking or identifier characterising the area
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种银行卡识别方法、识别系统、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取初始银行卡图像，利用预训练的目标检测模型对初始银行卡图像进行目标检测，得到第一卡面区域，第一卡面区域包括第一卡号区域和第一卡组织标志区域；根据第一卡号区域和第一卡组织标志区域对第一卡面区域进行图像角度判断，得到满足预设方向状态的目标银行卡图像；根据第一卡号区域对目标银行卡图像进行图像截取，得到第一目标卡号图像；利用预训练的文本识别模型对第一目标卡号图像进行文本识别，得到第一卡号信息；对第一卡号信息进行卡号校验，得到目标银行卡号。本申请能够提高移动端对银行卡识别的准确率。

Description

一种银行卡识别方法、识别系统、电子设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种银行卡识别方法、识别系统、电子设备及存储介质。
背景技术
目前，在将移动端绑定银行卡的时候，由于银行卡较为冗长，且银行卡的背景图像较为复杂，通过手工数据银行卡号时需要反复辨认卡号的输入情况，因此，通过机器学习的方法自动从银行卡图像中识别出所需的银行卡号是当前发展的一种有效手段。目前，利用银行卡的光学字符识别(Optical Character Recognition，OCR)技术识别出银行卡的卡号是一种有效的技术手段，然而，该技术目前大多部署在云端或者后端的模型中，而移动端由于自身的硬件条件，在利用OCR技术进行银行卡识别时存在识别准确率不高的问题。
发明内容
本申请实施例的主要目的在于提出一种银行卡识别方法、识别系统、电子设备及存储介质，能够提高移动端对银行卡识别的准确率。
为实现上述目的，本申请实施例的第一方面提出了一种银行卡识别方法，所述方法包括：
获取待识别的初始银行卡图像；
利用预训练的目标检测模型对所述初始银行卡图像进行目标检测，得到第一卡面区域，所述第一卡面区域包括第一卡号区域和第一卡组织标志区域；
根据所述第一卡号区域和所述第一卡组织标志区域对所述第一卡面区域进行图像角度判断，得到满足预设方向状态的目标银行卡图像；
根据所述第一卡号区域对所述目标银行卡图像进行图像截取，得到第一目标卡号图像；
利用预训练的文本识别模型对所述第一目标卡号图像进行文本识别，得到第一卡号信息；
利用卡号校验算法对所述第一卡号信息进行卡号校验，得到目标银行卡号。
在一些实施例中，所述利用卡号校验算法对所述第一卡号信息进行卡号校验，得到目标银行卡号，包括：
利用卡号校验算法对所述第一卡号信息进行卡号校验，得到第一卡号校验结果；
当所述第一卡号校验结果为校验成功，得到目标银行卡号；
当所述第一卡号校验结果为校验失败，对所述初始银行卡图像进行背景去除处理，得到候选银行卡图像；
利用所述目标检测模型对所述候选银行卡图像进行目标检测，得到第二卡面区域，所述第二卡面区域包括第二卡号区域和第二卡组织标志区域；
根据所述第二卡号区域和所述第二卡组织标志区域对所述第二卡面区域进行图像角度判断，并根据所述图像角度判断的结果得到满足所述预设方向状态的第二目标银行卡图像；
根据所述第二卡号区域对所述第二目标银行卡图像进行图像截取，得到第二目标卡号图像；
利用所述文本识别模型对所述第二目标卡号图像进行文本识别，得到第二卡号信息；
利用所述卡号校验算法对所述第二卡号信息进行卡号校验，得到第二卡号校验结果；
当所述第二卡号校验结果为校验正确，得到所述目标银行卡号。
在一些实施例中，所述根据所述第一卡号区域和所述第一卡组织标志区域对所述第一卡面区域进行图像角度判断，得到满足预设方向状态的目标银行卡图像，包括：
获取卡号区域与卡组织标志区域相对位置的先验知识；
根据所述卡号区域与卡组织标志区域相对位置的先验知识对所述第一卡面区域进行图像角度判断，得到第一角度判断结果；
当所述第一角度判断结果为所述第一卡面区域满足预设方向状态，得到目标银行卡图像；
当所述第一角度判断结果为所述第一卡面区域不满足所述预设方向状态，根据所述预设方向状态对所述第一卡面区域进行图像方向调整，得到所述目标银行卡图像。
在一些实施例中，所述根据所述卡号区域与卡组织标志区域相对位置的先验知识对所述第一卡面区域进行图像角度判断，得到第一角度判断结果，包括：
分别对所述第一卡号区域和所述第一卡组织标志区域进行中心点坐标计算，得到所述第一卡号区域对应的第一中心点坐标和所述第一卡组织标志区域对应的第二中心点坐标；
利用所述卡号区域与卡组织标志区域相对位置的先验知识，并根据所述第一中心点坐标和所述第二中心点坐标对所述第一卡面区域进行图像角度判断，得到第一角度判断结果。
在一些实施例中，所述目标检测模型通过如下方法训练：
构建训练样本集，所述训练样本集包括多个训练样本，每个训练样本包括样本图像和所述样本图像对应的样本卡面区域；
将每个所述样本图像输入到初始检测模型进行目标检测，得到目标卡面区域；
根据所述目标卡面区域和所述样本卡面区域确定损失值；
根据所述损失值对所述初始检测模型的模型参数进行调整，并基于所述训练样本集继续训练调整后的模型，直至所述损失值满足预设训练结束条件，得到目标检测模型。
在一些实施例中，所述文本识别模型包括卷积层、循环层和转录层，所述利用预训练的文本识别模型对所述第一目标卡号图像进行文本识别，得到第一卡号信息，包括：
将所述第一目标卡号图像输入至预训练的文本识别模型；
通过所述卷积层对所述第一目标卡号图像进行特征提取，得到卷积特征向量；
通过所述循环层对所述卷积特征向量进行标签预测，得到标签分布；
通过所述转录层对所述标签分布进行特征整合，得到第一卡号信息。
在一些实施例中，所述利用卡号校验算法对所述第一卡号信息进行卡号校验，得到目标银行卡号，包括：
获取卡号校验的先验知识；
根据所述卡号校验的先验知识和卡号校验算法对所述第一卡号信息进行卡号校验，得到目标银行卡号。
为实现上述目的，本申请实施例的第二方面提出了一种银行卡识别系统，所述系统包括：
图像获取模块，用于获取待识别的初始银行卡图像；
目标检测模块，用于利用预训练的目标检测模型对所述初始银行卡图像进行目标检测，得到第一卡面区域，所述第一卡面区域包括第一卡号区域和第一卡组织标志区域；
图像角度判断模块，用于根据所述第一卡号区域和所述第一卡组织标志区域对所述第一卡面区域进行图像角度判断，得到满足预设方向状态的目标银行卡图像；
图像截取模块，用于根据所述第一卡号区域对所述目标银行卡图像进行图像截取，得到第一目标卡号图像；
文本识别模块，用于利用预训练的文本识别模型对所述第一目标卡号图像进行文本识别，得到第一卡号信息；
卡号校验模块，用于利用卡号校验算法对所述第一卡号信息进行卡号校验，得到目标银行卡号。
为实现上述目的，本申请实施例的第三方面提出了一种电子设备，包括：
至少一个存储器；
至少一个处理器；
至少一个计算机程序；
所述至少一个计算机程序被存储在所述至少一个存储器中，所述至少一个处理器执行所述至少一个计算机程序以实现上述第一方面所述的一种银行卡识别方法。
为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为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程序，所述计算机程序用于使计算机执行上述第一方面所述的一种银行卡识别方法。
本申请提出的一种银行卡识别方法、识别系统、电子设备及存储介质，其通过获取待识别的初始银行卡图像，利用预训练的目标检测模型对初始银行卡图像进行目标检测，得到第一卡面区域，第一卡面区域包括第一卡号区域和第一卡组织标志区域。为了减少多余模型的引入，以提高银行卡识别的效率，根据第一卡号区域和第一卡组织标志区域对第一卡面区域进行图像角度判断，得到满足预设方向状态的目标银行卡图像。为了提高对目标银行卡图像中卡号的识别效率，根据第一卡号区域对目标银行卡图像进行图像截取，得到第一目标卡号图像，并利用预训练的文本识别模型对第一目标卡号图像进行文本识别，得到第一卡号信息。利用卡号校验算法对第一卡号信息进行卡号校验，得到目标银行卡号，本申请能够提高移动端对银行卡识别的准确率。
附图说明
图1是本申请实施例提供的一种银行卡识别方法的流程图；
图2是本申请实施例提供的初始银行卡图像的结构示意图；
图3是图1中的步骤S160的第一流程图；
图4是图1中的步骤S130的流程图；
图5是图4中的步骤S420的流程图；
图6是本申请实施例提供的目标检测模型的训练流程图；
图7是图1中的步骤S150的流程图；
图8是图1中的步骤S160的第二流程图；
图9是本申请实施例提供的一种银行卡识别系统的结构示意图；
图10是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”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。
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。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(Artificial Intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
Luhn算法(Luhn Algorithm)：也称为“模10”算法，是一种简单的校验和算法，一般用于验证身份识别码。Luhn算法通过校验码对一串数字进行验证，校验码通常会被加到这串数字的末尾处，从而得到一个完整的身份识别码。
卷积循环神经网络(Convolutional Recurrent Neural Network，CRNN)：是一种网络结构，主要用于端到端地对不定长的文本序列进行识别，不用先对单个文字进行切割，而是将文本识别转化为时序依赖的序列学习问题，就是基于图像的序列识别。
长短期记忆网络(Long Short-Term Memory，LSTM)：是一种时间循环神经网络，不仅能够解决RNN无法处理长距离的依赖的问题，还能够解决神经网络中常见的梯度爆炸或梯度消失等问题，在处理序列数据方面非常有效。
双向LSTM(Long Short-Term Memory，BiLSTM)：是将同一个输入序列分别接入向前和先后的两个LSTM中，然后将两个网络的隐含层连在一起，共同接入到输出层进行预测。
卷积神经网络(ConvolutionalNeural Networks,CNN)：是一种多层的监督学习神经网络，隐含层的卷积层和池采样层是实现卷积神经网络特征提取功能的核心模块。该网络模型通过采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练提高网络的精度。
Retry机制：在开发的过程中，有时在执行某些特定的操作时，由于当时的条件不满足而未能执行或执行失败，在后续的一段时间内，当条件达到满足，则需要继续执行对应的操作。
单发多盒探测器(Single Shot MultiBox Detector，SSD)：是目标检测算法中的一种，不需要region proposal阶段，可以直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，具有检测速度快的特点。
目前，在将移动端绑定银行卡的时候，由于银行卡较为冗长，且银行卡的背景图像较为复杂，通过手工数据银行卡号时需要反复辨认卡号的输入情况，因此，通过机器学习的方法自动从银行卡图像中识别出所需的银行卡号是当前发展的一种有效手段。目前，利用银行卡的光学字符识别(Optical Character Recognition，OCR)技术识别出银行卡的卡号是一种有效的技术手段，然而，该技术目前大多部署在云端或者后端的模型中，而移动端由于自身的硬件条件，在利用OCR技术进行银行卡识别时存在识别准确率不高的问题。
基于此，本申请实施例提供了一种银行卡识别方法、识别系统、电子设备及存储介质，能够提高移动端对银行卡识别的准确率。
本申请实施例提供的一种银行卡识别方法、识别系统、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的一种银行卡识别方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的一种银行卡识别方法，涉及人工智能技术领域。本申请实施例提供的一种银行卡识别方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现一种银行卡识别方法的应用等，但并不局限于以上形式。
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。
请参阅图1，图1是本申请实施例提供的一种银行卡识别方法的一个可选的流程图。在一些实施例中，一种银行卡识别方法可以包括但不限于包括步骤S110至步骤S160，下面结合图1对这六个步骤进行详细介绍。
步骤S110，获取待识别的初始银行卡图像；
步骤S120，利用预训练的目标检测模型对初始银行卡图像进行目标检测，得到第一卡面区域，第一卡面区域包括第一卡号区域和第一卡组织标志区域；
步骤S130，根据第一卡号区域和第一卡组织标志区域对第一卡面区域进行图像角度判断，得到满足预设方向状态的目标银行卡图像；
步骤S140，根据第一卡号区域对目标银行卡图像进行图像截取，得到第一目标卡号图像；
步骤S150，利用预训练的文本识别模型对第一目标卡号图像进行文本识别，得到第一卡号信息；
步骤S160，利用卡号校验算法对第一卡号信息进行卡号校验，得到目标银行卡号。
在一些实施例的步骤S110中，为了实现对银行卡中的卡号识别，首先，获取待识别的初始银行卡图像，具体地，通过图像采集设备，例如摄像机、图像扫描仪等，对待识别的银行卡进行图像采集，得到初始银行卡图像。
在一些实施例的步骤S120中，为了提高在移动端对银行卡识别的准确率，利用预训练的目标检测模型对初始银行卡图像进行目标检测，得到第一卡面区域，第一卡面区域包括第一卡号区域和第一卡组织标志区域。具体地，由于银行卡中的卡面区域和卡组织标志区域可以实现对银行卡图像中卡号区域的快速定位，则首先对初始银行卡图像进行目标检测，以确定初始银行卡图像所对应的第一卡面区域、第一卡号区域和第一卡组织标志区域。
需要说明的是，目标检测模型包括卡面目标检测子模型、卡号目标检测子模型、标签目标检测子模型，具体地，利用预训练的卡面目标检测子模型对初始银行卡图像进行目标检测，得到第一卡面区域；利用预训练的卡号目标检测子模型对初始银行卡图像进行目标检测，得到第一卡号区域；并利用预训练的标签目标检测子模型对初始银行卡图像进行目标检测，得到第一卡组织标志区域，且第一卡面区域包括第一卡号区域和第一卡组织标志区域。其中，第一卡组织标志区域用于区分不同的初始银行卡图像对应的标识类别，例如，当初始银行卡图像为银联卡，则其对应的第一卡组织标志区域为银联卡组织标志区域；当初始银行卡图像为VISA卡，则其对应的第一卡组织标志区域为VISA卡组织标志区域。需要说明的是，初始银行卡图像对应的银行卡并不限定于银联卡和VISA卡，在此不再赘述。
在一具体地实施例中，请参阅图2，当初始银行卡图像200为预设方向状态，初始银行卡图像200中包括第一卡面区域210，第一卡号区域220和第一卡组织标志区域230，利用预训练的目标检测模型对初始银行卡图像200进行目标检测，得到第一卡面区域210，且得到第一卡面区域210中包括的第一卡号区域220和第一卡组织标志区域230。
在一些实施例的步骤S130中，由于所采集到的目标银行卡图像中的银行卡图像的方向是不确定的，且移动端中对模块和模型部署的限制，根据第一卡号区域和第一卡组织标志区域对第一卡面区域进行图像角度判断，得到满足预设方向状态的目标银行卡图像。本申请实施例根据第一卡号区域和第一卡组织标志区域对第一卡面区域的图像角度判断，避免了额外模型的引入，提高了在移动端对银行卡识别的准确率。
需要说明的是，可将银行卡的正方向设置为预设方向状态，其中，正方向表示为按照当前的观察视角，当第一卡号区域位于第一卡组织标志区域的左上方，则当前的方向记为正方向。
在一些实施例的步骤S140中，为了提高文本识别模型对目标银行卡图像的识别效率，避免背景信息对第一卡号区域识别的干扰，根据第一卡号区域对目标银行卡图像进行图像截取，得到第一目标卡号图像。具体地，当利用预训练的目标检测模型对初始银行卡图像进行目标检测，得到第一卡面区域后，即分别确定了第一卡号区域和第一卡组织标志区域在第一卡面区域中的位置，根据第一卡号区域在目标银行卡图像中的位置进行图像截取，以得到第一目标卡号图像。
在一些实施例的步骤S150中，为了实现对目标银行卡图像中卡号信息的获取，利用预训练的文本识别模型对第一目标卡号图像进行文本识别，得到第一卡号信息。具体地，由于移动端中对模块和模型部署容量的限制，采用基于CRNN网络结构的文本识别模型对第一目标卡号图像进行文本识别。
需要说明的是，由于传统的基于CRNN网络结构的文本识别模型包括BiLSTM网络，且该BiLSTM网络用于对输入文本的语义信息的学习。因此，由于本申请实施例将预训练的文本识别模型用于对第一目标卡号图像进行文本识别，以得到第一卡号信息，即不包括对语义信息的识别，则为了缩小文本识别模型的结构，本申请实施例可以对该文本识别模型进行模型优化，即可以通过去除CRNN网络结构中的BiLSTM网络部分，也可以将文本识别模型中CNN部分对应的骨干网替换为轻量型的Ghostnet网络结构，以得到本申请实施例的文本识别模型，缩小了文本识别模型的结构，提高了在移动端对银行卡识别的效率。
在一些实施例的步骤S160中，为了更有效地实现对银行卡中的卡号识别，利用卡号校验算法对第一卡号信息进行卡号校验，得到目标银行卡号。具体地，例如，采用Luhn算法对第一卡号信息进行卡号校验，即根据得到的第一卡号信息，从对应的卡号的最后一位数字开始，将偶数位乘以整数2，如果得到的结果是两位数，就将个位数和十位数相加返回。将返回得到的所有数字相加,得到总和。如果进行卡号校验的第一卡号信息是符合银行卡号设置规定的，则其得到的总和是可以被整数10整除，得到了初始银行卡图像对应的目标银行卡号。
需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
需要说明的是，本申请实施例的一种银行卡识别方法可以应用于不同的业务场景，该业务场景包括但不限于银行卡号绑定、银行卡信息采集场景等需要进行银行卡识别的业务场景。
请参阅图3，图3是本申请一些实施例的步骤S160的具体方法的流程图。在一些实施例中，步骤S160包括但不限于步骤S310至步骤S390，下面结合图3对这九个步骤进行详细介绍。
步骤S310，利用卡号校验算法对第一卡号信息进行卡号校验，得到第一卡号校验结果；
步骤S320，当第一卡号校验结果为校验成功，得到目标银行卡号；
步骤S330，当第一卡号校验结果为校验失败，对初始银行卡图像进行背景去除处理，得到候选银行卡图像；
步骤S340，利用目标检测模型对候选银行卡图像进行目标检测，得到第二卡面区域，第二卡面区域包括第二卡号区域和第二卡组织标志区域；
步骤S350，根据第二卡号区域和第二卡组织标志区域对第二卡面区域进行图像角度判断，并根据图像角度判断的结果得到满足预设方向状态的第二目标银行卡图像；
步骤S360，根据第二卡号区域对第二目标银行卡图像进行图像截取，得到第二目标卡号图像；
步骤S370，利用文本识别模型对第二目标卡号图像进行文本识别，得到第二卡号信息；
步骤S380，利用卡号校验算法对第二卡号信息进行卡号校验，得到第二卡号校验结果；
步骤S390，当第二卡号校验结果为校验正确，得到目标银行卡号。
在一些实施例的步骤S310和步骤S320中，为了更有效地实现对银行卡中的卡号识别，利用卡号校验算法对第一卡号信息进行卡号校验，得到目标银行卡号。具体地，例如，采用Luhn算法对第一卡号信息进行卡号校验，得到第一卡号校验结果，当第一卡号校验结果为校验成功，即利用文本识别模型得到的第一卡号信息是符合规定银行卡号设置规定的，则得到了目标银行卡号。本申请能够提高移动端对银行卡识别的准确率。
在一些实施例的步骤S330至步骤S390中，当第一卡号校验结果为校验失败，通过引入Retry机制的移动端银行卡识别方法，以提高移动端对银行卡识别的准确率。具体地，为了避免初始银行卡图像中背景区域对银行卡识别效率的影响，对初始银行卡图像进行背景去除处理，得到候选银行卡图像。再利用目标检测模型对候选银行卡图像进行目标检测，得到第二卡面区域，第二卡面区域包括第二卡号区域和第二卡组织标志区域。为了避免了移动端额外模型的引入，根据第二卡号区域和第二卡组织标志区域对第二卡面区域进行图像角度判断，并根据图像角度判断的结果得到满足预设方向状态的第二目标银行卡图像。并根据第二卡号区域对第二目标银行卡图像进行图像截取，得到第二目标卡号图像。为了提高在移动端对银行卡识别的准确率，利用文本识别模型对第二目标卡号图像进行文本识别，得到第二卡号信息，利用卡号校验算法对第二卡号信息进行卡号校验，得到第二卡号校验结果。当第二卡号校验结果为校验正确，得到目标银行卡号。本申请通过引入Retry机制对第一卡号校验结果为校验失败的初始银行卡图像再次进行银行卡识别，提高在移动端对银行卡识别的准确率。
请参阅图4，图4是本申请一些实施例的步骤S130的具体方法的流程图。在一些实施例中，步骤S130具体包括但不限于步骤S410至步骤S440，下面结合图4对这四个步骤进行详细介绍。
步骤S410，获取卡号区域与卡组织标志区域相对位置的先验知识；
步骤S420，根据卡号区域与卡组织标志区域相对位置的先验知识对第一卡面区域进行图像角度判断，得到第一角度判断结果；
步骤S430，当第一角度判断结果为第一卡面区域满足预设方向状态，得到目标银行卡图像；
步骤S440，当第一角度判断结果为第一卡面区域不满足预设方向状态，根据预设方向状态对第一卡面区域进行图像方向调整，得到目标银行卡图像。
在一些实施例的步骤S410至步骤S440中，为了提高在移动端对银行卡识别的准确率，通过获取卡号区域与卡组织标志区域相对位置的先验知识，根据卡号区域与卡组织标志区域相对位置的先验知识对第一卡面区域进行图像角度判断，得到第一角度判断结果。具体地，由于第一卡面区域包括第一卡号区域和第一卡组织标志区域，则根据检测第一卡号区域中宽高比来得到第一角度判断结果。当第一角度判断结果为初始银行卡图像满足预设方向状态，得到目标银行卡图像。而当第一角度判断结果为第一卡面区域不满足预设方向状态，根据预设方向状态对第一卡面区域进行图像方向调整，例如，采用旋转矫正算法对初始银行卡图像对应的第一卡面区域进行图像方向调整，得到目标银行卡图像。本申请通过采用卡号区域与卡组织标志区域相对位置的先验知识，实现对第一卡面区域的图像方向判断功能，减少了额外模型的引入，提高了在移动端对银行卡识别的准确率。
需要说明的是，可将银行卡的正方向设置为预设方向状态，其中，正方向表示为按照当前的观察视角，当第一卡号区域位于第一卡组织标志区域的左上方，则当前的方向记为正方向。
需要说明的是，卡号区域与卡组织标志区域相对位置的先验知识用于表示根据银行卡中的卡面区域和卡组织标志区域，可以实现对银行卡图像中卡号区域的快速定位，即具体包括卡号区域与卡组织标志区域关于横向的先验知识和关于纵向的先验知识。具体地，根据卡号区域与卡组织标志区域相对位置的先验知识对第一卡面区域进行图像角度判断，得到第一角度判断结果。其中，第一角度判断结果包括不同的方向度数，该方向度数用于表示进行处理的第一卡面区域中图片的方向，例如，该方向度数可以包括0度、90度、180度、270度，当将0度表示为银行卡的正方向，则90度可以表示为按0度逆时针旋转90度得到的角度。
需要说明的是，根据检测第一卡号区域中宽高比来得到第一角度判断结果，具体为，根据卡号区域与卡组织标志区域关于横向的先验知识，当检测到第一卡号区域对应的宽高比为卡号框的宽大于或等于卡号框的高，则对应的第一卡面区域为0度或180度；根据卡号区域与卡组织标志区域关于纵向的先验知识，当检测到第一卡号区域对应的宽高比为卡号框的宽小于卡号框的高，则对应的第一卡面区域为90度或270度，根据预设方向状态对第一卡面区域进行图像方向调整，得到目标银行卡图像。
需要说明的是，当第一卡号校验结果为校验失败，引入Retry机制的移动端银行卡识别方法，则根据第二卡号区域和第二卡组织标志区域对第二卡面区域进行图像角度判断的方法，与上述实施例的第一卡面区域的图像角度判断方法和对应的图像方向调整采用的方法相同，在此不再赘述。
需要说明的是，在实际中，对不同的方向度数的设定和旋转的方向并不作具体限定，在此不再赘述。
请参阅图5，图5是本申请一些实施例的步骤S420的具体方法的流程图。在本申请的一些实施例中，步骤S420包括但不限于步骤S510和步骤S520，下面结合图5对这两个步骤进行详细介绍。
步骤S510，分别对第一卡号区域和第一卡组织标志区域进行中心点坐标计算，得到第一卡号区域对应的第一中心点坐标和第一卡组织标志区域对应的第二中心点坐标；
步骤S520，利用卡号区域与卡组织标志区域相对位置的先验知识，并根据第一中心点坐标和第二中心点坐标对第一卡面区域进行图像角度判断，得到第一角度判断结果。
在一些实施例的步骤S510和步骤S520中，为了实现对第一卡面区域的图像角度判断，将第一卡面区域的左上角的点设置为坐标原点，将沿着第一卡面区域边框的向右方向设置为坐标x轴的正方向，将沿着第一卡面区域边框的向下方向设置为坐标y轴的正方向。根据当前建立的二维坐标轴分别对第一卡号区域和第一卡组织标志区域进行中心点坐标计算，得到第一卡号区域对应的第一中心点坐标和第一卡组织标志区域对应的第二中心点坐标。利用卡号区域与卡组织标志区域相对位置的先验知识，并根据第一中心点坐标和第二中心点坐标对第一卡面区域进行图像角度判断，得到第一角度判断结果。具体地，分别得到第一卡号区域对应的第一中心点坐标(x1,y1)和第一卡组织标志区域对应的第二中心点坐标(x2,y2),当第二中心点坐标的x2大于或等于第一中心点坐标的x1，则表示当前的第一卡面区域为0度；当第二中心点坐标的x2小于第一中心点坐标的x1，则表示当前的第一卡面区域为180度。本申请通过采用卡号区域与卡组织标志区域相对位置的先验知识，实现对第一卡面区域的图像方向判断功能，减少了额外模型的引入，提高了在移动端对银行卡识别的准确率。
请参阅图6，图6是本申请一些实施例的目标检测模型的训练流程图。在本申请的一些实施例中，步骤S140包括但不限于步骤S610至步骤S640，下面结合图6对这四个步骤进行详细介绍。
步骤S610，构建训练样本集，训练样本集包括多个训练样本，每个训练样本包括样本图像和样本图像对应的样本卡面区域；
步骤S620，将每个样本图像输入到初始检测模型进行目标检测，得到目标卡面区域；
步骤S630，根据目标卡面区域和样本卡面区域确定损失值；
步骤S640，根据损失值对初始检测模型的模型参数进行调整，并基于训练样本集继续训练调整后的模型，直至损失值满足预设训练结束条件，得到目标检测模型。
在一些实施例的步骤S610至步骤S640中，为了提高对初始银行卡图像进行目标检测的准确率，构建训练样本集，训练样本集包括多个训练样本，每个训练样本包括样本图像和样本图像对应的样本卡面区域。将每个样本图像输入到初始检测模型进行目标检测，得到目标卡面区域。为了提高模型的检测准确率，根据目标卡面区域和样本卡面区域确定损失值，并根据损失值对初始检测模型的模型参数进行调整，并基于训练样本集继续训练调整后的模型，直至损失值满足预设训练结束条件，得到目标检测模型。
需要说明的是，样本图像为采集的包含有银行卡卡面区域的图像，样本卡面区域为样本图像中对应的银行卡的卡面区域。
需要说明的是，由于移动端中对模块和模型部署的限制，为了提高模型的检测准确率，本申请实施例所采用的目标检测模型可以基于SSD的网络结构进行构建，且可以采用Mobilenet_v3的轻量化网络结构作为SSD的骨干网，以提高目标检测模型的识别效率。需要说明的是，本申请实施例可以采用tflite框架对移动端进行识别部署，以满足移动端模型部署的限制。
请参阅图7，图7是本申请一些实施例的步骤S150的具体方法的流程图。在一些实施例中，文本识别模型包括卷积层、循环层和转录层，步骤S150具体包括但不限于步骤S710至步骤S740，下面结合图7对这四个步骤进行详细介绍。
步骤S710，将第一目标卡号图像输入至预训练的文本识别模型；
步骤S720，通过卷积层对第一目标卡号图像进行特征提取，得到卷积特征向量；
步骤S730，通过循环层对卷积特征向量进行标签预测，得到标签分布；
步骤S740，通过转录层对标签分布进行特征整合，得到第一卡号信息。
在一些实施例中，文本识别模型CRNN包括卷积层、循环层和转录层，提高了在移动端对银行卡识别的效率，将第一目标卡号图像输入至预训练的文本识别模型，具体地，通过卷积层对第一目标卡号图像进行特征提取，得到卷积特征向量，实现了对第一目标卡号图像的特征降维和计算量的减少。通过循环层对卷积特征向量进行标签预测，得到标签分布。并通过转录层对标签分布进行特征整合，得到第一卡号信息。本申请实施例的文本识别模型，缩小了文本识别模型的结构，提高了在移动端对银行卡识别的效率。
请参阅图8，图8是本申请一些实施例的步骤S160的具体方法的另一流程图。在一些实施例中，步骤S160具体包括但不限于步骤S810和步骤S820，下面结合图8对这两个步骤进行详细介绍。
步骤S810，获取卡号校验的先验知识；
步骤S820，根据卡号校验的先验知识和卡号校验算法对第一卡号信息进行卡号校验，得到目标银行卡号。
在一些实施例的步骤S810和步骤S820中，为了提高对银行卡识别的准确率，获取卡号校验的先验知识，该卡号校验的先验知识为根据银行卡号设置的规则总结得到的。根据卡号校验的先验知识和卡号校验算法对第一卡号信息进行卡号校验，得到目标银行卡号。
本申请实施例的一种银行卡识别方法，通过获取待识别的初始银行卡图像，利用预训练的目标检测模型对初始银行卡图像进行目标检测，得到第一卡面区域，第一卡面区域包括第一卡号区域和第一卡组织标志区域。为了减少多余模型的引入，以提高银行卡识别的效率，根据第一卡号区域和第一卡组织标志区域对第一卡面区域进行图像角度判断，得到满足预设方向状态的目标银行卡图像。为了提高对目标银行卡图像中卡号的识别效率，根据第一卡号区域对目标银行卡图像进行图像截取，得到第一目标卡号图像，并利用预训练的文本识别模型对第一目标卡号图像进行文本识别，得到第一卡号信息。利用卡号校验算法对第一卡号信息进行卡号校验，得到目标银行卡号，本申请能够提高移动端对银行卡识别的准确率。当第二卡号校验结果为校验正确，得到目标银行卡号。本申请通过引入Retry机制对第一卡号校验结果为校验失败的初始银行卡图像再次进行银行卡识别，提高在移动端对银行卡识别的准确率。本申请通过结合卡号区域与卡组织标志区域相对位置的先验知识，和卡号校验的先验知识，实现对第一卡面区域的图像方向判断功能，减少了额外模型的引入，实现了在移动端对银行卡的识别和识别效率的提高。
请参阅图9，本申请实施例还提供一种银行卡识别系统，可以实现上述一种银行卡识别方法，该系统包括图像获取模块910、目标检测模块920、图像角度判断模块930、图像截取模块940、文本识别模块950和卡号校验模块960。
图像获取模块910，用于获取待识别的初始银行卡图像；
目标检测模块920，用于利用预训练的目标检测模型对初始银行卡图像进行目标检测，得到第一卡面区域，第一卡面区域包括第一卡号区域和第一卡组织标志区域；
图像角度判断模块930，用于根据第一卡号区域和第一卡组织标志区域对第一卡面区域进行图像角度判断，得到满足预设方向状态的目标银行卡图像；
图像截取模块940，用于根据第一卡号区域对目标银行卡图像进行图像截取，得到第一目标卡号图像；
文本识别模块950，用于利用预训练的文本识别模型对第一目标卡号图像进行文本识别，得到第一卡号信息；
卡号校验模块960，用于利用卡号校验算法对第一卡号信息进行卡号校验，得到目标银行卡号。
需要说明的是，本申请实施例的一种银行卡识别系统用于实现上述一种银行卡识别方法，本申请实施例的一种银行卡识别系统与前述的一种银行卡识别方法相对应，具体的处理过程请参照前述的一种银行卡识别方法，在此不再赘述。
本申请实施例还提供了一种电子设备，该电子设备包括：至少一个存储器，至少一个处理器，至少一个计算机程序，至少一个计算机程序被存储在至少一个存储器中，至少一个处理器执行至少一个计算机程序以实现上述实施例中任一种的银行卡识别方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图10，图10示意了另一实施例的电子设备的硬件结构，该电子设备包括：
处理器1010，可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器1020，可以采用只读存储器(Read Only Memory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行本申请实施例的一种银行卡识别方法；
输入/输出接口1030，用于实现信息输入及输出；
通信接口1040，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线1050，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息；
其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，该存储介质为计算机可读存储介质，该计算机可读存储介质存储有计算机程序，计算机程序用于使计算机执行上述实施例中任一种的一种银行卡识别方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1至7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，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。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，上述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。
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。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，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的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(Read Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参阅附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种银行卡识别方法，其特征在于，所述方法包括：
获取待识别的初始银行卡图像；
利用预训练的目标检测模型对所述初始银行卡图像进行目标检测，得到第一卡面区域，所述第一卡面区域包括第一卡号区域和第一卡组织标志区域；
根据所述第一卡号区域和所述第一卡组织标志区域对所述第一卡面区域进行图像角度判断，得到满足预设方向状态的目标银行卡图像；
根据所述第一卡号区域对所述目标银行卡图像进行图像截取，得到第一目标卡号图像；
利用预训练的文本识别模型对所述第一目标卡号图像进行文本识别，得到第一卡号信息；
利用卡号校验算法对所述第一卡号信息进行卡号校验，得到目标银行卡号。
2.根据权利要求1所述的银行卡识别方法，其特征在于，所述利用卡号校验算法对所述第一卡号信息进行卡号校验，得到目标银行卡号，包括：
利用卡号校验算法对所述第一卡号信息进行卡号校验，得到第一卡号校验结果；
当所述第一卡号校验结果为校验成功，得到目标银行卡号；
当所述第一卡号校验结果为校验失败，对所述初始银行卡图像进行背景去除处理，得到候选银行卡图像；
利用所述目标检测模型对所述候选银行卡图像进行目标检测，得到第二卡面区域，所述第二卡面区域包括第二卡号区域和第二卡组织标志区域；
根据所述第二卡号区域和所述第二卡组织标志区域对所述第二卡面区域进行图像角度判断，并根据所述图像角度判断的结果得到满足所述预设方向状态的第二目标银行卡图像；
根据所述第二卡号区域对所述第二目标银行卡图像进行图像截取，得到第二目标卡号图像；
利用所述文本识别模型对所述第二目标卡号图像进行文本识别，得到第二卡号信息；
利用所述卡号校验算法对所述第二卡号信息进行卡号校验，得到第二卡号校验结果；
当所述第二卡号校验结果为校验正确，得到所述目标银行卡号。
3.根据权利要求1所述的银行卡识别方法，其特征在于，所述根据所述第一卡号区域和所述第一卡组织标志区域对所述第一卡面区域进行图像角度判断，得到满足预设方向状态的目标银行卡图像，包括：
获取卡号区域与卡组织标志区域相对位置的先验知识；
根据所述卡号区域与卡组织标志区域相对位置的先验知识对所述第一卡面区域进行图像角度判断，得到第一角度判断结果；
当所述第一角度判断结果为所述第一卡面区域满足预设方向状态，得到目标银行卡图像；
当所述第一角度判断结果为所述第一卡面区域不满足所述预设方向状态，根据所述预设方向状态对所述第一卡面区域进行图像方向调整，得到所述目标银行卡图像。
4.根据权利要求3所述的银行卡识别方法，其特征在于，所述根据所述卡号区域与卡组织标志区域相对位置的先验知识对所述第一卡面区域进行图像角度判断，得到第一角度判断结果，包括：
分别对所述第一卡号区域和所述第一卡组织标志区域进行中心点坐标计算，得到所述第一卡号区域对应的第一中心点坐标和所述第一卡组织标志区域对应的第二中心点坐标；
利用所述卡号区域与卡组织标志区域相对位置的先验知识，并根据所述第一中心点坐标和所述第二中心点坐标对所述第一卡面区域进行图像角度判断，得到第一角度判断结果。
5.根据权利要求1至4任一项所述的银行卡识别方法，其特征在于，所述目标检测模型通过如下方法训练：
构建训练样本集，所述训练样本集包括多个训练样本，每个训练样本包括样本图像和所述样本图像对应的样本卡面区域；
将每个所述样本图像输入到初始检测模型进行目标检测，得到目标卡面区域；
根据所述目标卡面区域和所述样本卡面区域确定损失值；
根据所述损失值对所述初始检测模型的模型参数进行调整，并基于所述训练样本集继续训练调整后的模型，直至所述损失值满足预设训练结束条件，得到目标检测模型。
6.根据权利要求1至4任一项所述的银行卡识别方法，其特征在于，所述文本识别模型包括卷积层、循环层和转录层，所述利用预训练的文本识别模型对所述第一目标卡号图像进行文本识别，得到第一卡号信息，包括：
将所述第一目标卡号图像输入至预训练的文本识别模型；
通过所述卷积层对所述第一目标卡号图像进行特征提取，得到卷积特征向量；
通过所述循环层对所述卷积特征向量进行标签预测，得到标签分布；
通过所述转录层对所述标签分布进行特征整合，得到第一卡号信息。
7.根据权利要求1至4任一项所述的银行卡识别方法，其特征在于，所述利用卡号校验算法对所述第一卡号信息进行卡号校验，得到目标银行卡号，包括：
获取卡号校验的先验知识；
根据所述卡号校验的先验知识和卡号校验算法对所述第一卡号信息进行卡号校验，得到目标银行卡号。
8.一种银行卡识别系统，其特征在于，所述系统包括：
图像获取模块，用于获取待识别的初始银行卡图像；
目标检测模块，用于利用预训练的目标检测模型对所述初始银行卡图像进行目标检测，得到第一卡面区域，所述第一卡面区域包括第一卡号区域和第一卡组织标志区域；
图像角度判断模块，用于根据所述第一卡号区域和所述第一卡组织标志区域对所述第一卡面区域进行图像角度判断，得到满足预设方向状态的目标银行卡图像；
图像截取模块，用于根据所述第一卡号区域对所述目标银行卡图像进行图像截取，得到第一目标卡号图像；
文本识别模块，用于利用预训练的文本识别模型对所述第一目标卡号图像进行文本识别，得到第一卡号信息；
卡号校验模块，用于利用卡号校验算法对所述第一卡号信息进行卡号校验，得到目标银行卡号。
9.一种电子设备，其特征在于，包括：
至少一个存储器；
至少一个处理器；
至少一个计算机程序；
所述至少一个计算机程序被存储在所述至少一个存储器中，所述至少一个处理器执行所述至少一个计算机程序以实现：
如权利要求1至7任一项所述的一种银行卡识别方法。
10.一种存储介质，所述存储介质为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存储有计算机程序，所述计算机程序用于使计算机执行：
如权利要求1至7中任一项所述的一种银行卡识别方法。
CN202210582858.8A 2022-05-26 2022-05-26 一种银行卡识别方法、识别系统、电子设备及存储介质 Pending CN114898350A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210582858.8A CN114898350A (zh) 2022-05-26 2022-05-26 一种银行卡识别方法、识别系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210582858.8A CN114898350A (zh) 2022-05-26 2022-05-26 一种银行卡识别方法、识别系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114898350A true CN114898350A (zh) 2022-08-12

Family

ID=82727046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210582858.8A Pending CN114898350A (zh) 2022-05-26 2022-05-26 一种银行卡识别方法、识别系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114898350A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116363663A (zh) * 2023-04-03 2023-06-30 北京百度网讯科技有限公司 图像处理方法、图像识别方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116363663A (zh) * 2023-04-03 2023-06-30 北京百度网讯科技有限公司 图像处理方法、图像识别方法及装置

Similar Documents

Publication Publication Date Title
US10936911B2 (en) Logo detection
US11244435B2 (en) Method and apparatus for generating vehicle damage information
WO2021203863A1 (zh) 基于人工智能的物体检测方法、装置、设备及存储介质
CN108875522B (zh) 人脸聚类方法、装置和系统及存储介质
CN108427927B (zh) 目标再识别方法和装置、电子设备、程序和存储介质
US11270099B2 (en) Method and apparatus for generating facial feature
CN110853033B (zh) 基于帧间相似度的视频检测方法和装置
US9811760B2 (en) Online per-feature descriptor customization
CN112329888A (zh) 图像处理方法、装置、电子设备以及存储介质
CN111428805B (zh) 显著性物体的检测方法、模型、存储介质及电子设备
CN111914775B (zh) 活体检测方法、装置、电子设备及存储介质
CN111222548A (zh) 相似图像检测方法、装置、设备及存储介质
CN111046971A (zh) 图像识别方法、装置、设备及计算机可读存储介质
CN109345460B (zh) 用于矫正图像的方法和装置
CN114519877A (zh) 人脸识别方法、人脸识别装置、计算机设备及存储介质
CN112052702A (zh) 一种识别二维码的方法和装置
CN111738403A (zh) 一种神经网络的优化方法及相关设备
CN114898350A (zh) 一种银行卡识别方法、识别系统、电子设备及存储介质
CN109829431B (zh) 用于生成信息的方法和装置
JP6460926B2 (ja) 撮影画像に写る物体を検索するシステム及び方法
CN114120454A (zh) 活体检测模型的训练方法、装置、电子设备及存储介质
CN114332809A (zh) 一种图像识别方法、装置、电子设备和存储介质
CN112569591A (zh) 一种数据处理方法、装置、设备及可读存储介质
CN116704581A (zh) 人脸识别方法、装置、设备及存储介质
CN111339973A (zh) 一种对象识别方法、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