CN110458238A - 一种证件圆弧点检测和定位的方法及*** - Google Patents
一种证件圆弧点检测和定位的方法及*** Download PDFInfo
- Publication number
- CN110458238A CN110458238A CN201910751188.6A CN201910751188A CN110458238A CN 110458238 A CN110458238 A CN 110458238A CN 201910751188 A CN201910751188 A CN 201910751188A CN 110458238 A CN110458238 A CN 110458238A
- Authority
- CN
- China
- Prior art keywords
- certificate
- image
- training
- test
- image data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 94
- 238000012360 testing method Methods 0.000 claims abstract description 81
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 238000007689 inspection Methods 0.000 claims abstract description 7
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000012937 correction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- QCAWEPFNJXQPAN-UHFFFAOYSA-N methoxyfenozide Chemical compound COC1=CC=CC(C(=O)NN(C(=O)C=2C=C(C)C=C(C)C=2)C(C)(C)C)=C1C QCAWEPFNJXQPAN-UHFFFAOYSA-N 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
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
- 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
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种证件圆弧点检测和定位的方法及***，该方案包括：对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据；将所述样本图像数据划分为训练集、测试集和验证集；构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型；利用所述训练集对所述初始证件检测模型进行训练，并利用所述测试集和所述验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型；利用所述最优证件检测模型对待检测证件图像进行圆弧点检测。本发明有效地克服了证件透视、歪曲、折痕等不良情况的漏检问题，提高了检测精度。
Description
技术领域
本发明涉及图像中目标检测技术领域，特别是涉及一种证件圆弧点检测和定位的方法及***。
背景技术
近年来，随着数据成像设备的普及和目标检测领域开始引入卷积神经网络CNN等深度学习技术后得到快速的发展，文本识别软件不断涌现，如华为云识别、腾讯云识别等，文本识别精度不断提升。但这些都属于通用文本识别，针对证件检测识别这一特定领域，需要将证件矫正，便于后面将关键信息进行切片识别。目前定位证件采取直线检测计算圆弧角的方式的缺陷，主要是在证件存在透视、折叠等不良情况下，无法正确定位检测到圆弧角。因此，如何克服证件透视、歪曲、折痕等不良情况的漏检问题成为本领域亟待解决的问题。
发明内容
本发明的目的是提供一种证件圆弧点检测和定位的方法及***，以解决上述问题。
为实现上述目的，本发明提供了一种证件圆弧点检测和定位的方法，所述方法包括：
对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据；
将所述样本图像数据划分为训练集、测试集和验证集；
构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型；
利用所述训练集对所述初始证件检测模型进行训练，并利用所述测试集和所述验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型；
利用所述最优证件检测模型对待检测证件图像进行圆弧点检测。
可选的，所述对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据，具体包括：
采用图像标注软件标注出所述证件图像的拐角点的标签和位置，并且存入XML文件中，得到标注图像数据；
将标注图像数据进行图像偏移操作，得到偏移图像数据；
将所述偏移图像数据进行图像切割操作，所述偏移图像数据的RGB的数值，得到样本图像数据。
可选的，所述将所述样本图像数据划分为训练集、测试集和验证集，具体包括：
按照设定比例将所述样本图像数据划分为训练集、验证集、测试集；
将所述训练集、验证集、测试集中的图像、标注数据的文件地址分别写入相应的txt文档。
可选的，所述构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型，具体包括：
下载Darknet深度神经网络框架的源码，配置显卡驱动，对Darknet深度神经网络框架的源码进行编译；
加载神经网络模型后设置超参数：设置学习率、迭代计算次数、每批次训练的图像数目batch，图像数目batch的训练分组数subdivisions、衰减率decay、类别classes和filters参数；
将所述类别classes、所述训练集对应的文件地址、所述深度神经网络框架中的文件obj.names的地址和训练得到参数文件的地址写入所述深度神经网络框架中文件obj.data；
将标注后的图像的标签写入所述文件obj.names。
可选的，所述利用所述训练集对所述初始证件检测模型进行训练，并利用所述测试集和所述验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型，具体包括：
在训练命令中加入生成log日志的语句；
将所述训练集的数据载入所述初始证件检测模型，开始训练；
提取所述log日志中的loss，accuracy和迭代次数，并绘制Loss曲线；
根据所述Loss曲线的收敛状况判断所述Loss曲线的收敛状况是否满足预设收敛条件，得到收敛判断结果；
当所述收敛判断结果表示是时，载入训练后的初始证件检测模型和所述测试集的数据，进行测试，得到测试图像数据；
根据所述测试图像数据的标签和位置的准确度，生成测试报告；
根据所述测试报告确定最优证件检测模型。
本发明还提供了一种证件圆弧点检测和定位的***，所述***包括：
标注增强单元，用于对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据；
数据集划分单元，用于将所述样本图像数据划分为训练集、测试集和验证集；
初始模型构建单元，用于构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型；
模型训练测试单元，用于利用所述训练集对所述初始证件检测模型进行训练，并利用所述测试集和所述验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型；
检测单元，用于利用所述最优证件检测模型对待检测证件图像进行圆弧点检测。
可选的，所述标注增强单元具体包括：
标注子单元，用于采用图像标注软件标注出所述证件图像的拐角点的标签和位置，并且存入XML文件中，得到标注图像数据；
图像偏移子单元，用于将标注图像数据进行图像偏移操作，得到偏移图像数据；
图像切割子单元，用于将所述偏移图像数据进行图像切割操作，所述偏移图像数据的RGB的数值，得到样本图像数据。
可选的，所述数据集划分单元具体包括：
划分子单元，用于按照设定比例将所述样本图像数据划分为训练集、验证集、测试集；
txt文档生成子单元，用于将所述训练集、验证集、测试集中的图像、标注数据的文件地址分别写入相应的txt文档。
可选的，所述初始模型构建单元具体包括：
神经网络框架编译子单元，用于下载Darknet深度神经网络框架的源码，配置显卡驱动，对Darknet深度神经网络框架的源码进行编译；
超参数设置子单元，用于加载神经网络模型后设置超参数：设置学习率、迭代计算次数、每批次训练的图像数目batch，图像数目batch的训练分组数subdivisions、衰减率decay、类别classes和filters参数；
文件obj.data修改子单元，用于将所述类别classes、所述训练集对应的文件地址、所述深度神经网络框架中的文件obj.names的地址和训练得到参数文件的地址写入所述深度神经网络框架中的文件obj.data；
文件obj.names修改子单元，用于将标注后的图像的标签写入所述文件obj.names。
可选的，所述模型训练测试单元具体包括：
日志预提取子单元，用于在训练命令中加入生成log日志的语句；
训练子单元，用于将所述训练集的数据载入所述初始证件检测模型，开始训练；
日志信息提取子单元，用于提取所述log日志中的loss，accuracy和迭代次数，并绘制Loss曲线；
收敛判断子单元，用于根据所述Loss曲线的收敛状况判断所述Loss曲线的收敛状况是否满足预设收敛条件，得到收敛判断结果；
测试子单元，用于当所述收敛判断结果表示是时，载入训练后的初始证件检测模型和所述测试集的数据，进行测试，得到测试图像数据；
测试报告生成子单元，用于根据所述测试图像数据的标签和位置的准确度，得出相应的mAP，从而生成测试报告；
检测模型确定子单元，用于根据所述测试报告确定最优证件检测模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的证件圆弧点检测和定位的方法及***具有以下优点：
1、与常用的圆弧角检测方法相比，本发明借助目前最前沿的深度学习中的物体检测算法，其泛化性更强，鲁棒性更优秀，能有效地应对恶劣情况如证件的畸变、透视、折叠等情况。
2、利用图像处理、深度学习、目标检测等领域的技术，在满足检测速度的同时，提高检测精度，更快捷高效的进行图像定位校正。本发明有助于所需证件的定位矫正，而且通过深度学习的大样本训练，有效地克服了证件透视、歪曲、折痕等不良情况的漏检问题，并且在速度上达到了目前目标检测的前沿。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的证件圆弧点检测和定位的方法的流程图；
图2为本发明实施例提供的证件圆弧点检测和定位的***的框图。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
本发明的目的是提供一种证件圆弧点检测和定位的方法及***，以克服证件透视、歪曲、折痕等不良情况的漏检问题成为本领域亟待解决的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本实施例提供的证件圆弧点检测和定位的方法包括：
步骤101：对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据；
本实施例中的证件图像可以为用智能手机拍摄得到的图像数据、用扫描仪得到的图像数据、用数码或单反相机拍摄得到的图像数据、打开一个预先存在的包含图像数据的文件夹，批量处理该文件夹内所有的图像文件数据以及打开一个预先存在的图像文件数据，读取该文件中的图像数据中的一种或多种。但该图像具备一共同特性，即都为证件图像，均包含有圆弧点，本发明是利用拐角点的标签及位置信息对其进行检测和识别。
在实际应用中，该步骤101具体可以包括以下步骤：
S11：采用图像标注软件标注出该证件图像的拐角点的标签和位置，并且存入XML文件中，得到标注图像数据；
实际上，本实施例中采用LabelImage软件进行数据的标注，为证件图像的四个拐角点设置标签label和位置，并将标签label和位置存入XML文件中，标签label、位置以及证件图像遵循VOC2007数据集的规范，以便于后续数据读取的运用。
S12：将标注图像数据进行图像偏移操作，得到偏移图像数据；
S13：将该偏移图像数据进行图像切割操作，该偏移图像数据的RGB的数值，得到样本图像数据。
对于步骤S12中的图像偏移操作采用Image Shift算法实现，这样可以稍微剪裁数据样本，从而扩充数据集。而步骤S13中的图像切割操作采用Random Crop算法实现，以稍微改变数据的RGB值，从而进一步扩充数据集。对于训练神经网络模型而言，数据集的数据多少直接决定了模型训练的成功与否，因此需要采用一定的图像处理手段来扩充数据集，以保证训练的模型尽可能的准确。
步骤102：将该样本图像数据划分为训练集、测试集和验证集；
该步骤102具体可以包括以下步骤：
S21：按照设定比例将该样本图像数据划分为训练集、验证集、测试集；
S22：将该训练集、验证集、测试集中的图像、标注数据的文件地址分别写入相应的txt文档。
本实施例采用的设定比例为6∶2∶2，这样可以较好的保证神经网络模型被训练的充分性，也能保证对训练好的模型进行有效的测试和验证，以保证获得的证件检测模型的准确性。
步骤103：构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型。
S31：下载Darknet深度神经网络框架的源码，配置显卡驱动(即配置好Nvidia驱动和CUDA和cudnn)，对Darknet深度神经网络框架的源码进行编译；
S32：加载神经网络模型后设置超参数：设置学习率、迭代计算次数、每批次训练的图像数目batch，图像数目batch的训练分组数subdivisions、衰减率decay、类别classes和filters参数；
具体的，设置大小合适的学习率，本实施例的学习率为0.001，在40000次和50000次迭代后进行变化；设置合理的迭代次数，本实施例中采取的是90000次；设置合适的图像数目batch的训练分组数subdivisions，根据显卡缓存和数据集大小而定，本实施例中GTX1080TI，显存为11GB，故图像数目batch的训练分组数subdivisions分别设置为64和16；本实施例中衰减率decay设置为0.0005，便于快速收敛；在网络结构中，设置classes，由于本实施例中只有一个类别，故classes＝1；设置filters参数：根据YOLO-V3的网络结构具体计算，因为在YOLO-V3中用K-means算法得到9个Anchor，每个尺度分配3个Anchor，且每个尺度的每个位置预测3个bbox(bounding boxes)，故filter＝4+1+C，4表示的是预测框的4个位置的偏移量，1表述的是这个框的置信度Confidence，C表述的是类别，在本实施例中为1，故本实验的filter＝(4+1+1)*3＝18。
S33：将该类别classes、该训练集对应的文件地址(即txt文档)、该深度神经网络框架中的文件obj.names的地址和训练得到参数文件的地址写入该深度神经网络框架中文件obj.data；
S34：将标注后的图像的标签写入该文件obj.names。
需要说明的是，本实施例采用YOLO-V3神经网络模型，该YOLO-V3神经网络模型采用的是Darknet深度神经网络框架，其主干网络为Darknet-53深度神经网络。
步骤104：利用该训练集对该初始证件检测模型进行训练，并利用该测试集和该验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型；
S41：在训练命令中加入生成log日志的语句；
S42：将该训练集的数据载入该初始证件检测模型，开始训练；
S43：提取该log日志中的loss，accuracy和迭代次数，并绘制Loss曲线；
S44：根据该Loss曲线的收敛状况判断该Loss曲线的收敛状况是否满足预设收敛条件，得到收敛判断结果；
S45：当该收敛判断结果表示是时，载入训练后的初始证件检测模型和该测试集的数据，进行测试，得到测试图像数据；
S46：根据该测试图像数据的标签和位置的准确度，生成测试报告；
S47：根据该测试报告确定最优证件检测模型
步骤105：利用该最优证件检测模型对待检测证件图像进行圆弧点检测。
本实施例还提供了一种与上述证件圆弧点检测和定位的方法相应的还提供了一种证件圆弧点检测和定位的***，如图2所示，该***包括：
标注增强单元201，用于对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据；
该标注增强单元201具体包括：
标注子单元，用于采用图像标注软件标注出该证件图像的拐角点的标签和位置，并且存入XML文件中，得到标注图像数据；
图像偏移子单元，用于将标注图像数据进行图像偏移操作，得到偏移图像数据；
图像切割子单元，用于将该偏移图像数据进行图像切割操作，该偏移图像数据的RGB的数值，得到样本图像数据。
数据集划分单元202，用于将该样本图像数据划分为训练集、测试集和验证集；
该数据集划分单元202具体包括：
划分子单元，用于按照设定比例将该样本图像数据划分为训练集、验证集、测试集；
txt文档生成子单元，用于将该训练集、验证集、测试集中的图像、标注数据的文件地址分别写入相应的txt文档。
初始模型构建单元203，用于构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型；
该初始模型构建单元具体包括：
神经网络框架编译子单元，用于下载Darknet深度神经网络框架的源码，配置显卡驱动，对Darknet深度神经网络框架的源码进行编译；
超参数设置子单元，用于加载神经网络模型后设置超参数：设置学习率、迭代计算次数、每批次训练的图像数目batch，图像数目batch的训练分组数subdivisions、衰减率decay、类别classes和filters参数；
文件obj.data修改子单元，用于将该类别classes、该训练集对应的文件地址、该深度神经网络框架中的文件obj.names的地址和训练得到参数文件的地址写入该深度神经网络框架中的文件obj.data；
文件obj.names修改子单元，用于将标注后的图像的标签写入该文件obj.names。
模型训练测试单元204，用于利用该训练集对该初始证件检测模型进行训练，并利用该测试集和该验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型；
该模型训练测试单元具体包括：
日志预提取子单元，用于在训练命令中加入生成log日志的语句；
训练子单元，用于将该训练集的数据载入该初始证件检测模型，开始训练；
日志信息提取子单元，用于提取该log日志中的loss，accuracy和迭代次数，并绘制Loss曲线；
收敛判断子单元，用于根据该Loss曲线的收敛状况判断该Loss曲线的收敛状况是否满足预设收敛条件，得到收敛判断结果；
测试子单元，用于当该收敛判断结果表示是时，载入训练后的初始证件检测模型和该测试集的数据，进行测试，得到测试图像数据；
测试报告生成子单元，用于根据该测试图像数据的标签和位置的准确度，得出相应的mAP，从而生成测试报告；
检测模型确定子单元，用于根据该测试报告确定最优证件检测模型。
检测单元205，用于利用该最优证件检测模型对待检测证件图像进行圆弧点检测。
需要说明的是，对于该实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
为了实现本发明，需要具备如下硬件条件：该设备需要有强悍的运算能力和存储空间，包括高频率的中央处理器单元，高性能图形处理单元GPU，较大的内存和存储硬盘，以及***软件(建议Linux***)和应用软件。如果需要通过数码相机、智能手机或扫描仪扫描来得到图像数据，还需配备数码相机、智能手机或扫描仪。如果通过云计算和云存储，还需要连接到因特网。
综合上述，本发明提出的一种证件圆弧角点检测的方法及***，利用图像处理、深度学习、目标检测等领域的技术，在满足检测速度的同时，提高检测精度，更快捷高效的进行图像定位校正。本发明有助于所需证件的定位矫正，而且通过深度学习的大样本训练，有效地克服了证件透视、歪曲、折痕等不良情况的漏检问题，并且在速度上达到了目前目标检测的前沿。
本发明的应用实例如下：
应用实例1：
例如，在计算机上，对拍摄的证件进行定位检测。并且证件据有透视现象。使用本发明的所示的方法，先获取大量的证件样本，样本数据尽量做到样本均衡。再步骤101进行这些样本数据的标注工作，标注完成后进行图像增强，扩充样本数据。经过步骤102，分割数据集为训练集、测试集和验证集。接着经步骤103完成YOLO-V3的配置就可以进行步骤104模型的训练工作，训练完成后进行模型的测试工作，对此模型进行评估，可以重复103-104的工作，调整参数训练，评选出最符合需求的模型进行部署，最后经步骤105利用得到的最优模型对待检测证件图像进行检测。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上该，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种证件圆弧点检测和定位的方法，其特征在于，所述方法包括：
对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据；
将所述样本图像数据划分为训练集、测试集和验证集；
构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型；
利用所述训练集对所述初始证件检测模型进行训练，并利用所述测试集和所述验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型；
利用所述最优证件检测模型对待检测证件图像进行圆弧点检测。
2.根据权利要求1所述的证件圆弧点检测和定位的方法，其特征在于，所述对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据，具体包括：
采用图像标注软件标注出所述证件图像的拐角点的标签和位置，并且存入XML文件中，得到标注图像数据；
将标注图像数据进行图像偏移操作，得到偏移图像数据；
将所述偏移图像数据进行图像切割操作，所述偏移图像数据的RGB的数值，得到样本图像数据。
3.根据权利要求1所述的证件圆弧点检测和定位的方法，其特征在于，所述将所述样本图像数据划分为训练集、测试集和验证集，具体包括：
按照设定比例将所述样本图像数据划分为训练集、验证集、测试集；
将所述训练集、验证集、测试集中的图像、标注数据的文件地址分别写入相应的txt文档。
4.根据权利要求1所述的证件圆弧点检测和定位的方法，其特征在于，所述构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型，具体包括：
下载Darknet深度神经网络框架的源码，配置显卡驱动，对Darknet深度神经网络框架的源码进行编译；
加载神经网络模型后设置超参数：设置学习率、迭代计算次数、每批次训练的图像数目batch，图像数目batch的训练分组数subdivisions、衰减率decay、类别classes和filters参数；
将所述类别classes、所述训练集对应的文件地址、所述深度神经网络框架中的文件obj.names的地址和训练得到参数文件的地址写入所述深度神经网络框架中文件obj.data；
将标注后的图像的标签写入所述文件obj.names。
5.根据权利要求1所述的证件圆弧点检测和定位的方法，其特征在于，所述利用所述训练集对所述初始证件检测模型进行训练，并利用所述测试集和所述验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型，具体包括：
在训练命令中加入生成log日志的语句；
将所述训练集的数据载入所述初始证件检测模型，开始训练；
提取所述log日志中的loss，accuracy和迭代次数，并绘制Loss曲线；
根据所述Loss曲线的收敛状况判断所述Loss曲线的收敛状况是否满足预设收敛条件，得到收敛判断结果；
当所述收敛判断结果表示是时，载入训练后的初始证件检测模型和所述测试集的数据，进行测试，得到测试图像数据；
根据所述测试图像数据的标签和位置的准确度，得出相应的mAP指标，生成测试报告；
根据所述测试报告确定最优证件检测模型。
6.一种证件圆弧点检测和定位的***，其特征在于，所述***包括：
标注增强单元，用于对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据；
数据集划分单元，用于将所述样本图像数据划分为训练集、测试集和验证集；
初始模型构建单元，用于构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型；
模型训练测试单元，用于利用所述训练集对所述初始证件检测模型进行训练，并利用所述测试集和所述验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型；
检测单元，用于利用所述最优证件检测模型对待检测证件图像进行圆弧点检测。
7.根据权利要求6所述的证件圆弧点检测和定位的***，其特征在于，所述标注增强单元具体包括：
标注子单元，用于采用图像标注软件标注出所述证件图像的拐角点的标签和位置，并且存入XML文件中，得到标注图像数据；
图像偏移子单元，用于将标注图像数据进行图像偏移操作，得到偏移图像数据；
图像切割子单元，用于将所述偏移图像数据进行图像切割操作，所述偏移图像数据的RGB的数值，得到样本图像数据。
8.根据权利要求6所述的证件圆弧点检测和定位的***，其特征在于，所述数据集划分单元具体包括：
划分子单元，用于按照设定比例将所述样本图像数据划分为训练集、验证集、测试集；
txt文档生成子单元，用于将所述训练集、验证集、测试集中的图像、标注数据的文件地址分别写入相应的txt文档。
9.根据权利要求6所述的证件圆弧点检测和定位的***，其特征在于，所述初始模型构建单元具体包括：
神经网络框架编译子单元，用于下载Darknet深度神经网络框架的源码，配置显卡驱动，对Darknet深度神经网络框架的源码进行编译；
超参数设置子单元，用于加载神经网络模型后设置超参数：设置学习率、迭代计算次数、每批次训练的图像数目batch，图像数目batch的训练分组数subdivisions、衰减率decay、类别classes和filters参数；
文件obj.data修改子单元，用于将所述类别classes、所述训练集对应的文件地址、所述深度神经网络框架中的文件obj.names的地址和训练得到参数文件的地址写入所述深度神经网络框架中的文件obj.data；
文件obj.names修改子单元，用于将标注后的图像的标签写入所述文件obj.names。
10.根据权利要求6所述的证件圆弧点检测和定位的***，其特征在于，所述模型训练测试单元具体包括：
日志预提取子单元，用于在训练命令中加入生成log日志的语句；
训练子单元，用于将所述训练集的数据载入所述初始证件检测模型，开始训练；
日志信息提取子单元，用于提取所述log日志中的loss，accuracy和迭代次数，并绘制Loss曲线；
收敛判断子单元，用于根据所述Loss曲线的收敛状况判断所述Loss曲线的收敛状况是否满足预设收敛条件，得到收敛判断结果；
测试子单元，用于当所述收敛判断结果表示是时，载入训练后的初始证件检测模型和所述测试集的数据，进行测试，得到测试图像数据；
测试报告生成子单元，用于根据所述测试图像数据的标签和位置的准确度，生成测试报告；
检测模型确定子单元，用于根据所述测试报告确定最优证件检测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910751188.6A CN110458238A (zh) | 2019-08-02 | 2019-08-02 | 一种证件圆弧点检测和定位的方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910751188.6A CN110458238A (zh) | 2019-08-02 | 2019-08-02 | 一种证件圆弧点检测和定位的方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110458238A true CN110458238A (zh) | 2019-11-15 |
Family
ID=68486604
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910751188.6A Pending CN110458238A (zh) | 2019-08-02 | 2019-08-02 | 一种证件圆弧点检测和定位的方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110458238A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111881882A (zh) * | 2020-08-10 | 2020-11-03 | 晶璞(上海)人工智能科技有限公司 | 一种基于深度学习的医疗票据旋转矫正方法及*** |
| WO2022063274A1 (zh) * | 2020-09-27 | 2022-03-31 | 中兴通讯股份有限公司 | 一种数据标注方法、***和电子设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101510258A (zh) * | 2009-01-16 | 2009-08-19 | 北京中星微电子有限公司 | 一种证件验证方法、***及一种证件验证终端 |
| CN102081803A (zh) * | 2011-01-20 | 2011-06-01 | 周佳 | 一种手写原笔迹的笔锋实现方法 |
| CN102930265A (zh) * | 2012-09-19 | 2013-02-13 | 广州市中崎商业机器有限公司 | 一种多身份证扫描方法及装置 |
| CN106156712A (zh) * | 2015-04-23 | 2016-11-23 | 信帧电子技术（北京）有限公司 | 一种基于自然场景下的身份证号码识别方法与装置 |
| CN106251338A (zh) * | 2016-07-20 | 2016-12-21 | 北京旷视科技有限公司 | 目标完整性检测方法及装置 |
| CN107609549A (zh) * | 2017-09-20 | 2018-01-19 | 北京工业大学 | 一种自然场景下证件图像的文本检测方法 |
| CN108229468A (zh) * | 2017-06-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 车辆外观特征识别及车辆检索方法、装置、存储介质、电子设备 |
| CN109344727A (zh) * | 2018-09-07 | 2019-02-15 | 苏州创旅天下信息技术有限公司 | 身份证文本信息检测方法及装置、可读存储介质和终端 |
| CN109446900A (zh) * | 2018-09-21 | 2019-03-08 | 平安科技（深圳）有限公司 | 证件真伪验证方法、装置、计算机设备及存储介质 |
| CN109447189A (zh) * | 2018-12-19 | 2019-03-08 | 广州市华标科技发展有限公司 | 读点定位自助证件存取设备及读点定位方法 |
| CN110059680A (zh) * | 2019-04-24 | 2019-07-26 | 杭州智趣智能信息技术有限公司 | 一种身份证图像的检测方法、装置及设备 |
-
2019
- 2019-08-02 CN CN201910751188.6A patent/CN110458238A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101510258A (zh) * | 2009-01-16 | 2009-08-19 | 北京中星微电子有限公司 | 一种证件验证方法、***及一种证件验证终端 |
| CN102081803A (zh) * | 2011-01-20 | 2011-06-01 | 周佳 | 一种手写原笔迹的笔锋实现方法 |
| CN102930265A (zh) * | 2012-09-19 | 2013-02-13 | 广州市中崎商业机器有限公司 | 一种多身份证扫描方法及装置 |
| CN106156712A (zh) * | 2015-04-23 | 2016-11-23 | 信帧电子技术（北京）有限公司 | 一种基于自然场景下的身份证号码识别方法与装置 |
| CN106251338A (zh) * | 2016-07-20 | 2016-12-21 | 北京旷视科技有限公司 | 目标完整性检测方法及装置 |
| CN108229468A (zh) * | 2017-06-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 车辆外观特征识别及车辆检索方法、装置、存储介质、电子设备 |
| CN107609549A (zh) * | 2017-09-20 | 2018-01-19 | 北京工业大学 | 一种自然场景下证件图像的文本检测方法 |
| CN109344727A (zh) * | 2018-09-07 | 2019-02-15 | 苏州创旅天下信息技术有限公司 | 身份证文本信息检测方法及装置、可读存储介质和终端 |
| CN109446900A (zh) * | 2018-09-21 | 2019-03-08 | 平安科技（深圳）有限公司 | 证件真伪验证方法、装置、计算机设备及存储介质 |
| CN109447189A (zh) * | 2018-12-19 | 2019-03-08 | 广州市华标科技发展有限公司 | 读点定位自助证件存取设备及读点定位方法 |
| CN110059680A (zh) * | 2019-04-24 | 2019-07-26 | 杭州智趣智能信息技术有限公司 | 一种身份证图像的检测方法、装置及设备 |
Non-Patent Citations (4)
| Title |
|---|
| 严曲: "身份证识别***的原理及算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 张怀朋: "身份号码图像识别方法与***的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 杨晨红: "基于机器学习的光学字符识别与应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 陈笑: "证件图像定位与信息提取技术的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111881882A (zh) * | 2020-08-10 | 2020-11-03 | 晶璞(上海)人工智能科技有限公司 | 一种基于深度学习的医疗票据旋转矫正方法及*** |
| WO2022063274A1 (zh) * | 2020-09-27 | 2022-03-31 | 中兴通讯股份有限公司 | 一种数据标注方法、***和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210192202A1 (en) | Recognizing text in image data | |
| JP6484333B2 (ja) | 記述式問題のための知的採点方法およびシステム | |
| CN103528617B (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
| JP2021532459A (ja) | 標的細胞標識方法、装置、記憶媒体及び端末デバイス | |
| CN202939608U (zh) | 阅卷*** | |
| CN104572463B (zh) | 测试接口信息的方法及装置 | |
| CN109901996B (zh) | 辅助测试的方法、装置、电子设备及可读存储介质 | |
| CN109657675B (zh) | 图像标注方法、装置、计算机设备和可读存储介质 | |
| CN110458238A (zh) | 一种证件圆弧点检测和定位的方法及*** | |
| CN109901968A (zh) | 一种自动化页面数据校验方法和装置 | |
| CN109767443A (zh) | 一种布料瑕疵数据收集方法及装置 | |
| CN111768405B (zh) | 处理标注图像的方法、装置、设备和存储介质 | |
| CN110135225B (zh) | 样本标注方法及计算机存储介质 | |
| CN107908513A (zh) | 一种存储介质和存储设备性能的测试方法、装置及设备 | |
| CN109636820A (zh) | 电子地图车道线修正方法、设备及计算机可读存储介质 | |
| CN106776319A (zh) | 自动测试方法及装置 | |
| CN112070754A (zh) | 一种隧道管片漏水检测方法、装置、电子设备及介质 | |
| JP7006246B2 (ja) | テスト用紙処理装置 | |
| CN115290104A (zh) | 仿真地图生成方法、装置、设备及可读存储介质 | |
| CN113837159A (zh) | 一种基于机器视觉的仪表示数识别方法和装置 | |
| CN112381087A (zh) | 结合rpa和ai的图像识别方法、装置、计算机设备和介质 | |
| CN113887545B (zh) | 一种基于目标检测模型的腹腔镜手术器械识别方法及装置 | |
| CN110705278A (zh) | 主观题阅卷方法和主观题阅卷装置 | |
| CN111881882A (zh) | 一种基于深度学习的医疗票据旋转矫正方法及*** | |
| CN107566826A (zh) | 栅格图像处理器的测试方法及装置 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200819 Address after: Room 2087, No. 100, Lane 130, Taopu Road, Putuo District, Shanghai Applicant after: Jingpu (Shanghai) Artificial Intelligence Technology Co.,Ltd. Address before: 226000 Jiangsu city of Nantong province No. 2 Building 1 room 110494 Hyde Applicant before: NANTONG SHIAI INTELLIGENT TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| DD01 | Delivery of document by public notice |
Addressee: Jingpu (Shanghai) Artificial Intelligence Technology Co.,Ltd. Person in charge of patents Document name: Notice of First Examination Opinion |
|
| DD01 | Delivery of document by public notice | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191115 |
|
| WD01 | Invention patent application deemed withdrawn after publication |