CN118351546A - 印章图像比对方法、装置、设备、介质和程序产品 - Google Patents
印章图像比对方法、装置、设备、介质和程序产品 Download PDFInfo
- Publication number
- CN118351546A CN118351546A CN202410453005.3A CN202410453005A CN118351546A CN 118351546 A CN118351546 A CN 118351546A CN 202410453005 A CN202410453005 A CN 202410453005A CN 118351546 A CN118351546 A CN 118351546A
- Authority
- CN
- China
- Prior art keywords
- seal
- image
- compared
- code value
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 101
- 238000012549 training Methods 0.000 claims description 113
- 239000013598 vector Substances 0.000 claims description 43
- 238000012795 verification Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000011426 transformation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Abstract
本公开提供了一种印章图像比对方法、装置、设备、介质和程序产品,可以应用于图像处理领域和金融科技领域。该方法包括:响应于比对指令,获取待比对印章图像;对待比对印章图像进行形状识别,得到识别结果,其中,识别结果表征待比对印章图像中待比对印章的形状;基于识别结果,利用印章识别模型处理待比对印章图像,得到印章码值;在印章码值与数据库中预存的校验码值一致的情况下,对待比对印章图像和校验图像进行图像比对处理,得到图像比对结果;根据图像比对结果确定待比对印章图像中的待比对印章与校验图像中校验印章是否相同。
Description
技术领域
本公开涉及图像处理领域和金融科技领域,更具体地涉及一种印章图像比对方法、装置、设备、介质和程序产品。
背景技术
对公客户在银行的预留印章,是其在办理各类银行业务时进行身份认证的主要手段。公章上除了刻印公司名称外常常还有一串含数字或字母的防伪码,即小码印章。客户在预留小码印章时会设置验印规则,用于区分是否验小码,因此小码印章在验印时,需要根据客户的验印规则分开验印章和小码。
相关技术中,小码印章在验印时,存在识别准确低的问题,其中,扫描得到的小码印章模糊不清或是小码印章的规格差异过大,造成该小码印章无法识别或产生误差识别的问题。
发明内容
鉴于上述问题,本公开提供了一种印章图像比对方法、装置、设备、介质和程序产品。
根据本公开的第一个方面,提供了一种印章图像比对方法,包括:响应于比对指令,获取待比对印章图像;对待比对印章图像进行形状识别,得到识别结果,其中,识别结果表征待比对印章图像中待比对印章的形状;基于识别结果,利用印章识别模型处理待比对印章图像,得到印章码值;在印章码值与数据库中预存的校验码值一致的情况下,对待比对印章图像和校验图像进行图像比对处理,得到图像比对结果;根据图像比对结果确定待比对印章图像中的待比对印章与校验图像中校验印章是否相同。
根据本公开的实施例,印章识别模型通过如下方式进行训练:获取训练样本集,其中,训练样本集包括多个训练印章图像和与每个训练印章图像对应的训练码值标签;利用多个训练印章图像和多个训练码值标签训练全连接神经网络,得到经训练的第一印章码值识别模型;利用多个训练印章图像训练自监督学习模型,得到经训练的第二印章码值识别模型,其中,印章识别模型包括第一印章码值识别模型和第二印章码值识别模型。
根据本公开的实施例,基于识别结果,利用印章识别模型处理待比对印章图像,得到印章码值,包括:在识别结果显示待比对印章的形状为第一目标形状的情况下,利用第一印章码值识别模型处理待比对印章图像,得到印章码值;在识别结果显示待比对印章的形状为第二目标形状的情况下,利用第二印章码值识别模型处理待比对印章图像,得到印章码值。
根据本公开的实施例,利用多个训练印章图像和多个训练码值标签训练全连接神经网络,得到经训练的第一印章码值识别模型,包括:对多个训练印章图像进行预处理,得到多个预处理图像;针对每个预处理图像,利用动态差分提取算法处理预处理图像,得到多个目标图像特征;基于预设激活函数,利用全连接神经网络处理多个目标图像特征,得到第一预测印章码值;根据第一预测印章码值和与第一预测印章码值对应的训练码值标签,迭代地调整全连接神经网络,得到经训练的第一印章码值识别模型。
根据本公开的实施例,利用多个训练印章图像训练自监督学习模型,得到经训练的第二印章码值识别模型,包括:针对每个训练印章图像,对训练印章图像进行线性投影,得到投影向量;对投影向量进行位置编码处理,得到编码向量;基于掩码比例对编码向量进行随机置换,得到置换向量;基于预设置换规则对置换向量进行反置换处理,得到向量序列;对向量序列进行解码处理,得到第二预测印章码值;根据第二预测印章码值迭代地调整自监督学习模型,得到第二印章码值识别模型。
根据本公开的实施例,对待比对印章图像和校验图像进行图像比对处理,得到图像比对结果,包括:分别对待比对印章图像和校验图像进行滤波处理,得到滤波后的待比对印章图像和滤波后的校验图像;基于尺度不变特征变换方法分别对滤波后的待比对印章图像和滤波后的校验图像进行处理,得到待比对印章特征和校验特征;根据待比对印章特征和校验特征,生成特征相似度,其中,特征相似度表征图像比对结果。
根据本公开的实施例,根据图像比对结果确定待比对印章图像中的待比对印章与校验图像中校验印章是否相同,包括:在特征相似度满足预设相似度阈值的情况下,生成比对通过结果,其中,比对通过结果表征待比对印章与校验印章相同;在特征相似度不满足预设相似度阈值的情况下,生成比对失败结果,其中,比对失败结果表征待比对印章与校验印章不同。
本公开的第二方面提供了一种印章图像比对装置,包括:获取模块,用于响应于比对指令,获取待比对印章图像;识别模块,用于对待比对印章图像进行形状识别,得到识别结果,其中,识别结果表征待比对印章图像中待比对印章的形状;第一处理模块,用于基于识别结果,利用印章识别模型处理待比对印章图像,得到印章码值;第二处理模块,用于在印章码值与数据库中预存的校验码值一致的情况下,对待比对印章图像和校验图像进行图像比对处理,得到图像比对结果;以及确定模块,用于根据图像比对结果确定待比对印章图像中的待比对印章与校验图像中校验印章是否相同。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述印章图像比对方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述印章图像比对方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述印章图像比对方法。
根据本公开的实施例,通过对待比对印章图像进行形状识别得到的识别结果确定待比对印章图像中待比对印章的形状,由此针对不同的形状利用印章识别模型处理待比对印章图像,得到印章码值,将其与数据库中预存的校验码值进行第一次校验,此后在印章码值校验通过之后对待比对印章图像和校验图像进行图像比对处理,以此确定待比对印章图像中的待比对印章与校验图像中校验印章是否相同。克服了由于扫描得到的小码印章模糊不清或是小码印章的规格差异过大,造成的小码印章识别的准确率低,需要人为进行识别,进而导致业务服务效率低的问题。实现了提高了小码印章的验印准确度,减轻了人工验印成本,提高了业务完成效率的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的印章图像比对方法、装置、设备、介质和程序产品的应用场景图;
图2示意性示出了根据本公开实施例的印章图像比对方法的流程图;
图3示意性示出了根据本公开实施例的第二印章码值识别模型的训练示意图;
图4示意性示出了根据本公开实施例的图像比对处理的示意图;
图5示意性示出了根据本公开实施例的印章图像比对方法的示意图;
图6示意性示出了根据本公开实施例的印章图像比对装置的结构框图;以及
图7示意性示出了根据本公开实施例的适于实现印章图像比对方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
相关技术中,不同规格的小码印章存在字体过大或过小的情况,或存在小码数量超过18位的情况,导致对小码印章图像的识别不精准的问题。
有鉴于此,本公开的实施例提供了一种印章图像比对方法,包括:响应于比对指令,获取待比对印章图像;对待比对印章图像进行形状识别,得到识别结果,其中,识别结果表征待比对印章图像中待比对印章的形状;基于识别结果,利用印章识别模型处理待比对印章图像,得到印章码值;在印章码值与数据库中预存的校验码值一致的情况下,对待比对印章图像和校验图像进行图像比对处理,得到图像比对结果;根据图像比对结果确定待比对印章图像中的待比对印章与校验图像中校验印章是否相同。
在本公开的技术方案中,所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息,例如位置信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理,均遵守相关法律法规和标准,采取了必要保密措施,不违背公序良俗,并提供有相应的操作入口,供用户选择授权或者拒绝。
在利用个人信息进行自动化决策的场景下,本公开实施例提供的方法、设备和系统均为用户提供相应的操作入口,供用户选择同意或者拒绝自动化决策结果;若用户选择拒绝,则进入专家决策流程。此处的表述“自动化决策”是指通过计算机程序自动分析、评估个人的行为习惯、兴趣爱好或者经济、健康、信用状况等,并进行决策的活动。此处的表述“专家决策”是指专门从事某一领域的工作、具有专门的经验、知识和技能并达到一定的专业水平的人员进行决策的活动。
图1示意性示出了根据本公开实施例的印章图像比对方法、装置、设备、介质和程序产品的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、终端设备102、终端设备103、网络104和服务器105。网络104用以在终端设备101、终端设备102、终端设备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、终端设备102、终端设备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、终端设备102、终端设备103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、终端设备102、终端设备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、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,例如对用户利用终端设备101、终端设备102、终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的印章图像比对方法一般可以由服务器105执行。相应地,本公开实施例所提供的印章图像比对装置一般可以设置于服务器105中。本公开实施例所提供的印章图像比对方法也可以由不同于服务器105且能够与终端设备101、终端设备102、终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的印章图像比对装置也可以设置于不同于服务器105且能够与终端设备101、终端设备102、终端设备103和/或服务器105通信的服务器或服务器集群中。
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。
以下将基于图1描述的场景,通过图2~图5对公开实施例的印章图像比对方法方法进行详细描述。
图2示意性示出了根据本公开实施例的印章图像比对方法的流程图。
如图2所示,该实施例的印章图像比对方法包括操作S210~操作S250。
在操作S210,响应于比对指令,获取待比对印章图像。
根据本公开的实施例,比对指令可以是进行身份认证的指令。
根据本公开的实施例,待比对印章图像可以是办理业务时,进行身份认证提供的印章图像。
根据本公开的实施例,在工作人员处理业务时,对于该业务相关的小码印章进行验印时,生成比对指令,基于该比对指令获取用于识别该用户身份信息的待比对印章图像。
在操作S220,对待比对印章图像进行形状识别,得到识别结果,其中,识别结果表征待比对印章图像中待比对印章的形状。
根据本公开的实施例,待比对印章的形状可以包括多种,例如,待比对印章的形状可以是圆形、椭圆形和多边形等。
根据本公开的实施例,通过对待比对印章图像中待比对印章的边缘进行边缘提取处理,确定该待比对印章的形状。
在操作S230,基于识别结果,利用印章识别模型处理待比对印章图像,得到印章码值。
根据本公开的实施例,印章识别模型可以包括多个,用于识别不同形状的待比对印章。
根据本公开的实施例,基于待比对印章图像的识别结果,确定适用于待比对印章图像中待比对印章的形状的印章识别模型。
根据本公开的实施例,印章码值可以是一串包含数字或字母的防伪码。
根据本公开的实施例,利用印章识别模型处理待比对印章图像,以提取出待比对印章图像中的防伪码,即印章码值。
在操作S240,在印章码值与数据库中预存的校验码值一致的情况下,对待比对印章图像和校验图像进行图像比对处理,得到图像比对结果。
根据本公开的实施例,校验码值可以是用户在业务系统的数据库中预留的防伪码。
根据本公开的实施例,在确定印章码值与校验码值相同后,再进行下一步比对。其中,若印章码值与校验码值不相同,则直接输出比对失败结果。
根据本公开的实施例,对待比对印章图像和校验图像进行图像之间的相似度判断,将该相似度判断结果作为图像比对结果。
在操作S250,根据图像比对结果确定待比对印章图像中的待比对印章与校验图像中校验印章是否相同。
根据本公开的实施例,根据对待比对印章图像和校验图像之间的相似度,确定待比对印章与校验印章是否可以判断为同一印章。
根据本公开的实施例,通过对待比对印章图像进行形状识别得到的识别结果确定待比对印章图像中待比对印章的形状,由此针对不同的形状利用印章识别模型处理待比对印章图像,得到印章码值,将其与数据库中预存的校验码值进行第一次校验,此后在印章码值校验通过之后对待比对印章图像和校验图像进行图像比对处理,以此确定待比对印章图像中的待比对印章与校验图像中校验印章是否相同。克服了由于扫描得到的小码印章模糊不清或是小码印章的规格差异过大,造成的小码印章识别的准确率低,需要人为进行识别,进而导致业务服务效率低的问题。实现了提高了小码印章的验印准确度,减轻了人工验印成本,提高了业务完成效率的技术效果。
根据本公开的实施例,印章识别模型通过如下方式进行训练:获取训练样本集,其中,训练样本集包括多个训练印章图像和与每个训练印章图像对应的训练码值标签;利用多个训练印章图像和多个训练码值标签训练全连接神经网络,得到经训练的第一印章码值识别模型;利用多个训练印章图像训练自监督学习模型,得到经训练的第二印章码值识别模型,其中,印章识别模型包括第一印章码值识别模型和第二印章码值识别模型。
根据本公开的实施例,训练印章图像可以是清晰的多个印章图像,其中,该印章图像可以是多种形状的印章图像。
根据本公开的实施例,训练码值标签可以是训练印章图像的防伪码。
根据本公开的实施例,全连接神经网络是一种基本的神经网络结构,该全连接神经网络可以是全卷积网络(Fully Convolutional Neural Network,FCNN),主要由卷积层和转置卷积层组成,其中,卷积层通常用于提取特征,而转置卷积层用于将提取的特征映射回输入图像。
根据本公开的实施例,利用多个训练印章图像和多个训练码值标签对全卷积网络进行有监督训练,从而得到第一印章码值识别模型。
根据本公开的实施例,上述得到的第一印章码值识别模型可以用于对多边形形状印章(例如三角形章和方形章)对应的待比对印章图像进行识别。
根据本公开的实施例,利用多个训练印章图像训练自监督学习模型,无需对训练印章图像的防伪码进行人工标注,得到第二印章码值识别模型。
根据本公开的实施例,上述得到的第二印章码值识别模型可以是用于对圆形印章或椭圆形印章对应的待比对印章图像进行识别。
根据本公开的实施例,第一印章码值识别模型和第二印章码值识别模型在训练过程中可以设置不同的可信度参数,其中该可信度参数的初始参数值可以是1:1,在后续的迭代中根据每次迭代时生成的训练结果对该初始参数值进行调整,从而得到最终的目标参数值。
根据本公开的实施例,上述确定的目标参数值可以表征印章识别模型针对于不同形状待识别印章的识别精度。
根据本公开的实施例,基于识别结果,利用印章识别模型处理待比对印章图像,得到印章码值,包括:在识别结果显示待比对印章的形状为第一目标形状的情况下,利用第一印章码值识别模型处理待比对印章图像,得到印章码值;在识别结果显示待比对印章的形状为第二目标形状的情况下,利用第二印章码值识别模型处理待比对印章图像,得到印章码值。
根据本公开的实施例,第一目标形状可以是多边形形状,例如三角形、四边形等。
根据本公开的实施例,在确定待比对印章的形状为多边形形状时,调用第一印章码值识别模型,对该待比对印章对应的待比对印章图像进行处理,得到该待比对印章图像的印章码值。
根据本公开的实施例,第二目标形状可以是圆形和椭圆形等。
根据本公开的实施例,在确定待比对印章的形状为圆形或椭圆形时,调用第二印章码值识别模型,对该待比对印章对应的待比对印章图像进行处理,得到该待比对印章图像的印章码值。
根据本公开的实施例,利用印章识别模型处理待比对印章图像,避免了人力资源的浪费,提高印章码值的识别准确度,进一步提高了业务处理效率。
根据本公开的实施例,利用多个训练印章图像和多个训练码值标签训练全连接神经网络,得到经训练的第一印章码值识别模型,包括:对多个训练印章图像进行预处理,得到多个预处理图像;针对每个预处理图像,利用动态差分提取算法处理预处理图像,得到多个目标图像特征;基于预设激活函数,利用全连接神经网络处理多个目标图像特征,得到第一预测印章码值;根据第一预测印章码值和与第一预测印章码值对应的训练码值标签,迭代地调整全连接神经网络,得到经训练的第一印章码值识别模型。
根据本公开的实施例,预处理可以是归一化处理和降维处理。
根据本公开的实施例,该归一化处理可以是对训练印章图像的像素进行最大最小值归一化,即将训练印章图像的像素等比缩放至预设区间范围内,例如,训练印章图像的像素介于0和255之间,对训练印章图像进行归一化处理后,将该训练印章图像的像素限制在0和1之间。
根据本公开的实施例,预处理还可以是边缘提取处理,通过采集训练印章图像的边缘轮廓,剔除该训练印章图像中的背景部分。
根据本公开的实施例,对多个训练印章图像进行归一化处理,将像素更新后的训练印章图像进行降维处理,再进行背景剔除处理得到预处理图像。
根据本公开的实施例,动态差分提取算法可以是一种基于线性预测(LinearPrediction COding,LPC)动态差分参数的提取算法。跟据降维后的预处理图像,按照方差比例在预处理图像的多个特征中选取出n个特征,即,从多个特征中优先选择方差比例大的特征,并将该特征作为目标图像特征。
根据本公开的实施例,预设激活函数可以是线性整流函数(Rectified LinearUnit,ReLu)和分段线性函数(maxout)。
根据本公开的实施例,利用n层FCNN神经网络处理上述得到的n个目标图像特征,为了适应交接场景快速执行的要求,前n-1层使用ReLU激活函数,学习率为0.01,第n层使用maxout函数。
根据本公开的实施例,上述特征在基于ReLU激活和maxout函数,利用n层FCNN神经网络处理后,得到第一预测印章码值。
根据本公开的实施例,利用获得的第一预测印章码值和与第一预测印章码值对应的训练码值标签,对该FCNN神经网络进行迭代处理,经过多次训练后,得到第一印章码值识别模型。
根据本公开的实施例,FCNN神经网络可以接受任意尺寸的训练印章图像,自动学习特征,并且可以学习到多个层次的特征,其中,较浅的卷积层感知域较小,学习到一些局部区域的特征,较深的卷积层具有较大的感知域,能够学习到更加抽象一些的特征,这些特征对训练印章图像的大小等属性的敏感性更低,使得识别精度更高。
根据本公开的实施例,利用多个训练印章图像训练自监督学习模型,得到经训练的第二印章码值识别模型,包括:针对每个训练印章图像,对训练印章图像进行线性投影,得到投影向量;对投影向量进行位置编码处理,得到编码向量;基于掩码比例对编码向量进行随机置换,得到置换向量;基于预设置换规则对置换向量进行反置换处理,得到向量序列;对向量序列进行解码处理,得到第二预测印章码值;根据第二预测印章码值迭代地调整自监督学习模型,得到第二印章码值识别模型。
根据本公开的实施例,针对每个训练印章图像,通过线性投影(LinearProjection),将训练印章图像的高维数据映射到一个低维空间中,以得到投影向量。
根据本公开的实施例,对上述得到的投影向量进行位置编码处理,得到可以是识别训练印章图像信息的编码向量。
根据本公开的实施例,基于掩码比例对得到的编码向量进行随机置换,移除部分训练印章图像信息的编码向量,得到置换向量。
根据本公开的实施例,将得到的置换向量输入至编码器Encoder中,在与置换向量对应的编码块中插入掩码块,进行反置换处理,得到全序列,即向量序列。
根据本公开的实施例,将上述向量序列输入到解码器Decoder中,进行解码处理,得到第二预测印章码值。
根据本公开的实施例,利用基于自监督学习模型(masked autoencoders,MAE)得到的第二预测印章码值,对该自监督学习模型进行迭代处理,经过多次训练后得到第二印章码值识别模型。
图3示意性示出了根据本公开实施例的第二印章码值识别模型的训练示意图。
如图3所示,将不同的训练印章图像作为训练样本301,并输入至自监督学习模型302中,自监督学习模型302对训练样本进行编码处理,再根据掩码比例进行随即置换和反置换操作。将经过上述处理得到的向量序列输入至解码器Decoder303中,进行解码分析,以输出第二预测印章码值304。利用得到的第二预测印章码值304和训练样本301对自监督学习模型302进行迭代训练,经过多次训练后得到第二印章码值识别模型。
根据本公开的实施例,对待比对印章图像和校验图像进行图像比对处理,得到图像比对结果,包括:分别对待比对印章图像和校验图像进行滤波处理,得到滤波后的待比对印章图像和滤波后的校验图像;基于尺度不变特征变换方法分别对滤波后的待比对印章图像和滤波后的校验图像进行处理,得到待比对印章特征和校验特征;根据待比对印章特征和校验特征,生成特征相似度,其中,特征相似度表征图像比对结果。
根据本公开的实施例,滤波处理可以是通过均值滤波、中值滤波、高斯滤波等滤波技术,对待比对印章图像和校验图像进行降噪处理。
根据本公开的实施例,尺度不变特征变换方法(Scale Invariant FeatureTransform,SIFT)可以是针对不同拍摄环境和角度下的待比对印章图像和校验图像,提取不会因光照,仿射变换和噪声等因素而变换的特征点。
根据本公开的实施例,针对于降噪处理后的待比对印章图像和校验图像,利用SIFT方法分别提取其图像中不受外界因素影响的特征点,分别作为待比对印章特征和校验特征。
根据本公开的实施例,对于上述得到的待比对印章特征和校验特征,通过余弦相似度等相似度计算方法,确定待比对印章特征和校验特征之间的相似距离,即图像比对结果。
图4示意性示出了根据本公开实施例的图像比对处理的示意图。
如图4所示,在操作S401,判断印章码值与数据库中预存的校验码值是否一致,若不一致,则直接执行操作S405输出图像对比结果,若一致,则执行操作S402。在操作S402,对与印章码值对应的对待比对印章图像和校验图像进行图像预处理,去除图像噪点。经过预处理的图像执行操作S403,利用SIFT方法分别提取对待比对印章图像和校验图像的特征点。执行操作S404,对上述得到的待比对印章图像和校验图像的特征点进行特征比对,得到特征相似度,根据该特征相似度执行操作S405,输出图像对比结果。
根据本公开的实施例,通过使用SIFT方法提取图像特征,能够对于在不同尺度下的待比对印章图像和校验图像具有较好的适应性,并且对于待比对印章图像和校验图像的旋转变化具有较好的不变性,以提高待比对印章图像和校验图像之间的特征相似度的可靠性。
根据本公开的实施例,根据图像比对结果确定待比对印章图像中的待比对印章与校验图像中校验印章是否相同,包括:在特征相似度满足预设相似度阈值的情况下,生成比对通过结果,其中,比对通过结果表征待比对印章与校验印章相同;在特征相似度不满足预设相似度阈值的情况下,生成比对失败结果,其中,比对失败结果表征待比对印章与校验印章不同。
根据本公开的实施例,预设相似度阈值可以是待比对印章特征和校验特征之间的相似距离阈值。
根据本公开的实施例,预设相似度阈值可以设置为0.8,若待比对印章特征和校验特征之间的特征相似度为0.9,即大于或等于0.8时,判断为满足预设相似度阈值,生成待比对印章与校验印章相同的比对通过结果。若待比对印章特征和校验特征之间的特征相似度为0.5,即小于0.8,判断为不满足预设相似度阈值,生成待比对印章与校验印章相同的比对失败结果。
图5示意性示出了根据本公开实施例的印章图像比对方法的示意图。
如图5所示,响应于印章图像比对操作,执行操作S501,获取待比对印章图像。若该待比对印章图像的形状为多边形,则执行操作S502,输入至第一印章码值识别模型,若该待比对印章图像的形状为圆形或椭圆形,则执行操作S503,输入至第二印章码值识别模型。在操作S504,输出利用印章识别模型得到的印章码值。执行操作S505,对印章码值与校验码值进行判断,若不一致,则直接执行操作S507,输出比对失败结果,若一致,则执行操作S506。在操作S506中,对待比对印章图像和校验图像进行比对,计算待比对印章图像和校验图像之间的特征相似度。在获取到特征相似度后执行操作S508,判断该特征相似度是否满足预设相似度阈值,若满足,则执行操作S509,输出比对通过结果,若不一致,则执行操作S507,输出比对失败结果。
基于上述印章图像比对方法,本公开还提供了一种印章图像比对装置。以下将结合图6对该装置进行详细描述。
图6示意性示出了根据本公开实施例的印章图像比对装置的结构框图。
如图6所示,该实施例的印章图像比对装置600包括获取模块610、识别模块620、第一处理模块630、第二处理模块640和确定模块650。
获取模块610,用于响应于比对指令,获取待比对印章图像。在一实施例中,获取模块610可以用于执行前文描述的操作S210,在此不再赘述。
识别模块620,用于对待比对印章图像进行形状识别,得到识别结果,其中,识别结果表征待比对印章图像中待比对印章的形状。在一实施例中,识别模块620可以用于执行前文描述的操作S220,在此不再赘述。
第一处理模块630,用于基于识别结果,利用印章识别模型处理待比对印章图像,得到印章码值。在一实施例中,第一处理模块630可以用于执行前文描述的操作S230,在此不再赘述。
第二处理模块640,用于在印章码值与数据库中预存的校验码值一致的情况下,对待比对印章图像和校验图像进行图像比对处理,得到图像比对结果。在一实施例中,第二处理模块640可以用于执行前文描述的操作S240,在此不再赘述。
确定模块650,用于根据图像比对结果确定待比对印章图像中的待比对印章与校验图像中校验印章是否相同。在一实施例中,确定模块650可以用于执行前文描述的操作S250,在此不再赘述。
根据本公开的实施例,通过对待比对印章图像进行形状识别得到的识别结果确定待比对印章图像中待比对印章的形状,由此针对不同的形状利用印章识别模型处理待比对印章图像,得到印章码值,将其与数据库中预存的校验码值进行第一次校验,此后在印章码值校验通过之后对待比对印章图像和校验图像进行图像比对处理,以此确定待比对印章图像中的待比对印章与校验图像中校验印章是否相同。克服了由于扫描得到的小码印章模糊不清或是小码印章的规格差异过大,造成的小码印章识别的准确率低,需要人为进行识别,进而导致业务服务效率低的问题。实现了提高了小码印章的验印准确度,减轻了人工验印成本,提高了业务完成效率的技术效果。
根据本公开的实施例,获取模块610、识别模块620、第一处理模块630、第二处理模块640和确定模块650中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块610、识别模块620、第一处理模块630、第二处理模块640和确定模块650中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块610、识别模块620、第一处理模块630、第二处理模块640和确定模块650中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
根据本公开的实施例,第一处理模块630包括获取子模块、第一训练子模块和第二训练子模块。
获取子模块,用于获取训练样本集,其中,训练样本集包括多个训练印章图像和与每个训练印章图像对应的训练码值标签。
第一训练子模块,用于利用多个训练印章图像和多个训练码值标签训练全连接神经网络,得到经训练的第一印章码值识别模型。
第二训练子模块,用于利用多个训练印章图像训练自监督学习模型,得到经训练的第二印章码值识别模型,其中,印章识别模型包括第一印章码值识别模型和第二印章码值识别模型。
根据本公开的实施例,第一训练子模块包括第一处理单元、提取单元、第二处理单元、第一迭代单元。
第一处理单元,用于对多个训练印章图像进行预处理,得到多个预处理图像。
提取单元,用于针对每个预处理图像,利用动态差分提取算法处理预处理图像,得到多个目标图像特征。
第二处理单元,用于基于预设激活函数,利用全连接神经网络处理多个目标图像特征,得到第一预测印章码值。
第一迭代单元,用于根据第一预测印章码值和与第一预测印章码值对应的训练码值标签,迭代地调整全连接神经网络,得到经训练的第一印章码值识别模型。
根据本公开的实施例,第二训练子模块包括投影单元、第三处理单元、置换单元、第四处理单元、第五处理单元和第二迭代单元。
投影单元,用于针对每个训练印章图像,对训练印章图像进行线性投影,得到投影向量。
第三处理单元,用于对投影向量进行位置编码处理,得到编码向量。
置换单元,用于基于掩码比例对编码向量进行随机置换,得到置换向量。
第四处理单元,用于基于预设置换规则对置换向量进行反置换处理,得到向量序列。
第五处理单元,用于对向量序列进行解码处理,得到第二预测印章码值。
第二迭代单元,用于根据第二预测印章码值迭代地调整自监督学习模型,得到第二印章码值识别模型。
根据本公开的实施例,第一处理模块630还包括第一处理子模块和第二处理子模块。
第一处理子模块,用于在识别结果显示待比对印章的形状为第一目标形状的情况下,利用第一印章码值识别模型处理待比对印章图像,得到印章码值。
第二处理子模块,用于在识别结果显示待比对印章的形状为第二目标形状的情况下,利用第二印章码值识别模型处理待比对印章图像,得到印章码值。
根据本公开的实施例,第二处理模块640包括第三处理子模块、第四处理子模块和第一生成子模块。
第三处理子模块,用于分别对待比对印章图像和校验图像进行滤波处理,得到滤波后的待比对印章图像和滤波后的校验图像。
第四处理子模块,用于基于尺度不变特征变换方法分别对滤波后的待比对印章图像和滤波后的校验图像进行处理,得到待比对印章特征和校验特征。
第一生成子模块,用于根据待比对印章特征和校验特征,生成特征相似度,其中,特征相似度表征图像比对结果。
根据本公开的实施例,确定模块650包括第二生成子模块和第三生成子模块。
第二生成子模块,用于在特征相似度满足预设相似度阈值的情况下,生成比对通过结果,其中,比对通过结果表征待比对印章与校验印章相同。
第三生成子模块,用于在特征相似度不满足预设相似度阈值的情况下,生成比对失败结果,其中,比对失败结果表征待比对印章与校验印章不同。
图7示意性示出了根据本公开实施例的适于实现印章图像比对方法的电子设备的方框图。
如图7所示,根据本公开实施例的电子设备700包括处理器701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 703中,存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备700还可以包括输入/输出(I/O)接口705,输入/输出(I/O)接口705也连接至总线704。电子设备700还可以包括连接至I/O接口705的以下部件中的一项或多项:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的印章图像比对方法。
在该计算机程序被处理器701执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分709被下载和安装,和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (11)
1.一种印章图像比对方法,其特征在于,所述方法包括:
响应于比对指令,获取待比对印章图像;
对所述待比对印章图像进行形状识别,得到识别结果,其中,所述识别结果表征所述待比对印章图像中待比对印章的形状;
基于所述识别结果,利用印章识别模型处理所述待比对印章图像,得到印章码值;
在所述印章码值与数据库中预存的校验码值一致的情况下,对所述待比对印章图像和校验图像进行图像比对处理,得到图像比对结果;
根据所述图像比对结果确定所述待比对印章图像中的待比对印章与所述校验图像中校验印章是否相同。
2.根据权利要求1所述的方法,其特征在于,所述印章识别模型通过如下方式进行训练:
获取训练样本集,其中,所述训练样本集包括多个训练印章图像和与每个所述训练印章图像对应的训练码值标签;
利用多个所述训练印章图像和多个所述训练码值标签训练全连接神经网络,得到经训练的第一印章码值识别模型;
利用多个所述训练印章图像训练自监督学习模型,得到经训练的第二印章码值识别模型,其中,所述印章识别模型包括所述第一印章码值识别模型和所述第二印章码值识别模型。
3.根据权利要求2所述的方法,其特征在于,基于所述识别结果,利用印章识别模型处理所述待比对印章图像,得到印章码值,包括:
在所述识别结果显示所述待比对印章的形状为第一目标形状的情况下,利用所述第一印章码值识别模型处理所述待比对印章图像,得到所述印章码值;
在所述识别结果显示所述待比对印章的形状为第二目标形状的情况下,利用所述第二印章码值识别模型处理所述待比对印章图像,得到所述印章码值。
4.根据权利要求2所述的方法,其特征在于,利用多个所述训练印章图像和多个所述训练码值标签训练全连接神经网络,得到经训练的第一印章码值识别模型,包括:
对多个所述训练印章图像进行预处理,得到多个预处理图像;
针对每个所述预处理图像,利用动态差分提取算法处理所述预处理图像,得到多个目标图像特征;
基于预设激活函数,利用所述全连接神经网络处理多个所述目标图像特征,得到第一预测印章码值;
根据所述第一预测印章码值和与所述第一预测印章码值对应的所述训练码值标签,迭代地调整所述全连接神经网络,得到经训练的第一印章码值识别模型。
5.根据权利要求2所述的方法,其特征在于,利用多个所述训练印章图像训练自监督学习模型,得到经训练的第二印章码值识别模型,包括:
针对每个所述训练印章图像,对所述训练印章图像进行线性投影,得到投影向量;
对所述投影向量进行位置编码处理,得到编码向量;
基于掩码比例对所述编码向量进行随机置换,得到置换向量;
基于预设置换规则对所述置换向量进行反置换处理,得到向量序列;
对所述向量序列进行解码处理,得到第二预测印章码值;
根据所述第二预测印章码值迭代地调整所述自监督学习模型,得到所述第二印章码值识别模型。
6.根据权利要求1所述的方法,其特征在于,对所述待比对印章图像和校验图像进行图像比对处理,得到图像比对结果,包括:
分别对所述待比对印章图像和校验图像进行滤波处理,得到滤波后的待比对印章图像和滤波后的校验图像;
基于尺度不变特征变换方法分别对所述滤波后的待比对印章图像和滤波后的校验图像进行处理,得到待比对印章特征和校验特征;
根据所述待比对印章特征和所述校验特征,生成特征相似度,其中,所述特征相似度表征所述图像比对结果。
7.根据权利要求6所述的方法,其特征在于,根据所述图像比对结果确定所述待比对印章图像中的待比对印章与所述校验图像中校验印章是否相同,包括:
在所述特征相似度满足预设相似度阈值的情况下,生成比对通过结果,其中,所述比对通过结果表征所述待比对印章与所述校验印章相同;
在所述特征相似度不满足所述预设相似度阈值的情况下,生成比对失败结果,其中,所述比对失败结果表征所述待比对印章与所述校验印章不同。
8.一种印章图像比对装置,其特征在于,所述装置包括:
获取模块,用于响应于比对指令,获取待比对印章图像;
识别模块,用于对所述待比对印章图像进行形状识别,得到识别结果,其中,所述识别结果表征所述待比对印章图像中待比对印章的形状;
第一处理模块,用于基于所述识别结果,利用印章识别模型处理所述待比对印章图像,得到印章码值;
第二处理模块,用于在所述印章码值与数据库中预存的校验码值一致的情况下,对所述待比对印章图像和校验图像进行图像比对处理,得到图像比对结果;以及
确定模块,用于根据所述图像比对结果确定所述待比对印章图像中的待比对印章与所述校验图像中校验印章是否相同。
9.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个计算机程序,
其特征在于,所述一个或多个处理器执行所述一个或多个计算机程序以实现根据权利要求1~7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现根据权利要求1~7中任一项所述方法的步骤。
11.一种计算机程序产品,包括计算机指令,其特征在于,所述计算机指令被处理器执行时实现根据权利要求1~7中任一项所述方法的步骤。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118351546A true CN118351546A (zh) | 2024-07-16 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Asghar et al. | Copy-move and splicing image forgery detection and localization techniques: a review | |
CN108171203B (zh) | 用于识别车辆的方法和装置 | |
CN109284371B (zh) | 反欺诈方法、电子装置及计算机可读存储介质 | |
CN110795714A (zh) | 一种身份验证方法、装置、计算机设备及存储介质 | |
CN116311214B (zh) | 车牌识别方法和装置 | |
CN110717497A (zh) | 图像相似度匹配方法、装置及计算机可读存储介质 | |
US20240221004A1 (en) | Fraud detection via automated handwriting clustering | |
CN116910752B (zh) | 一种基于大数据的恶意代码检测方法 | |
CN110895811B (zh) | 一种图像篡改检测方法和装置 | |
CN110659997B (zh) | 数据聚类识别方法、装置、计算机系统及可读存储介质 | |
CN110796210A (zh) | 一种标签信息的识别方法及装置 | |
CN114140649A (zh) | 票据分类方法、票据分类装置、电子设备和存储介质 | |
CN113918949A (zh) | 基于多模态融合的诈骗app的识别方法 | |
CN118351546A (zh) | 印章图像比对方法、装置、设备、介质和程序产品 | |
CN113569839B (zh) | 证件识别方法、系统、设备及介质 | |
US11935331B2 (en) | Methods and systems for real-time electronic verification of content with varying features in data-sparse computer environments | |
CN115063826A (zh) | 一种基于深度学习的移动端驾驶证识别方法和系统 | |
CN113901817A (zh) | 文档分类方法、装置、计算机设备和存储介质 | |
CN110674497B (zh) | 一种恶意程序相似度计算的方法和装置 | |
CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
CN113014591B (zh) | 假冒公众号的检测方法和装置、电子设备、及介质 | |
CN117333478A (zh) | 一种图像模糊检测方法、装置、计算机设备及存储介质 | |
CN117437645A (zh) | 模型的训练方法、图像处理方法、装置及存储介质 | |
CN114240780A (zh) | 印鉴识别的方法、装置、设备、介质和产品 | |
CN116895068A (zh) | 印鉴对比方法、装置、设备、介质和程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |