CN110610174A - 复杂条件下银行***识别方法 - Google Patents
复杂条件下银行***识别方法 Download PDFInfo
- Publication number
- CN110610174A CN110610174A CN201910643964.0A CN201910643964A CN110610174A CN 110610174 A CN110610174 A CN 110610174A CN 201910643964 A CN201910643964 A CN 201910643964A CN 110610174 A CN110610174 A CN 110610174A
- Authority
- CN
- China
- Prior art keywords
- bank card
- image
- card number
- network
- identifying
- 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
Classifications
-
- 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
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/146—Aligning or centring of the image pick-up or image-field
- G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
- G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明设计一种复杂条件下银行***识别方法,该方法是一种利用角点检测、卷积神经网络和生成式对抗网络,在复杂的环境下进行对图像中银行卡的卡片号码的识别***。本***利用大量的复杂条件样本训练卷积神经网络,使得图片在角点检测后经过位置及角度校正后,无需其他的图片预处理方法,便能够在更为复杂的拍摄环境和成像环境的条件下检测出银行***码。对于低可读性的银行***码,本***利用大量的复杂样本训练好的生成对抗网络DCGAN对其***图像进行增强,然后再利用训练好的卷积神经网络进行检测。
Description
技术领域
电子信息领域,用于识别银行卡***。
背景技术
银行卡是生活中一种常见的实体信用支付工具,在信息化高速发展的今天,银行卡电子化也成为一个主流的趋势。在社会经济活动中,银行***作为银行卡的身份识别代码,许多情况下需要用户手动输入银行***来完成交易等经济活动,效率很低。让手机等电子设备利用摄像头自动识别用户的银行***,是解决这个问题的一种非常有效的解决方法。传统算法需要设定严格的拍摄方式和拍摄环境来进行银行卡自动识别,且卡片种类繁多的背景图案可能造成检测效果的差异而导致检测失败,对于号码不清晰、污损的卡片检测效果难以得到保障,这些都会给增加用户操作的复杂度,背离操作便利化初衷。
发明内容
本发明的目的在于提供一种基于图像的银行***识别方法。
本发明利用基于卷积网络的目标检测算法和一些辅助的图像处理算法,能在更复杂背景和拍摄环境下利用电子设备摄像头检测银行卡的***,并且能对污损的号码利用生成对抗网络对其进行强化检测。***具有适应能力强,检测能力优秀和灵活便利等特点。
本发明的特征在于,运用了角点检测来识别银行卡的四个角,边缘检测及霍夫变换(Hough)直线检测来识别银行卡四条边,以此来对图片的角度以及位置进行校正,无需其他的预处理方法。
本发明的特征在于,在复杂拍摄条件下,可以识别图像中任意角度摆放的银行***,且对号码有污损的银行卡进行增强识别。其中:
角点检测来识别银行卡的四个角,边缘检测及霍夫变换(Hough)直线检测来识别银行卡四条边,卷积神经网络主要用于构建识别算法的主干网络,生成对抗网络DCGAN用于对字体不清晰的号码进行增强。任意角度摆放是指银行卡边缘无需垂直或平行于图像的边缘或者无需与拍摄视角实现四角完美对齐,可以与图像边缘呈任意角度,预处理算法会根据检测到的银行卡四个角点来对银行卡进行位置矫正,并切割生成垂直或平行于图像边缘的银行卡图像为后续检测提供便利。有污损的银行卡是指卡片号码不清晰、有部分损毁或者污渍覆盖等介于号码干净清晰和号码无法辨认之间的状态,本方法可以根据需求,选择在基础识别无法检测到号码后,使用已经训练好的生成对抗网络DCGAN增强***图像,再对增强后的***图像进行号码识别。一张卡片上会有其它干扰检测的数字被检测出来,针对此种干扰,本方法利用每个数字的坐标信息进行筛选哪些数字属于银行***,经过筛选可以减少计算量。
整体流程如图1所示,大致步骤如下:
步骤(1)获取图像,进行角点检测,边缘检测及霍夫变换(Hough)直线检测来识别银行卡四条边,以此来对图像进行位置与角度校正,得到边缘对齐的正视角的银行卡图像。
步骤(2)利用基于卷积神经网络的识别算法对预处理的卡片上的数字进行逐个识别,提取银行***。同时利用检测网络得到的每个数字的位置信息,来筛选网络检测出的数字是否为银行***。若对于所有识别数字的输出概率均大于某个阈值(0.85~0.95),则输出该***;若存在某个数字的输出概率小于该阈值,则进行卡片图像截取并增强,见步骤(3)。所述的检测网络即为所述的卷积神经网络。
步骤(3)利用基于生成对抗网络DCGAN中的生成模型对(2)中筛选出的卡片号码图像进行增强,输出增强后的***图像。
步骤(4)利用训练好的卷积神经网络对步骤(3)中增强后的银行卡图像进行再识别,即转步骤(2),输出***,完成识别。
有益效果
本发明使用的检测方法不需要对采集的图像进行二值化预处理、背景及数字区域区分,而是使用卷积神经网络作为识别算法的主干网络对全部卡片区域数字逐个进行数字检测,能够处理复杂条件下的银行***识别问题,提高了数字提取效率。
附图说明
图1本发明的整体框架图。
图2本发明的银行卡视角及角度校正。
图3本发明的卷积神经网络图
图4本发明的数字检测示意图。
图5本发明的DCGAN网络结构图
图6本发明的增强检测示意图。
具体实施方式
1图像预处理
在图片预处理阶段,运用了角点检测来识别银行卡的四个角,边缘检测及霍夫变换(Hough)直线检测来识别银行卡四条边,以此来对图片的角度以及位置进行校正见图2。具体包括
1)通过角点检测算法对银行卡四个角进行检测。其中角点检测算法可以用任意的角点检测算法替代。
2)利用边缘检测和霍夫变换识别银行卡四条边,以此来对银行卡图片的角度以及位置进行校正,不需要对采集的图像进行二值化预处理、背景及数字区域区分。
2制作训练集
2.1卷积神经网络训练集制作
对人工标记的银行卡数字和标准数字图片(OCR-A/B font、MICR E-13B数据集等)进行数据扩增,包括但不限于旋转、裁剪、模糊、二值化、图像合成、降低分辨率、背景替换、对比度变化、饱和度变化、亮度变化和视角变化。最后得到一个数字数据集,供卷积神经网络训练使用。具体包括:
1)统一分辨率:改变银行卡图像的分辨率为300*300(即图像的长和宽均为300),以统一训练输入和检测输入的尺寸。该方法包括选择拉伸银行卡图像比例,或者选择在原有比例不变的情况下,用补充空白色块作为图像的补充,以保证银行卡区域保持原图像比例不做拉伸。
2)直接在银行卡的图像上标记***数字,一张图像对应多个***数字及其对应位置。
2.2生成对抗网络训练集制作
在卷积神经网络数据集基础上对银行卡图像进行随机遮挡、模糊增噪和裁剪等降低数字可读性处理。此外人工标记一定量的污损、模糊、有划痕或部分缺失等低可读性数字的银行卡图像。最后得到一个低可读性数字数据集,供生成对抗网络训练使用。
3模型概述
3.1卷积神经网络
一个图形识别的卷积神经网络模型。首先是输入层,计算机理解为输入若干个矩阵。
接着是卷积层(Convolution Layer),卷积过程用数学公式表达为
其中n为输入矩阵的个数,Xk代表第k个输入矩阵。Wk代表卷积核的第k个子卷积核矩阵。s(i,j)即为卷积核W对应的输出矩阵的对应位置元素的值。
卷积层是卷积神经网络特有的,卷积层的中有激活函数,常见的激活函数包含ReLU,tanh,sigmoid,softmax等。
在卷积层后面是池化层(Pooling layer),通过卷积操作,我们完成了对输入图像的降维和特征抽取,但特征图像的维数还是很高。维数高不仅计算耗时,而且容易导致过拟合。为此引入了下采样技术,也称为pooling即池化操作。
池化的做法是对图像的某一个区域用一个值代替,如最大值或平均值。如果采用最大值,叫做max池化;如果采用均值,叫做均值池化。除了降低图像尺寸之外,下采样带来的另外一个好处是平移、旋转不变性,因为输出值由图像的一片区域计算得到,对于平移和旋转并不敏感。池化层的具体实现是在进行卷积操作之后对得到的特征图像进行分块,图像被划分成的不相交块,计算这些块内的最大值或平均值,得到池化后的图像。
卷积层+池化层的组合可以在隐藏层出现很多次,根据模型的需要选择次数。在若干卷积层+池化层后面是全连接层(Fully Connected Layer,简称FC),全连接层(fullyconnected layers,FC)在整个卷积神经网络中起到“分类器”的作用。
本实施例中采用的网络结构具体为:4个卷积层、3个池化层和3个全连接层,输入的图片大小为300*300,分别经过四个3*3的卷积核,深度依次为64、128、256、512,每一次卷积后的feature map都会经2*2的池化核进行下采样,最后进入到三个全连接层,全连接层的神经元个数依次为1024、1024、10。但不限于此结构,可以根据实际情况进行调整。
3.2生成对抗网络
GAN中主要包括两个核心网络,生成模型和判别模型。
生成模型记为G,通过对大量样本的学习,能够生成以假乱真的样本。在本方法中,通过给生成器输入噪声图片,生成器能进行图像,将模糊银行卡数字变得清晰。
判别模型记为D,接受真实样本和G生成的样本,并进行判别和区分。D和G相互博弈,通过学习,G的生成能力和D的判别能力都逐渐增强并收敛。
生成对抗网络优化的目标函数定义如下形式:
其中,G(z)表示将输入的噪声z映射成数据(例如生成图片)。D(x)代表x来自于真实数据分布的概率。pdata为真实数据分布概率,pg为生成模型G在训练数据X上的分布概率。最后两个模型博弈的结果是G可以生成以假乱真的数据G(z)。而D难以判定G生成的数据是否真实,即D(G(z))=0.5。
目标函数分为两部分,一部分是判别模型的损失函数,另一部分是生成模型的损失函数。
判别模型的损失函数:
-((1-y)log(1-D(G(z)))+ylogD(x))
其含义为当取出正常数字图像时,模型输出D(x)应尽量接近于1;而取出低可读性数字时,模型输出应尽可能为0,即让D(G(z))的输出趋向于0。计算损失函数,选取任意一种梯度下降优化算法进行优化。此处0代表输出的是低可读性图片,1代表真实图片。y为类别,y取0代表低可读性图片,y取1代表真实图片。
生成模型的损失函数为:
(1-y)log(1-D(G(z)))
其含义为,生成模型应尽可能产生与正常的数字相似的数字,应最小化生成模型误差。
生成对抗网络结构见图5,其中生成模型由反卷积层构成,根据实际效果可以更改具体的层数。判别模型由卷积层构成,根据实际效果可以更改具体的层数。
本实施例中采用的网络结构具体为:生成模型共有4个反卷积层,每次进行反卷积后都要再经过相同大小的卷积核的卷积来增加更多非线性变化,最后的输出结果为经过Tanh激活后的300*300的图片。判别模型,由5个卷积层和1个全连接层组成,经过生成器生成的图片和原始图片都作为输入,5层卷积网络依次提取输入图片的特征,最后输入到全连接层,经过1024个神经元的全连接层做概率的映射,经过ReLU激活函数后传出用作损失函数的计算。但不限于此结构,可以根据实际情况进行调整。
4模型训练
4.1卷积神经网络训练
1)网络权值初始化;
2)输入图片数据经过卷积层、下采样层、全连接层的向前传播得到输出值;
3)求出网络的输出值与目标值之间的误差;
4)当误差大于我们的期望值时,将误差传回网络中,依次求得全连接层,下采样层,卷积层的误差。各层的误差可以理解为对于网络的总误差,网络应承担多少;当误差等于或小于我们的期望值时,结束训练。
5)根据求得误差进行权值更新。然后在进入到4.1.2)。
6)输出结果为银行***。对于每一个数字识别都是十分类,softmax函数会计算出每种类别的概率。最后选择最大的概率对应的数字类别输出。根据实验情况选择迭代次数,当出现损失函数稳定变化较小时可减少迭代次数。
4.2生成对抗网络训练
1)将低可读性的图片(即下文所述的假图片)输入生成模型,得到一组假数据,记为G(z);
2)在真实图片随机采样,作为真实数据,记做x;
3)将前两步4.2.1)和4.2.2)中某一步产生的数据作为判别网络的输入(因此判别模型的输入为两类数据,真/假),判别网络的输出值为该输入属于真实图片数据的概率,real为1,fake为0。
4)然后根据得到的概率值计算损失函数;
5)根据判别模型和生成模型的损失函数,可以利用反向传播算法,更新模型的参数;(先更新判别模型的参数,然后通过再采样得到的噪声数据更新生成器的参数)
6)输出结果为增强后的银行***图片。根据实验情况选择迭代次数,当出现损失函数稳定变化较小时可减少迭代次数。
5检测
在检测阶段,整体框架如图1所示,详细步骤如下:
步骤(1)获取银行卡图像,角点检测来识别银行卡的四个角,边缘检测及霍夫变换(Hough)直线检测来识别银行卡四条边,以此来对银行卡图片的角度以及位置进行校正,得到边缘对齐的正视角的银行卡图像,此外保留人工调整角点、边缘检测和霍夫变换直线检测的选择,以保证卡片信息的正常提取。
步骤(2)将步骤1中预处理过的图像输入给已训练好的卷积神经网络进行***识别,此时会把卡片上所有的数字和对应的坐标检测出来,可以利用检测网络得到的每个数字的坐标信息,即一部分连续的***,其横坐标不变,纵坐标依次增加这一特性,经过比较内部含有数字最多的部分即为银行***,完成筛选。若识别数字的概率均大于某一阈值(0.85~0.95),则输出该银行***;若存在某些识别数字的概率小于该阈值,则截取该***图像,转步骤3进行图像增强;
步骤(3)利用基于生成式对抗网络对卡片号码截取图像进行增强,将图像送入已经训练好的对抗生成网络中的生成模型,经过四个反卷积层进行上采样,将输出一个64*64的增强图像。即修复好的数字图像,如图6。
步骤(4)利用训练好的卷积神经网络对修复好的数字图像进行再检测,方法同步骤(2),输出***,完成检测。
Claims (5)
1.复杂条件下银行***识别方法,其特征在于,包括:
步骤1:获取图像,对图像进行预处理;
步骤2:利用基于卷积神经网络的识别算法对预处理的卡片上的数字进行逐个识别,提取银行***,同时利用检测网络得到每个数字的位置信息,来筛选网络检测出的数字是否为银行***,若对于所有识别数字的输出概率均大于某个阈值,则输出该***;若存在某个数字的输出概率小于该阈值,则进行卡片图像截取并增强,见步骤(3);
步骤3:将步骤2中截取的银行卡图像输入给已训练好的生成对抗网络DCGAN的生成模型,进行图像增强;
步骤4:将步骤3中增强后的银行卡图像输入给已训练好的卷积神经网络进行***识别,若成功识别,则输出***;否则识别失败。
2.根据权利要求1所述的复杂条件下银行***识别方法,其特征在于:在图像预处理过程中,运用了角点检测来识别银行卡的四个角,边缘检测及霍夫变换(Hough)直线检测来识别银行卡四条边,以此来对银行卡图片的角度以及位置进行校正。
3.根据权利要求1所述的复杂条件下银行***识别方法,其特征在于:该方法的网络结构分为独立的两部分,第一部分是卷积神经网络,对预处理的银行卡图像进行***识别;第二部分是生成对抗网络,包括生成模型和判别模型。
4.根据权利要求1所述的复杂条件下银行***识别方法,其特征在于:卷积神经网络通过找到银行***所在框的准确位置,把这个位置中的银行***分块识别;同时对生成对抗网络增强后的银行卡图片进行识别。
5.根据权利要求1所述的复杂条件下银行***识别方法,其特征在于:生成对抗网络中的生成模型由反卷积神经网络构成,用来对银行卡截取图像进行增强,判别模型由卷积神经网络构成,用来训练生成模型,提高生成模型的准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910643964.0A CN110610174A (zh) | 2019-07-16 | 2019-07-16 | 复杂条件下银行***识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910643964.0A CN110610174A (zh) | 2019-07-16 | 2019-07-16 | 复杂条件下银行***识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110610174A true CN110610174A (zh) | 2019-12-24 |
Family
ID=68889665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910643964.0A Pending CN110610174A (zh) | 2019-07-16 | 2019-07-16 | 复杂条件下银行***识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610174A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899270A (zh) * | 2020-07-30 | 2020-11-06 | 平安科技(深圳)有限公司 | 卡片边框检测方法、装置、设备及可读存储介质 |
CN112668529A (zh) * | 2020-12-31 | 2021-04-16 | 神思电子技术股份有限公司 | 一种菜品样本图像增强识别方法 |
WO2021227289A1 (zh) * | 2020-05-14 | 2021-11-18 | 南京翱翔信息物理融合创新研究院有限公司 | 一种基于深度学习的复杂背景低质量二维条码检测方法 |
EP3961482A1 (en) * | 2020-08-31 | 2022-03-02 | Check it out Co., Ltd. | System and method for verifying authenticity of an anti-counterfeiting element, and method for building a machine learning model used to verify authenticity of an anti-counterfeiting element |
CN114359287A (zh) * | 2022-03-21 | 2022-04-15 | 青岛正信德宇信息科技有限公司 | 一种图像数据处理方法及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446667A (zh) * | 2018-04-04 | 2018-08-24 | 北京航空航天大学 | 基于生成对抗网络数据增强的人脸表情识别方法和装置 |
CN108764230A (zh) * | 2018-05-30 | 2018-11-06 | 上海建桥学院 | 一种基于卷积神经网络的银行***自动识别方法 |
US20190138860A1 (en) * | 2017-11-08 | 2019-05-09 | Adobe Inc. | Font recognition using adversarial neural network training |
-
2019
- 2019-07-16 CN CN201910643964.0A patent/CN110610174A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190138860A1 (en) * | 2017-11-08 | 2019-05-09 | Adobe Inc. | Font recognition using adversarial neural network training |
CN108446667A (zh) * | 2018-04-04 | 2018-08-24 | 北京航空航天大学 | 基于生成对抗网络数据增强的人脸表情识别方法和装置 |
CN108764230A (zh) * | 2018-05-30 | 2018-11-06 | 上海建桥学院 | 一种基于卷积神经网络的银行***自动识别方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021227289A1 (zh) * | 2020-05-14 | 2021-11-18 | 南京翱翔信息物理融合创新研究院有限公司 | 一种基于深度学习的复杂背景低质量二维条码检测方法 |
CN111899270A (zh) * | 2020-07-30 | 2020-11-06 | 平安科技(深圳)有限公司 | 卡片边框检测方法、装置、设备及可读存储介质 |
CN111899270B (zh) * | 2020-07-30 | 2023-09-05 | 平安科技(深圳)有限公司 | 卡片边框检测方法、装置、设备及可读存储介质 |
EP3961482A1 (en) * | 2020-08-31 | 2022-03-02 | Check it out Co., Ltd. | System and method for verifying authenticity of an anti-counterfeiting element, and method for building a machine learning model used to verify authenticity of an anti-counterfeiting element |
CN112668529A (zh) * | 2020-12-31 | 2021-04-16 | 神思电子技术股份有限公司 | 一种菜品样本图像增强识别方法 |
CN114359287A (zh) * | 2022-03-21 | 2022-04-15 | 青岛正信德宇信息科技有限公司 | 一种图像数据处理方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610174A (zh) | 复杂条件下银行***识别方法 | |
CN111325203B (zh) | 一种基于图像校正的美式车牌识别方法及*** | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及*** | |
CN108596166A (zh) | 一种基于卷积神经网络分类的集装箱箱号识别方法 | |
CN109740606B (zh) | 一种图像识别方法及装置 | |
CN109145745B (zh) | 一种遮挡情况下的人脸识别方法 | |
CN112329779B (zh) | 一种基于mask提高证件识别准确率的方法和相关装置 | |
CN111539957B (zh) | 一种用于目标检测的图像样本生成方法、***及检测方法 | |
CN108681735A (zh) | 基于卷积神经网络深度学习模型的光学字符识别方法 | |
CN111783757A (zh) | 一种基于ocr技术的复杂场景下身份证识别方法 | |
CN113011253B (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 | |
CN109977834B (zh) | 从深度图像中分割人手与交互物体的方法和装置 | |
CN112017192A (zh) | 基于改进U-Net网络的腺体细胞图像分割方法及*** | |
CN115797216A (zh) | 一种基于自编码网络的碑文文字修复模型及修复方法 | |
CN115909172A (zh) | 深度伪造视频检测分割识别***、终端及存储介质 | |
CN115829942A (zh) | 基于非负性约束稀疏自编码器的电子电路缺陷检测方法 | |
US5105470A (en) | Method and system for recognizing characters | |
CN114387592A (zh) | 一种复杂背景下字符定位和识别方法 | |
CN114820476A (zh) | 基于合规性检测的身份证识别方法 | |
CN108960005B (zh) | 一种智能视觉物联网中对象视觉标签的建立及显示方法、*** | |
CN110766001B (zh) | 基于cnn和rnn的银行卡***定位与端到端识别方法 | |
CN116934762A (zh) | 锂电池极片表面缺陷的检测***及方法 | |
CN116740572A (zh) | 一种基于改进yolox的海上船舰目标检测方法和*** | |
CN113051901B (zh) | 一种身份证文本识别方法、***、介质及电子终端 | |
CN111079715B (zh) | 一种基于双字典学习的遮挡鲁棒性人脸对齐方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191224 |
|
WD01 | Invention patent application deemed withdrawn after publication |