WO2022134580A1 - 证件信息的获取方法及装置、存储介质、计算机设备 - Google Patents
证件信息的获取方法及装置、存储介质、计算机设备 Download PDFInfo
- Publication number
- WO2022134580A1 WO2022134580A1 PCT/CN2021/109397 CN2021109397W WO2022134580A1 WO 2022134580 A1 WO2022134580 A1 WO 2022134580A1 CN 2021109397 W CN2021109397 W CN 2021109397W WO 2022134580 A1 WO2022134580 A1 WO 2022134580A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- information
- text content
- content information
- text
- text box
- 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.)
- Ceased
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Definitions
- the present application provides a device for obtaining certificate information.
- the embodiment of the present application obtains certificate image information and identifies text content information and text box position information in the certificate image information;
- the text content information and the text box position information are quantified, and the quantized text content information and the text box position information are classified by using the classification model that has been trained.
- Different fuzzy replacement coefficients update the text content information or text box position information in the fuzzy training sample set; according to the results of the classification processing, the classified and marked text content information is stored in the certificate data list with different certificate features, combined with the text box position.
- the classification and marking of text content can obtain accurate text content information for fuzzy documents, which greatly improves the accuracy of document information acquisition, thereby improving the efficiency of document information acquisition.
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Character Discrimination (AREA)
Abstract
本申请公开了一种证件信息的获取方法及装置、存储介质、计算机设备，涉及人工智能技术领域，主要目的在于解决现有证件信息获取效率低的问题。包括：获取证件图像信息，并识别所述证件图像信息中的文本内容信息以及文本框位置信息；对所述文本内容信息、文本框位置信息进行量化处理，并利用已完成训练的分类模型对量化处理后的所述文本内容信息、所述文本框位置信息进行分类处理，所述分类模型在训练过程中根据不同模糊替换系数更新模糊训练样本集中的文本内容信息、或文本框位置信息；根据分类处理的结果将分类标记后的文本内容信息存储至具有不同证件特征的证件数据列表中。
Description
本申请要求于2020年12月22日提交中国专利局、申请号为202011526766.5、发明名称为“证件信息的获取方法及装置、存储介质、计算机设备”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
本申请属于人工智能技术领域，特别是涉及一种证件信息的获取方法及装置、存储介质、计算机设备。
随着业务办理的无人化、自动化发展，对于驾驶证等信息的录入已经从纯人工操作，如手动抄录证件信息，转为对证件图像的自动识别，从而得到准确的驾驶证信息，以便进行驾驶人员的信息录入及管理。
目前，现有对驾驶证信息进行识别方法通常是利用OCR技术识别图像后，从中提取与驾驶证上各图片区域所对应的文字，但是，发明人意识到，这种单纯的利用OCR技术识别图像的方法，在针对模糊的驾驶证信息时，很容易将提取的信息遗漏，大大影响了证件信息获取的准确性，从而降低证件信息获取的效率。
有鉴于此，本申请提供一种证件信息的获取方法及装置、存储介质、计算机设备，主要目的在于解决现有证件信息获取效率低的问题。
依据本申请一个方面，提供了一种证件信息的获取方法，包括：
获取证件图像信息，并识别所述证件图像信息中的文本内容信息以及文本框位置信息；
对所述文本内容信息、文本框位置信息进行量化处理，并利用已完成训练的分类模型对量化处理后的所述文本内容信息、所述文本框位置信息进行分类处理，所述分类模型在训练过程中根据不同模糊替换系数更新模糊训练样本集中的文本内容信息、或文本框位置信息；
根据分类处理的结果将分类标记后的文本内容信息存储至具有不同证件特征的证件数据列表中。
根据本申请的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述证件信息的获取方法对应的操作。
根据本申请的再一方面，提供了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述证件信息的获取方法对应的操作。
借由上述技术方案，本申请实施例提供的技术方案至少具有下列优点：
本申请提供了一种证件信息的获取方法及装置、存储介质、计算机设备，与现有技术相比，本申请，提高了证件信息获取的准确性，从而提高证件信息获取的效率。
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请实施例提供的一种证件信息的获取方法流程图；
图2示出了本申请实施例提供的一种证件信息的获取装置组成框图；
图3示出了本申请实施例提供的一种计算机设备的结构示意图。
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本申请实施例提供了一种证件信息的获取方法，如图1所示，该方法包括：
101、获取证件图像信息，并识别所述证件图像信息中的文本内容信息以及文本框位置信息。
其中，证件图像信息可以通过扫描设备、拍摄设备等进行采集，证件包括但不限于身份证、驾驶证等具有特定文本内容以及文本位置排列的证件。对获取到的证件图像信息，基于OCR技术对证件图像信息中的文本内容、文本框位置进行识别，即识别证件图像信息中所包含的文字内容以及对应文字内容的文本框位置。
需要说明的是，为了确定文本内容信息与文本框位置信息为一一对应的，在识别文本内容信息以及文本框位置信息时，可以以同时识别的方式进行，即识别一个文本内容信息，对应识别此文本内容信息所对应的文本框位置信息，并进行配对标记；还可以先对文本内容信息进行识别，并记录识别的顺序标记，完成后进行文本框位置信息的识别，记录识别的顺序标记，然后将识别的到的2个顺序标记进行对应匹配，得到文本内容信息与文本框位置信息的一一对应关系，本申请实施例不做具体限定。
102、对所述文本内容信息、文本框位置信息进行量化处理，并利用已完成训练的分类模型对量化处理后的所述文本内容信息、所述文本框位置信息进行分类处理。
其中，由于文本内容信息为文本词语等内容形式，文本框位置信息为坐标等内容形式，为了利用分类模型进行统一的分类处理，因此，对文本内容信息、文本框位置信息进行量化处理，即为将词语、坐标等内容转换为可以通过分类模型处理的向量，本申请实施例不做具体限定。另外，所述分类模型为具有分类功能的深度学习模型，如可以为神经网络模型、支持向量机模型等，根据已分类标记的样本训练集对分类模型进行训练，并利用已训练好的分类模型进行分类处理，对分类模型在训练过程中根据不同模糊替换系数更新所述文本内容信息、所述文本框位置信息。
需要说明的是，由于证件图像信息中识别的文本内容信息、文本框位置信息可能存在模糊的情况，例如文本内容模糊而识别到的文本内容信息则不能正确表征证件上的原有文本内容，因此，为了提高分类模型在证件图像模糊情况下的分类准确性，在训练时，根据不同模糊替换系数更新文本内容信息、文本框位置信息，即以模糊替换系数来替代更新文本内容信息、文本框位置信息中的一个，完成迭代训练。具体的，对于替代更新的文本内容信息、或文本框位置信息可以随机选取，也可以按照指定的训练迭代次数进行更新替换，本申请实施例不做具体限定。
103、根据分类处理的结果将分类标记后的文本内容信息存储至具有不同证件特征的证件数据列表中。
本申请实施例中，为了提高从证件图像信息中获取到准确的文本内容，在结合文本框位置信息对文本内容信息进行分类后，将带有分类标记的文本内容信息存储在不同证件特征的证件数据列表中，以使用户按照证件特征从证件数据列表中对文本内容信息进行查询即可。其中，所述证件特征用于表征证件信息所共有的属性内容，例如身份证中，不同人的身份证号码不同，但是在证件的图像中，作为身份证的证件特征“身份证号”的文本内容是一样的，因此，可以对不同人的证件识别到的身份证号码存储在包含证件特征“身份证号”的证件数据列表下的一列中。
需要说明的是，为针对不同证件中文本内容信息的分类，得到对不同文本内容信息进行标记的分类标记，可以根据不同的证件在训练样本集中预先进行标记，例如，身份证中文本内容信息可以标记的分类标记可以包括身份证号、姓名、出生日期、民族、家庭住址等，以对文本内容信息进行准确的识别处理。
本申请实施例中，为了准确识别出证件图像数据中的内容，提高识别效率，所述方法还包括：获取包含不同文本内容信息、文本框位置信息的模糊训练样本集；查找所述模糊训练样本集中与证件特征匹配的文本内容信息、文本框位置信息，标记为第一类标记，所述证件特征用于表征证件信息所共有的属性内容；查找所述模糊训练样本集中与非证件特征匹配的文本内容信息、文本框位置，基于自然语言识别技术以及预设聚类模型对所述文本内容信息、文本框位置信息进行聚类处理，对不同聚类结果标记为第二类标记，所述第二类标记包括姓名、地址、性别、年龄、证件号码、证件类别；利用分别标记为第一类标记、第二类标记的所述文本内容信息、所述文本框位置信息对选取的分类模型进行训练，所述选取的分类模型中确定有待根据不同模糊替换系数更新所述文本内容信息、所述文本框位置信息的替换迭代位置。
本申请实施例中，表征证件特征的文本内容信息以及对应的文本框位置信息均是特定的，因此，对于此类文本内容信息、文本框位置信息从模糊训练样本集中查找到后，标记为第一类标记，例如key-n、key-a、key-s，分别用来标识“姓名”、“地址”、“性别”等。其中，模糊训练样本集为包含有不同模糊程度的文本内容信息或者文本框位置信息，由于一个文本内容信息对应一个文本框位置信息，模糊训练样本集中存储的样本数据，当文本内容信息模糊时，对应的文本框位置信息为准确的，反之，当文本框位置信息为模糊时，对应的文本内容信息为准确的，以使在对模型训练时提高模型分类的精度。另外，为了针对不同证件内容的识别，查找模糊训练样本集中与非证件特征匹配的文本内容信息、文本框位置，基于自然语言识别技术以及预设聚类模型对文本内容信息、文本框位置信息进行聚类处理，对不同聚类结果标记为第二类标记，第二类标记包括姓名、地址、性别、年龄、证件号码、证件类别，本申请实施例不做具体限定。例如，查找到非证件特征匹配的文本内容信息为“张三”、“李四”、“3x”、“汉x”、“45”，则基于预设聚类模型进行聚类处理，分别得到“张三”、“李四”一类，“3x”、“45”一类，“汉x”一类，并基于文本框位置信息分别标记为姓名、年龄、民族，实现对模糊训练集中文本内容信息、文本框位置信息的自动标记。另外，预设聚类模型本申请实时不做具体限定。
本申请实施例中，在确定标记为第一类标记、第二类标记的文本内容信息、所述文本框位置信息后，则对选取的分类模型进行训练，选取的分类模型中确定有待根据不同模糊替换系数更新文本内容信息、文本框位置信息的替换迭代位置，以便进行模糊替换系数更新替换。
本申请实施例中，为了进一步限定及说明，所述识别所述证件图像信息中的文本内容信息以及文本框位置信息包括：构建所述证件图像信息匹配的坐标系，并利用OCR技术划分具有本文内容的区域；标记所述文本内容信息的区域处于所述坐标系中的位置，确定文本框位置信息；结合所述OCR技术、自然语言处理技术识别所述证件图像信息中所述区域中的文本内容信息，并匹配标识所述文本内容信息所对应的文本框位置信息。
具体的，在对证件图像信息识别文本内容信息与文本框位置信息时，首先构建证件图像信息的坐标系，利用OCR技术划分包含有文本内容的区域，例如一个矩形框，并标记此区域在坐标系中的位置，得到文本框位置信息，例如，对文本内容按照证件图像的横向识别顺序标记为
C
ij
，对于第i张图像中的第j个框
B
ij
，其左上角坐标和长宽分别记为(
L
ij
，
T
ij
)和(
W
ij
，
H
ij
)，确定文本框位置信息。并且，针对此文本框位置中的文本内容信息，基于OCR技术、以及自然语言处理技术进行识别，将识别出的文本内容信息与文本框位置信息进行匹配标记，即文本内容a对应文本框位置A。
本申请实施例中，为了进一步限定及说明，提高对文本内容信息的识别准确性，所述结合所述OCR技术、自然语言处理技术识别所述证件图像信息中所述区域中的文本内容信息包括：若结合所述OCR技术、自然语言处理技术从自然语言词库中匹配到所述证件图像信息中所述区域的文字词语，则将所述文字词语确定为所述区域中的文本内容信息；若结合所述OCR技术、自然语言处理技术从自然语言词库中未匹配到所述证件图像信息中所述区域的文字词语，则从预设模糊词语库中随机选取模糊替换词语确定为所述区域中的文本内容信息。
本申请实施例中，由于识别出的文本内容信息可能带有非文字内容，即为在进行OCR识别时，对于模糊的内容无法准确识别，即为结合OCR技术、自然语言处理技术从自然语言词库中未匹配到证件图像信息中区域的文字词语，则会进行一个乱码处理，但是，对于乱码处理的文本内容信息在进行分类模型的分类处理时，会影响分类处理的准确性，因此，从预设模糊词语库中随机选取模糊替换词语确定为所述区域中的文本内容信息。其中，预设模糊词语库中存储有不同证件匹配的、且为预先设定的模糊替换词语，在替换过程中，还可以结合文本框位置信息进行随机查找模糊匹配的可替换的词语进行替换，例如，文本内容信息识别到“张x译”，从预设模糊词语库中随机选取模糊替换词“名”替换到x的位置上，利用“张名译”作为识别到的文本内容信息进行分类，从而可以提高对不同证件内容的识别准确性。
本申请实施例中，为了进一步限定及说明，所述利用已完成训练的分类模型对量化处理后的所述文本内容信息、所述文本框位置信息进行分类处理包括：对完成量化处理后的所述文本内容信息、所述文本框位置信息所对应的向量通过所述分类模型中的嵌入层进行维度归一化，得到与所述文本内容信息的词向量的维度匹配的所述文本框位置的编码向量；通过所述分类模型对所述词向量、所述编码向量进行分类处理，所述分类模型为神经网络模型、支持向量机模型中的一个。
具体的，完成量化处理后的文本内容信息、文本框位置信息对应为向量形式数据，因此，为了提高对模型的训练准确性，在分类模型汇总的嵌入层进行维度归一化，例如，对文本内容
B
ij
的向量表示进行加权平均并归一化，得到
Info
ij
;对文本框位置中每组(
L
ij
，
T
ij
)和(
W
ij
，
H
ij
)，基于嵌入层(Embedding
Layer)技术映射为与文本内容所对应的
Info
ij
维度一致的向量，文本框
B
ij
对应的位置编码向量
Pos
ij
即为这些映射后向量的加权平均并归一化。其中，加权平均=(
x
1
f
1+
x
2
f
2+...+
x
nf
n
)/
n，其中
f
1、
f
2、...、
f
n
叫做权，并且满足
f
1+
f
2+...+
f
n
=
n。将
Info
ij
和
Pos
ij
相加后得到
B
ij
最终的向量表示，然后对作为分类模型的神经网络模型或支持向量机模型进行分类处理，本申请实施例不做具体限定。
本申请实施例中，为了进一步地限定及说明，所述通过所述分类模型对所述词向量、所述编码向量进行分类处理包括：确定所述分类模型中的替换迭代位置，根据不同模糊替换系数替代所述词向量、所述编码向量中的至少一个向量数值，并基于替换完成的所述词向量、所述编码向量完成分类处理。
具体的，在分类处理过程中，确定分类模型中的替换迭代位置，例如，在模型中的第几层级作为替换迭代位置，然后根据不同模糊替换系数替代所述词向量、所述编码向量中的至少一个向量数值，对
Info
ij
置0可以通过按照0.15随机概率的方式随机配0，从而以随机抹掉信息的方式提高模型在特定场景下的预测精度。具体的，由于驾驶证等证件类的模板相对固定，以0.15的概率将
Info
ij
的信息抹掉，当0≤p＜0.85时，
Info
ij
＝
Info
ij
，当0.85＜p≤1时，
Info
ij
＝[0,0,...0]。
其中，以0.15的概率将
Info
ij
置为0向量，相当于将文本内容信息抹掉了，只输入位置信息进入模型分类处理，对应的，还可以以0.15概率将
Pos
ij
置为0向量，相当于将文本框位置信息抹掉，至输入文本内容进入模型分类处理，本申请实施例不做具体限定。
本申请实施例中，为了提高对证件信息的查询效率，所述方法还包括：确定待识别的证件信息的证件特征，并计算所述证件特征与接收的证件业务需求之间的相似度值；按照所述相似度值对所述证件特征进行排序，基于所述排序结果生成包含有所述证件特征的证件数据列表。
具体的，待识别的证件信息的证件特征为在确定需要确定证件的具体特征内容，例如身份证、驾驶证中的特征信息为身份证号、姓名等，证件业务需求为用户录入需要存储在证件数量列表中的特征内容，例如，用户只需要获取姓名以及对应的身份证号，则当前执行端计算证件特征与证件业务需求之间的相似度值，然后按照相似度值的排序排列证件特征，生成证件数据列表，例如，排序第一的为身份证号，第二为姓名的列表，以便在存储时，按照对应的序列存储，便于对证件信息的查找。
本申请提供了一种证件信息的获取方法，与现有技术相比，本申请实施例通过获取证件图像信息，并识别所述证件图像信息中的文本内容信息以及文本框位置信息；对所述文本内容信息、文本框位置信息进行量化处理，并利用已完成训练的分类模型对量化处理后的所述文本内容信息、所述文本框位置信息进行分类处理，所述分类模型在训练过程中根据不同模糊替换系数更新模糊训练样本集中的文本内容信息、或文本框位置信息；根据分类处理的结果将分类标记后的文本内容信息存储至具有不同证件特征的证件数据列表中，结合文本框位置实现文本内容的分类标记，针对模糊证件可以得到准确的文本内容信息，大大提高了证件信息获取的准确性，从而提高证件信息获取的效率。
进一步的，作为对上述图1所示方法的实现，本申请实施例提供了一种证件信息的获取装置，如图2所示，该装置包括：
获取模块21，用于获取证件图像信息，并识别所述证件图像信息中的文本内容信息以及文本框位置信息；
处理模块22，用于对所述文本内容信息、文本框位置信息进行量化处理，并利用已完成训练的分类模型对量化处理后的所述文本内容信息、所述文本框位置信息进行分类处理，所述分类模型在训练过程中根据不同模糊替换系数更新模糊训练样本集中的文本内容信息、或文本框位置信息；
存储模块23，用于根据分类处理的结果将分类标记后的文本内容信息存储至具有不同证件特征的证件数据列表中。
进一步地，所述装置还包括：查找模块，训练模型，
所述获取模块，还用于获取包含不同文本内容信息、文本框位置信息的模糊训练样本集；
所述查找模块，用于查找所述模糊训练样本集中与证件特征匹配的文本内容信息、文本框位置信息，标记为第一类标记，所述证件特征用于表征证件信息所共有的属性内容；
所述查找模块，还用于查找所述模糊训练样本集中与非证件特征匹配的文本内容信息、文本框位置，基于自然语言识别技术以及预设聚类模型对所述文本内容信息、文本框位置信息进行聚类处理，对不同聚类结果标记为第二类标记，所述第二类标记包括姓名、地址、性别、年龄、证件号码、证件类别；
所述训练模块，用于利用分别标记为第一类标记、第二类标记的所述文本内容信息、所述文本框位置信息对选取的分类模型进行训练，所述选取的分类模型中确定有待根据不同模糊替换系数更新所述文本内容信息、所述文本框位置信息的替换迭代位置。
进一步地，所述获取模块包括：
构建单元，用于构建所述证件图像信息匹配的坐标系，并利用OCR技术划分具有本文内容的区域；
确定单元，用于标记所述文本内容信息的区域处于所述坐标系中的位置，确定文本框位置信息；
识别单元，用于结合所述OCR技术、自然语言处理技术识别所述证件图像信息中所述区域中的文本内容信息，并匹配标识所述文本内容信息所对应的文本框位置信息。
进一步地，所述识别单元，具体用于若结合所述OCR技术、自然语言处理技术从自然语言词库中匹配到所述证件图像信息中所述区域的文字词语，则将所述文字词语确定为所述区域中的文本内容信息；若结合所述OCR技术、自然语言处理技术从自然语言词库中未匹配到所述证件图像信息中所述区域的文字词语，则从预设模糊词语库中随机选取模糊替换词语确定为所述区域中的文本内容信息。
进一步地，所述处理模块包括：
第一处理单元，用于对完成量化处理后的所述文本内容信息、所述文本框位置信息所对应的向量通过所述分类模型中的嵌入层进行维度归一化，得到与所述文本内容信息的词向量的维度匹配的所述文本框位置的编码向量；
第二处理单元，用于通过所述分类模型对所述词向量、所述编码向量进行分类处理，所述分类模型为神经网络模型、支持向量机模型中的一个。
进一步地，所述第二处理单元，具体用于确定所述分类模型中的替换迭代位置，根据不同模糊替换系数替代所述词向量、所述编码向量中的至少一个向量数值，并基于替换完成的所述词向量、所述编码向量完成分类处理。
进一步地，所述装置还包括：
计算模块，用于确定待识别的证件信息的证件特征，并计算所述证件特征与接收的证件业务需求之间的相似度值；
生成模块，用于按照所述相似度值对所述证件特征进行排序，基于所述排序结果生成包含有所述证件特征的证件数据列表。
本申请提供了一种证件信息的获取装置，与现有技术相比，本申请实施例通过获取证件图像信息，并识别所述证件图像信息中的文本内容信息以及文本框位置信息；对所述文本内容信息、文本框位置信息进行量化处理，并利用已完成训练的分类模型对量化处理后的所述文本内容信息、所述文本框位置信息进行分类处理，所述分类模型在训练过程中根据不同模糊替换系数更新模糊训练样本集中的文本内容信息、或文本框位置信息；根据分类处理的结果将分类标记后的文本内容信息存储至具有不同证件特征的证件数据列表中，结合文本框位置实现文本内容的分类标记，针对模糊证件可以得到准确的文本内容信息，大大提高了证件信息获取的准确性，从而提高证件信息获取的效率。
根据本申请一个实施例提供了一种存储介质，所述存储介质可以是非易失性，也可以是易失性，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的证件信息的获取方法。
图3示出了根据本申请一个实施例提供的一种计算机设备的结构示意图，本申请具体实施例并不对计算机设备的具体实现做限定。
如图3所示，该计算机设备可以包括：处理器(processor)302、通信接口(Communications
Interface)304、存储器(memory)306、以及通信总线308。
其中：处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器302，用于执行程序310，具体可以执行上述证件信息的获取方法实施例中的相关步骤。
具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU，或者是特定集成电路ASIC（Application Specific
Integrated Circuit），或者是被配置成实施本申请实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器306，用于存放程序310。存储器306可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile
memory），例如至少一个磁盘存储器，也可以包括易失性的存储器。
程序310具体可以用于使得处理器302执行以下操作：
获取证件图像信息，并识别所述证件图像信息中的文本内容信息以及文本框位置信息；
对所述文本内容信息、文本框位置信息进行量化处理，并利用已完成训练的分类模型对量化处理后的所述文本内容信息、所述文本框位置信息进行分类处理，所述分类模型在训练过程中根据不同模糊替换系数更新模糊训练样本集中的文本内容信息、或文本框位置信息；
根据分类处理的结果将分类标记后的文本内容信息存储至具有不同证件特征的证件数据列表中。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本申请的保护范围之内。
Claims (20)
- 一种证件信息的获取方法，其中，包括：获取证件图像信息，并识别所述证件图像信息中的文本内容信息以及文本框位置信息；对所述文本内容信息、文本框位置信息进行量化处理，并利用已完成训练的分类模型对量化处理后的所述文本内容信息、所述文本框位置信息进行分类处理，所述分类模型在训练过程中根据不同模糊替换系数更新模糊训练样本集中的文本内容信息、或文本框位置信息；根据分类处理的结果将分类标记后的文本内容信息存储至具有不同证件特征的证件数据列表中。
- 根据权利要求1所述的方法，其中，所述方法还包括：获取包含不同文本内容信息、文本框位置信息的模糊训练样本集；查找所述模糊训练样本集中与证件特征匹配的文本内容信息、文本框位置信息，标记为第一类标记，所述证件特征用于表征证件信息所共有的属性内容；查找所述模糊训练样本集中与非证件特征匹配的文本内容信息、文本框位置，基于自然语言识别技术以及预设聚类模型对所述文本内容信息、文本框位置信息进行聚类处理，对不同聚类结果标记为第二类标记，所述第二类标记包括姓名、地址、性别、年龄、证件号码、证件类别；利用分别标记为第一类标记、第二类标记的所述文本内容信息、所述文本框位置信息对选取的分类模型进行训练，所述选取的分类模型中确定有待根据不同模糊替换系数更新所述文本内容信息、所述文本框位置信息的替换迭代位置。
- 根据权利要求1所述的方法，其中，所述识别所述证件图像信息中的文本内容信息以及文本框位置信息包括：构建所述证件图像信息匹配的坐标系，并利用OCR技术划分具有本文内容的区域；标记所述文本内容信息的区域处于所述坐标系中的位置，确定文本框位置信息；结合所述OCR技术、自然语言处理技术识别所述证件图像信息中所述区域中的文本内容信息，并匹配标识所述文本内容信息所对应的文本框位置信息。
- 根据权利要求3所述的方法，其中，所述结合所述OCR技术、自然语言处理技术识别所述证件图像信息中所述区域中的文本内容信息包括：若结合所述OCR技术、自然语言处理技术从自然语言词库中匹配到所述证件图像信息中所述区域的文字词语，则将所述文字词语确定为所述区域中的文本内容信息；若结合所述OCR技术、自然语言处理技术从自然语言词库中未匹配到所述证件图像信息中所述区域的文字词语，则从预设模糊词语库中随机选取模糊替换词语确定为所述区域中的文本内容信息。
- 根据权利要求4所述的方法，其中，所述利用已完成训练的分类模型对量化处理后的所述文本内容信息、所述文本框位置信息进行分类处理包括：对完成量化处理后的所述文本内容信息、所述文本框位置信息所对应的向量通过所述分类模型中的嵌入层进行维度归一化，得到与所述文本内容信息的词向量的维度匹配的所述文本框位置的编码向量；通过所述分类模型对所述词向量、所述编码向量进行分类处理，所述分类模型为神经网络模型、支持向量机模型中的一个。
- 根据权利要求5所述的方法，其中，所述通过所述分类模型对所述词向量、所述编码向量进行分类处理包括：确定所述分类模型中的替换迭代位置，根据不同模糊替换系数替代所述词向量、所述编码向量中的至少一个向量数值，并基于替换完成的所述词向量、所述编码向量完成分类处理。
- 根据权利要求1-6任一项所述的方法，其中，所述方法还包括：确定待识别的证件信息的证件特征，并计算所述证件特征与接收的证件业务需求之间的相似度值；按照所述相似度值对所述证件特征进行排序，基于所述排序结果生成包含有所述证件特征的证件数据列表。
- 一种证件信息的获取装置，其中，包括：获取模块，用于获取证件图像信息，并识别所述证件图像信息中的文本内容信息以及文本框位置信息；处理模块，用于对所述文本内容信息、文本框位置信息进行量化处理，并利用已完成训练的分类模型对量化处理后的所述文本内容信息、所述文本框位置信息进行分类处理，所述分类模型在训练过程中根据不同模糊替换系数更新模糊训练样本集中的文本内容信息、或文本框位置信息；存储模块，用于根据分类处理的结果将分类标记后的文本内容信息存储至具有不同证件特征的证件数据列表中。
- 一种存储介质，所述存储介质中存储有可执行指令，所述可执行指令使处理器执行如下操作：获取证件图像信息，并识别所述证件图像信息中的文本内容信息以及文本框位置信息；对所述文本内容信息、文本框位置信息进行量化处理，并利用已完成训练的分类模型对量化处理后的所述文本内容信息、所述文本框位置信息进行分类处理，所述分类模型在训练过程中根据不同模糊替换系数更新模糊训练样本集中的文本内容信息、或文本框位置信息；根据分类处理的结果将分类标记后的文本内容信息存储至具有不同证件特征的证件数据列表中。
- 根据权利要求9所述的存储介质，其中，所述可执行指令使处理器还执行如下操作：获取包含不同文本内容信息、文本框位置信息的模糊训练样本集；查找所述模糊训练样本集中与证件特征匹配的文本内容信息、文本框位置信息，标记为第一类标记，所述证件特征用于表征证件信息所共有的属性内容；查找所述模糊训练样本集中与非证件特征匹配的文本内容信息、文本框位置，基于自然语言识别技术以及预设聚类模型对所述文本内容信息、文本框位置信息进行聚类处理，对不同聚类结果标记为第二类标记，所述第二类标记包括姓名、地址、性别、年龄、证件号码、证件类别；利用分别标记为第一类标记、第二类标记的所述文本内容信息、所述文本框位置信息对选取的分类模型进行训练，所述选取的分类模型中确定有待根据不同模糊替换系数更新所述文本内容信息、所述文本框位置信息的替换迭代位置。
- 根据权利要求9所述的存储介质，其中，所述识别所述证件图像信息中的文本内容信息以及文本框位置信息包括：构建所述证件图像信息匹配的坐标系，并利用OCR技术划分具有本文内容的区域；标记所述文本内容信息的区域处于所述坐标系中的位置，确定文本框位置信息；结合所述OCR技术、自然语言处理技术识别所述证件图像信息中所述区域中的文本内容信息，并匹配标识所述文本内容信息所对应的文本框位置信息。
- 根据权利要求11所述的存储介质，其中，所述结合所述OCR技术、自然语言处理技术识别所述证件图像信息中所述区域中的文本内容信息包括：若结合所述OCR技术、自然语言处理技术从自然语言词库中匹配到所述证件图像信息中所述区域的文字词语，则将所述文字词语确定为所述区域中的文本内容信息；若结合所述OCR技术、自然语言处理技术从自然语言词库中未匹配到所述证件图像信息中所述区域的文字词语，则从预设模糊词语库中随机选取模糊替换词语确定为所述区域中的文本内容信息。
- 根据权利要求12所述的存储介质，其中，所述利用已完成训练的分类模型对量化处理后的所述文本内容信息、所述文本框位置信息进行分类处理包括：对完成量化处理后的所述文本内容信息、所述文本框位置信息所对应的向量通过所述分类模型中的嵌入层进行维度归一化，得到与所述文本内容信息的词向量的维度匹配的所述文本框位置的编码向量；通过所述分类模型对所述词向量、所述编码向量进行分类处理，所述分类模型为神经网络模型、支持向量机模型中的一个。
- 根据权利要求13所述的存储介质，其中，所述通过所述分类模型对所述词向量、所述编码向量进行分类处理包括：确定所述分类模型中的替换迭代位置，根据不同模糊替换系数替代所述词向量、所述编码向量中的至少一个向量数值，并基于替换完成的所述词向量、所述编码向量完成分类处理。
- 根据权利要求9-14任一项所述的存储介质，其中，所述可执行指令使处理器还执行如下操作：确定待识别的证件信息的证件特征，并计算所述证件特征与接收的证件业务需求之间的相似度值；按照所述相似度值对所述证件特征进行排序，基于所述排序结果生成包含有所述证件特征的证件数据列表。
- 一种计算机设备，包括：处理器、存储器，所述存储器用于存放可执行指令，所述可执行指令使所述处理器执行如下操作：获取证件图像信息，并识别所述证件图像信息中的文本内容信息以及文本框位置信息；对所述文本内容信息、文本框位置信息进行量化处理，并利用已完成训练的分类模型对量化处理后的所述文本内容信息、所述文本框位置信息进行分类处理，所述分类模型在训练过程中根据不同模糊替换系数更新模糊训练样本集中的文本内容信息、或文本框位置信息；根据分类处理的结果将分类标记后的文本内容信息存储至具有不同证件特征的证件数据列表中。
- 根据权利要求16所述的计算机设备，其中，所述可执行指令使所述处理器还执行如下操作：获取包含不同文本内容信息、文本框位置信息的模糊训练样本集；查找所述模糊训练样本集中与证件特征匹配的文本内容信息、文本框位置信息，标记为第一类标记，所述证件特征用于表征证件信息所共有的属性内容；查找所述模糊训练样本集中与非证件特征匹配的文本内容信息、文本框位置，基于自然语言识别技术以及预设聚类模型对所述文本内容信息、文本框位置信息进行聚类处理，对不同聚类结果标记为第二类标记，所述第二类标记包括姓名、地址、性别、年龄、证件号码、证件类别；利用分别标记为第一类标记、第二类标记的所述文本内容信息、所述文本框位置信息对选取的分类模型进行训练，所述选取的分类模型中确定有待根据不同模糊替换系数更新所述文本内容信息、所述文本框位置信息的替换迭代位置。
- 根据权利要求16所述的计算机设备，其中，所述识别所述证件图像信息中的文本内容信息以及文本框位置信息包括：构建所述证件图像信息匹配的坐标系，并利用OCR技术划分具有本文内容的区域；标记所述文本内容信息的区域处于所述坐标系中的位置，确定文本框位置信息；结合所述OCR技术、自然语言处理技术识别所述证件图像信息中所述区域中的文本内容信息，并匹配标识所述文本内容信息所对应的文本框位置信息。
- 根据权利要求18所述的计算机设备，其中，所述结合所述OCR技术、自然语言处理技术识别所述证件图像信息中所述区域中的文本内容信息包括：若结合所述OCR技术、自然语言处理技术从自然语言词库中匹配到所述证件图像信息中所述区域的文字词语，则将所述文字词语确定为所述区域中的文本内容信息；若结合所述OCR技术、自然语言处理技术从自然语言词库中未匹配到所述证件图像信息中所述区域的文字词语，则从预设模糊词语库中随机选取模糊替换词语确定为所述区域中的文本内容信息。
- 根据权利要求19所述的计算机设备，其中，所述利用已完成训练的分类模型对量化处理后的所述文本内容信息、所述文本框位置信息进行分类处理包括：对完成量化处理后的所述文本内容信息、所述文本框位置信息所对应的向量通过所述分类模型中的嵌入层进行维度归一化，得到与所述文本内容信息的词向量的维度匹配的所述文本框位置的编码向量；通过所述分类模型对所述词向量、所述编码向量进行分类处理，所述分类模型为神经网络模型、支持向量机模型中的一个。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011526766.5A CN112651392A (zh) | 2020-12-22 | 2020-12-22 | 证件信息的获取方法及装置、存储介质、计算机设备 |
| CN202011526766.5 | 2020-12-22 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2022134580A1 true WO2022134580A1 (zh) | 2022-06-30 |
Family
ID=75358959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2021/109397 Ceased WO2022134580A1 (zh) | 2020-12-22 | 2021-07-29 | 证件信息的获取方法及装置、存储介质、计算机设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112651392A (zh) |
| WO (1) | WO2022134580A1 (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115410208A (zh) * | 2022-08-12 | 2022-11-29 | 深圳市明泰智能技术有限公司 | 一种基于ocr的证件识别方法、系统、终端和存储介质 |
| CN115578736A (zh) * | 2022-10-25 | 2023-01-06 | 天翼数字生活科技有限公司 | 证件信息提取方法、装置、存储介质及设备 |
| CN115775317A (zh) * | 2022-11-26 | 2023-03-10 | 天翼电子商务有限公司 | 一种基于大数据证件信息识别匹配方法及系统 |
| CN116597462A (zh) * | 2023-03-29 | 2023-08-15 | 天云融创数据科技（北京）有限公司 | 一种基于ocr的证件识别方法 |
| CN117275017A (zh) * | 2023-10-23 | 2023-12-22 | 中国建设银行股份有限公司 | 文字提取方法、装置、设备及存储介质 |
| CN118093513A (zh) * | 2024-02-28 | 2024-05-28 | 北京极致车网科技有限公司 | 一种车辆档案集成管理方法、装置、设备及介质 |
| CN118196856A (zh) * | 2024-03-13 | 2024-06-14 | 广州德生智能信息技术有限公司 | 一种基于公共服务便民登记的社保身份识别方法及装置 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112651392A (zh) * | 2020-12-22 | 2021-04-13 | 深圳壹账通智能科技有限公司 | 证件信息的获取方法及装置、存储介质、计算机设备 |
| CN113569839B (zh) * | 2021-08-31 | 2024-02-09 | 重庆紫光华山智安科技有限公司 | 证件识别方法、系统、设备及介质 |
| CN114022891A (zh) * | 2021-09-10 | 2022-02-08 | 润联软件系统(深圳)有限公司 | 扫描文本的关键信息提取方法、装置、设备及存储介质 |
| CN114359941A (zh) * | 2022-01-10 | 2022-04-15 | 上海亿保健康管理有限公司 | 发票信息的抽取方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046289A (zh) * | 2015-08-07 | 2015-11-11 | 北京旷视科技有限公司 | 一种文字域类型识别方法和文字域类型识别系统 |
| CN111339910A (zh) * | 2020-02-24 | 2020-06-26 | 支付宝实验室(新加坡)有限公司 | 文本的处理、文本分类模型的训练方法及装置 |
| US10796104B1 (en) * | 2019-07-03 | 2020-10-06 | Clinc, Inc. | Systems and methods for constructing an artificially diverse corpus of training data samples for training a contextually-biased model for a machine learning-based dialogue system |
| CN111881297A (zh) * | 2020-07-31 | 2020-11-03 | 龙马智芯（珠海横琴）科技有限公司 | 语音识别文本的校正方法及装置 |
| CN112651392A (zh) * | 2020-12-22 | 2021-04-13 | 深圳壹账通智能科技有限公司 | 证件信息的获取方法及装置、存储介质、计算机设备 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229299B (zh) * | 2017-10-31 | 2021-02-26 | 北京市商汤科技开发有限公司 | 证件的识别方法和装置、电子设备、计算机存储介质 |
| CN109034159B (zh) * | 2018-05-28 | 2021-05-28 | 北京捷通华声科技股份有限公司 | 图像信息提取方法和装置 |
| CN109086756B (zh) * | 2018-06-15 | 2021-08-03 | 众安信息技术服务有限公司 | 一种基于深度神经网络的文本检测分析方法、装置及设备 |
| CN109492643B (zh) * | 2018-10-11 | 2023-12-19 | 平安科技（深圳）有限公司 | 基于ocr的证件识别方法、装置、计算机设备及存储介质 |
| CN109800761B (zh) * | 2019-01-25 | 2022-11-11 | 厦门商集网络科技有限责任公司 | 基于深度学习模型创建纸质文档结构化数据的方法和终端 |
| CN111259889B (zh) * | 2020-01-17 | 2025-03-14 | 深圳平安医疗健康科技服务有限公司 | 图像文本识别方法、装置、计算机设备及计算机存储介质 |
-
2020
- 2020-12-22 CN CN202011526766.5A patent/CN112651392A/zh active Pending
-
2021
- 2021-07-29 WO PCT/CN2021/109397 patent/WO2022134580A1/zh not_active Ceased
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046289A (zh) * | 2015-08-07 | 2015-11-11 | 北京旷视科技有限公司 | 一种文字域类型识别方法和文字域类型识别系统 |
| US10796104B1 (en) * | 2019-07-03 | 2020-10-06 | Clinc, Inc. | Systems and methods for constructing an artificially diverse corpus of training data samples for training a contextually-biased model for a machine learning-based dialogue system |
| CN111339910A (zh) * | 2020-02-24 | 2020-06-26 | 支付宝实验室(新加坡)有限公司 | 文本的处理、文本分类模型的训练方法及装置 |
| CN111881297A (zh) * | 2020-07-31 | 2020-11-03 | 龙马智芯（珠海横琴）科技有限公司 | 语音识别文本的校正方法及装置 |
| CN112651392A (zh) * | 2020-12-22 | 2021-04-13 | 深圳壹账通智能科技有限公司 | 证件信息的获取方法及装置、存储介质、计算机设备 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115410208A (zh) * | 2022-08-12 | 2022-11-29 | 深圳市明泰智能技术有限公司 | 一种基于ocr的证件识别方法、系统、终端和存储介质 |
| CN115578736A (zh) * | 2022-10-25 | 2023-01-06 | 天翼数字生活科技有限公司 | 证件信息提取方法、装置、存储介质及设备 |
| CN115775317A (zh) * | 2022-11-26 | 2023-03-10 | 天翼电子商务有限公司 | 一种基于大数据证件信息识别匹配方法及系统 |
| CN116597462A (zh) * | 2023-03-29 | 2023-08-15 | 天云融创数据科技（北京）有限公司 | 一种基于ocr的证件识别方法 |
| CN117275017A (zh) * | 2023-10-23 | 2023-12-22 | 中国建设银行股份有限公司 | 文字提取方法、装置、设备及存储介质 |
| CN118093513A (zh) * | 2024-02-28 | 2024-05-28 | 北京极致车网科技有限公司 | 一种车辆档案集成管理方法、装置、设备及介质 |
| CN118196856A (zh) * | 2024-03-13 | 2024-06-14 | 广州德生智能信息技术有限公司 | 一种基于公共服务便民登记的社保身份识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112651392A (zh) | 2021-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022134580A1 (zh) | 证件信息的获取方法及装置、存储介质、计算机设备 | |
| CN109543690B (zh) | 用于提取信息的方法和装置 | |
| CN107085585B (zh) | 用于图像搜索的准确的标签相关性预测 | |
| CN105354307B (zh) | 一种图像内容识别方法及装置 | |
| RU2668717C1 (ru) | Генерация разметки изображений документов для обучающей выборки | |
| CN102388392B (zh) | 模式识别设备 | |
| US20200184210A1 (en) | Multi-modal document feature extraction | |
| CN111582409A (zh) | 图像标签分类网络的训练方法、图像标签分类方法及设备 | |
| CN112613293B (zh) | 摘要生成方法、装置、电子设备及存储介质 | |
| CN107944020A (zh) | 人脸图像查找方法及装置、计算机装置和存储介质 | |
| CN113656547B (zh) | 文本匹配方法、装置、设备及存储介质 | |
| CN114038004A (zh) | 一种证件信息提取方法、装置、设备及存储介质 | |
| WO2021012793A1 (zh) | 基于大数据分析的律师推荐方法及相关设备 | |
| US10354134B1 (en) | Feature classification with spatial analysis | |
| CN113065557A (zh) | 一种基于文字提取的图像匹配方法 | |
| CN114429636B (zh) | 图像扫描识别方法、装置及电子设备 | |
| CN109242030A (zh) | 画单生成方法及装置，电子设备，计算机可读存储介质 | |
| CN111814821A (zh) | 深度学习模型的建立方法、样本处理方法及装置 | |
| CN105956631A (zh) | 一种面向电子图库的在线渐进式图像分类方法 | |
| CN112100413A (zh) | 一种跨模态的哈希检索方法 | |
| Li et al. | Fuzzy bag of words for social image description | |
| CN118132786A (zh) | 一种相似图片的检索方法、装置、设备及存储介质 | |
| CN112989820A (zh) | 法律文书定位方法、装置、设备及存储介质 | |
| CN106844381A (zh) | 图像处理装置及方法 | |
| CN112836709A (zh) | 一种基于空间注意力增强机制的自动图像描述方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 31/10/2023) |
|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21908585 Country of ref document: EP Kind code of ref document: A1 |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 21908585 Country of ref document: EP Kind code of ref document: A1 |