CN112396060A - 基于身份证分割模型的身份证识别方法及其相关设备 - Google Patents
基于身份证分割模型的身份证识别方法及其相关设备 Download PDFInfo
- Publication number
- CN112396060A CN112396060A CN202011286478.7A CN202011286478A CN112396060A CN 112396060 A CN112396060 A CN 112396060A CN 202011286478 A CN202011286478 A CN 202011286478A CN 112396060 A CN112396060 A CN 112396060A
- Authority
- CN
- China
- Prior art keywords
- identity card
- convolution
- result
- segmentation model
- identification
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims description 53
- 238000011176 pooling Methods 0.000 claims description 25
- 239000011800 void material Substances 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 7
- 241001672694 Citrus reticulata Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例属于人工智能技术领域，应用于智慧政务领域中，涉及一种基于身份证分割模型的身份证识别方法及其相关设备，包括标注接收的身份证图片集合，生成身份证图像训练集；将身份证图像训练集中的身份证图像输入预设的身份证分割模型，获得第一预测结果；迭代训练身份证分割模型，获得训练后的身份证分割模型；获取待识别身份证图片，将待识别身份证图片输入训练后的身份证分割模型，获得第二预测结果；筛选第二预测结果中包含的多个标签框，获得目标标签框，基于目标标签框截取身份证图片中的关键字段，并输入预先训练的文本识别模型中，获得识别结果。其中，身份证图像训练集可存储于区块链中。本申请有效提高身份证识别的准确率。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及基于身份证分割模型的身份证识别方法及其相关设备。
背景技术
身份证是证明公民合法身份的有效证件，在生活的方方面面面都经常需要用到身份证。尤其在乘车的情况下，常常需要使用计算机对乘客的身份证进行识别和记录。因此，计算机能够快捷和准确的识别和读取身份证信息尤为重要。
现有的身份证识别方法是模板匹配方法进行文字检测得到身份证关键信息，对检测出的身份证关键信息部分进行文字识别。但是传统的模板匹配方法对于光线、噪声以及些微视角改变的容忍度相当低。身份证分为汉族身份证和少数民族身份证，少数民族身份证上同时具有普通话文字和少数民族的文字，在身份证识别过程中产生较多的干扰，采用模板匹配方法鲁棒性较差，身份证识别的准确率低。
发明内容
本申请实施例的目的在于提出一种基于身份证分割模型的身份证识别方法及其相关设备，提高身份证识别的准确率。
为了解决上述技术问题，本申请实施例提供一种基于身份证分割模型的身份证识别方法，采用了如下所述的技术方案：
一种基于身份证分割模型的身份证识别方法，包括下述步骤：
接收身份证图片集合，并对所述身份证图片集合进行标注，获得身份证图像训练集；
将所述身份证图像训练集中的身份证图像输入预设的基于空洞空间卷积池化金字塔的身份证分割模型中，获得第一预测结果；
基于所述身份证图像训练集和第一预测结果计算损失函数，并迭代训练所述身份证分割模型，直至达到预设的收敛条件，获得训练后的身份证分割模型；
获取待识别身份证图片，将所述待识别身份证图片输入所述训练后的身份证分割模型中，获得第二预测结果，并基于所述第二预测结果获得多个标签框；
筛选所述多个标签框，获得目标标签框，并基于所述目标标签框截取所述身份证图片中的关键字段；
将截取的关键字段输入预先训练的文本识别模型中，获得识别结果。
进一步的，所述将所述身份证图片输入预设的基于空洞空间卷积池化金字塔的身份证分割模型中，获得第一预测结果的步骤包括：
通过所述身份证分割模型对所述身份证图片进行多次下采样，获得下采样结果，并将所述下采样结果输入所述身份证分割模型的空洞空间卷积池化金字塔中，获得输出结果；
上采样所述输出结果，获得上采样结果；
获取第一次下采样后的身份证图片，对所述第一次下采样后的身份证图片进行低特征采集和卷积，获得卷积结果；
拼接所述上采样结果和卷积结果，获得拼接结果，并对所述拼接结果依次进行卷积和上采样，获得所述第一预测结果。
进一步的，所述将所述下采样结果输入所述身份证分割模型的空洞空间卷积池化金字塔中，获得输出结果的步骤包括：
将所述下采样结果分别输入预设的1×1的卷积核的卷积层、基于第一采样频率空洞卷积的3×5的卷积核的卷积层、基于第二采样频率空洞卷积的3×5的卷积核的卷积层、基于第三采样频率空洞卷积的3×5的卷积核的卷积层和池化层，分别获得中间结果；
拼接所有中间结果，并依次输入卷积核大小均为3×5两个卷积层和卷积核大小为1×1卷积层，获得所述输出结果。
进一步的，所述对所述第一次下采样后的身份证图片进行低特征采集和卷积，获得卷积结果的步骤包括：
对所述第一次下采样后的身份证图片进行低特征采集，并输入卷积核大小为1×1卷积层中，获得卷积结果；
所述对所述拼接结果依次进行卷积和上采样，获得所述第一预测结果的步骤包括：
以3×5的卷积核卷积所述拼接结果，并进行二倍上采样，获得所述第一预测结果。
进一步的，所述第二预测结果中包括类别值，所述筛选所述多个标签框，获得目标标签框，并基于所述目标标签框截取所述身份证图片中的关键字段的步骤包括：
获取所述第二预测结果中所有标签框对应的类别值；
基于所述类别值对所述标签框进行类别划分，获得多个类别，其中，每个类别中的类别值相同；
在同一类别中，将符合预设条件的标签框作为当前类别的目标标签框，直至分别确定每个类别的目标标签框；
基于所有目标标签框获得每个类别对应的关键字段的位置；
基于所述关键字段的位置，截取所述身份证图片中的关键字段。
进一步的，所述将所述截取的关键字段输入预设的训练后的文本识别模型中，获得识别结果的步骤包括：
确定所述截取的关键字段对应的目标标签框和所述目标标签框携带的类别值；
确定是否存在重复的类别值；
当未存在重复的类别值时，将所述截取的关键字段输入预设的训练后的文本识别模型中，获得识别结果；
当存在重复的类别值时，将所述截取的关键字段输入预设的训练后的文本识别模型中，获得多个待判断结果；
基于所述类别值，确定所述待判断结果对应的预设字符集；
识别所述待判断结果中是否存在对应的所述字符集中的字符；
将存在所述字符集中的字符的待判断结果，作为识别结果。
为了解决上述技术问题，本申请实施例还提供一种基于身份证分割模型的身份证识别装置，采用了如下所述的技术方案：
一种基于身份证分割模型的身份证识别装置，包括：
图片标注模块，用于接收身份证图片集合，并对所述身份证图片集合进行标注，生成身份证图像训练集；
第一输入模块，用于将所述身份证图像训练集中的身份证图像输入预设的基于空洞空间卷积池化金字塔的身份证分割模型中，获得第一预测结果；
损失计算模块，用于基于所述身份证图像训练集和第一预测结果计算损失函数，并迭代训练所述身份证分割模型，直至达到预设的收敛条件，获得训练后的身份证分割模型；
第二输入模块，用于获取待识别身份证图片，将所述待识别身份证图片输入所述训练后的身份证分割模型中，获得第二预测结果，并基于所述第二预测结果获得多个标签框；
目标筛选模块，用于筛选所述多个标签框，获得目标标签框，并基于所述目标标签框截取所述身份证图片中的关键字段；以及
文本识别模块，用于将截取的关键字段输入预先训练的文本识别模型中，获得识别结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述的基于身份证分割模型的身份证识别方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述的基于身份证分割模型的身份证识别方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请的身份证分割模型相比于传统模板匹配具有更强的鲁棒性，尤其对于有干扰的少数民族身份证效果明显优于模板匹配。由于通过身份证分割模型进行识别，而非通过模板进行匹配，对光线、噪声以及些微视角改变的容忍度较高，通过身份证分割模型和目标标签框定位关键字段在身份证图片中的位置。能够更好的便于文本识别模型的文字检测，提高身份证识别的准确率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请可以应用于其中的示例性***架构图；
图2是根据本申请的基于身份证分割模型的身份证识别方法的一个实施例的流程图；
图3是根据本申请的基于身份证分割模型的身份证识别装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
附图标记：200、计算机设备；201、存储器；202、处理器；203、网络接口；300、基于身份证分割模型的身份证识别装置；301、图片标注模块；302、第一输入模块；303、损失计算模块；304、第二输入模块；305、目标筛选模块；306、文本识别模块。
具体实施方式
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；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、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、102、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、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、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、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、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，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于身份证分割模型的身份证识别方法一般由服务器/终端设备执行，相应地，基于身份证分割模型的身份证识别装置一般设置于服务器/终端设备中。
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。
继续参考图2，示出了根据本申请的基于身份证分割模型的身份证识别方法的一个实施例的流程图。所述的基于身份证分割模型的身份证识别方法，包括以下步骤：
S1：接收身份证图片集合，并对所述身份证图片集合进行标注，获得身份证图像训练集。
在本实施例中，身份证图片集合作为有监督模型训练中的训练样本，标注结果作为真实情况，用于计算损失函数。
在本实施例中，基于身份证分割模型的身份证识别方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式接收身份证图片集合。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
具体的，所述对所述身份证图片集合进行标记，获得身份证图像训练集的步骤包括：
将所述身份证图片集合展示在预设的前端页面中，并通知用户标记所述身份证图片集合；
当识别到用户在所述前端页面中通过预设的标注工具完成对所述身份证图片集合中各身份证图片的标注后，识别用户标注的内容，其中，所述用户标注的内容包括矩形框和用户定义的所述矩形框中图像的类别值；
基于所述用户标注的内容在各身份证图片上生成掩模，完成对所述身份证图片集合的标记，获得所述身份证图像训练集合。
在本实施例中，采用标注工具生成对应的mask(掩模)，标注工具可以选用LabelImg(目标检测标注工具)。类别包括第1类、第2类、第3类、第4类和第5类。将姓名字段标注为第1类，性别为第2类，民族为第3类，地址为第4类，身份证号为第5类。之所以不标出生年月日是因为可以从身份证号得出。通过对身份证图片集合进行标注，以生成身份证图像训练集合，便于后续对身份证分割模型的训练。
S2：将所述身份证图像训练集中的身份证图像输入预设的基于空洞空间卷积池化金字塔的身份证分割模型中，获得第一预测结果。
在本实施例中，语义分割是一种典型的计算机视觉问题，具体为将一些原始数据，如平面图像，作为输入并将它们转换为具有突出显示的感兴趣区域的掩模。目前，常用的识别算法为术语全像素语义分割(full-pixel semantic segmentation)，其中图像中的每个像素根据其所属的感兴趣对象被分配类别ID，它是将每个像素分类为属于对象类的过程。它在自动驾驶***(具体为街景识别与理解)、无人机应用(着陆点判断)以及穿戴式设备应用中举足轻重。本申请基于空洞空间卷积池化金字塔构建身份证分割模型，结合身份证图像训练集，实现从身份证中将各个关键信息字段分割出来。
具体的，所述将所述身份证图片输入预设的基于空洞空间卷积池化金字塔的身份证分割模型中，获得第一预测结果的步骤包括：
通过所述身份证分割模型对所述身份证图片进行多次下采样，获得下采样结果，并将所述下采样结果输入所述身份证分割模型的空洞空间卷积池化金字塔中，获得输出结果；
上采样所述输出结果，获得上采样结果；
获取第一次下采样后的身份证图片，对所述第一次下采样后的身份证图片进行低特征采集和卷积，获得卷积结果；
拼接所述上采样结果和卷积结果，获得拼接结果，并对所述拼接结果依次进行卷积和上采样，获得所述第一预测结果。
在本实施例中，对第一次下采样后的身份证图片进行低特征采集和卷积，并与空洞空间卷积池化金字塔(ASPP)的输出结果进行拼接(ASPP)。空洞空间卷积池化金字塔(atrous spatial pyramid pooling，ASPP)对所给定的输入以不同采样频率进行空洞卷积，相当于以多个比例捕捉图像的上下文。目前大多是将主干网络多次下采样的特征与ASPP输出的特征拼接。但身份证中姓名，性别，民族三个关键字段在整张身份图片占比均小于1％，属于小目标物体，在经过多次下采样后对于小目标物体来说位置信息已经丢失较多，因此为了提升小目标物体的分割效果保留位置信息，本申请为上述的对所述身份证图片进行第一次倍下采样后图片的进行低特征采集和卷积，获得卷积结果，拼接所述上采样结果和卷积结果，能够较好的保留身份证中的小目标物体。其中，低特征(low feature):指图像中的一些小的细节信息,例如边缘(edge),角(corner),颜色(color),像素(pixeles),梯度(gradients)等,这些信息可以通过滤波器进行采集。
另外，上述对所述身份证图片进行多次下采样，获得下采样结果，并将所述下采样结果输入所述身份证分割模型的空洞空间卷积池化金字塔中，获得输出结果的步骤，和对所述输出结果进行上采样，获得上采样结果的各步骤中的具体数值为：对所述身份证图片进行4次2倍下采样，即16倍下采样，并将所述下采样结果输入所述身份证分割模型的空洞空间卷积池化金字塔中，获得输出结果；对所述输出结果进行8倍上采样，获得上采样结果。
其中，所述将所述下采样结果输入所述身份证分割模型的空洞空间卷积池化金字塔中，获得输出结果的步骤包括：
将所述下采样结果分别输入预设的1×1的卷积核的卷积层、基于第一采样频率空洞卷积的3×5的卷积核的卷积层、基于第二采样频率空洞卷积的3×5的卷积核的卷积层、基于第三采样频率空洞卷积的3×5的卷积核的卷积层和池化层，分别获得中间结果；
拼接所有中间结果，并依次输入卷积核大小均为3×5两个卷积层和卷积核大小为1×1卷积层，获得所述输出结果。
在本实施例中，在ASPP 1×1卷积(Conv)之前加入两层3×5的卷积以得到更丰富的语义特征。采样的频率是根据频率参数(rate)来设置的，当rate为1时候，就是原图不丢失任何信息采样，此时卷积操作就是标准的卷积操作，当rate>1，比如2的时候，就是在原图上每隔一(rate减1)个像素采样。本申请中第一采样频率、第二采样频率和第三采样频率均不同。其中，第一采样频率为6，第二采样频率为12，第三采样频率为16。在实际应用过程中，可以根据实际需要对第一采样频率、第二采样频率和第三采样频率进行调整。通过设置不同的采样频率，以得到更加丰富的图像特征。
其中，所述对所述第一次下采样后的身份证图片进行低特征采集和卷积，获得卷积结果的步骤包括：
对所述第一次下采样后的身份证图片进行低特征采集，并输入卷积核大小为1×1卷积层中，获得卷积结果；
所述对所述拼接结果依次进行卷积和上采样，获得所述第一预测结果的步骤包括：
以3×5的卷积核卷积所述拼接结果，并进行二倍上采样，获得所述第一预测结果。
在本实施例中，由于本申请针对身份证全字段分割，身份证的分割目标都是长条形，因此在身份证分割模型中设置3×5大小的卷积核，使得在沿身份证号码的方向上(即横向方向上)具有更大的感受野。
S3：基于所述身份证图像训练集和第一预测结果计算损失函数，并迭代训练所述身份证分割模型，直至达到预设的收敛条件，获得训练后的身份证分割模型。
在本实施例中，本申请中预设的收敛条件可以为达到预设的迭代次数T，也可以根据实际需要，设置其他的停止条件，适用即可。具体的损失函数可以采用Dice loss。Diceloss是针对前景比例太小的问题提出的，适用于本申请的身份证分割场景。其中，Dice指Dice系数，Dice系数源于二分类，本质上是衡量两个样本的重叠部分。公式如下：Dice Loss＝1–DSC(A,B),
DSC(A,B)＝2|A∩B|/(|A|+|B|),其中A为模型的第一预测结果，B为在身份证图像训练集中用户的标注的内容。
S4：获取待识别身份证图片，将所述待识别身份证图片输入所述训练后的身份证分割模型中，获得第二预测结果，并基于所述第二预测结果获得多个标签框。
在本实施例中，将待识别身份证图片输入训练后的身份证分割模型中，获得第二预测结果。输出的第二预测结果为掩模分割图(mask图)。通过图像处理的方法(Bounding-Box regression)可以得到标签框(bounding box)。
S5：筛选所述多个标签框，获得目标标签框，并基于所述目标标签框截取所述身份证图片中的关键字段。
在本实施例中，筛选所述多个标签框，获得目标标签框，即表示各个关键字段在图片的具***置。再根据这些位置从原图中截出相应字段图片送入文字识别模型中。
具体的，所述第二预测结果中包括类别值，所述筛选所述多个标签框，获得目标标签框，并基于所述目标标签框截取所述身份证图片中的关键字段的步骤包括：
获取所述第二预测结果中所有标签框对应的类别值；
基于所述类别值对所述标签框进行类别划分，获得多个类别，其中，每个类别中的类别值相同；
在同一类别中，将符合预设条件的标签框作为当前类别的目标标签框，直至分别确定每个类别的目标标签框；
基于所有目标标签框获得每个类别对应的关键字段的位置；
基于所述关键字段的位置，截取所述身份证图片中的关键字段。
在本实施例中，在模型输出的内容中，由于少数民族身份证中不止有普通话，也有少数民族的语言，干扰较多，对于同一类别来说，模型并不会只输出一个标签框，需要对模型输出的标签框进行筛选，选择出符合预设条件的目标标签框，以通过目标标签框定位出待识别的关键字段的所在位置。
其中，所述将符合预设条件的标签框作为当前类别的目标标签框的步骤包括：
识别在每一类别中所述标签框的面积；
将面积最大的标签框作为当前类别的目标标签框。
在本实施例中，一般在一个类别中，最大面积的标签框只有一个，所以可以直接将面积最大的标签框作为当前类别的目标标签框，便于计算机对目标标签框的快速选取。
对应的，所述将符合预设条件的标签框作为当前类别的目标标签框的步骤包括：
识别在每一类别中所述标签框的面积；
将面积超过预设阈值的标签框作为当前类别的目标标签框。
在本实施例中，可以设置一个阈值，将面积超过预设阈值的标签框均作为当前类别的目标标签框。大于阈值的标签框对应的关键字段都截取出来送入文本识别模型进行识别，计算机再判断文本识别模型输出的内容后，确定最终的输出内容即可。
S6：将截取的关键字段输入预先训练的文本识别模型中，获得识别结果。
在本实施例中，其中，所述文本识别模型可以为CTPN+CRNN。CTPN+CRNN为深度学习OCR文字识别方法，使用CTPN进行文字的检测，使用CRNN进行文字的识别，在文字识别中有较好的表现。其中，CTPN(Detecting Text in Natural Image with Connectionist TextProposal Network，基于连接预选框网络的文本检测)主要是对图片中的文本行进行准确定位。CRNN(Convolutional Recurrent Neural Network，卷积循环神经网络)识别文字的速度快、性能好，并且模型小。
具体的，所述将所述截取的关键字段输入预设的训练后的文本识别模型中，获得识别结果的步骤包括：
确定所述截取的关键字段对应的目标标签框和所述目标标签框携带的类别值；
确定是否存在重复的类别值；
当未存在重复的类别值时，将所述截取的关键字段输入预设的训练后的文本识别模型中，获得识别结果；
当存在重复的类别值时，将所述截取的关键字段输入预设的训练后的文本识别模型中，获得多个待判断结果；
基于所述类别值，确定所述待判断结果对应的预设字符集；
识别所述待判断结果中是否存在对应的所述字符集中的字符；
将存在所述字符集中的字符的待判断结果，作为识别结果。
在本实施例中，将未存在所述字符集中的字符的待判断结果，作为错误结果。直至完成对所有待判断结果的处理，输出所有识别结果。举例说明：在身份证分割模型输出的预测结果中同一类别下(如性别类别)存在多个标签框，需要进一步筛序标签框，从而确定该类别下的目标标签框。在普通汉族身份证中，一般该类别下超过预设阈值的标签框为一个，可以直接作为目标标签框。在少数民族身份证中，少数民族身份证包括普通话和少数民族的文字。例如，在性别这一类别中，少数民族身份证上有普通话印刷的“性别”二字，在普通话上方，对应印刷有“性别”的少数民族的语言。导致存在超过预设阈值的标签框为多个(由于少数民族文字的干扰，会出现将该类别下普通话对应一个标签框以及该类别下少数民族的文字也同样对应一个标签框)，则直接将该类别下超过预设阈值的多个标签框均作为目标标签框，将其对应的关键字段输入文本识别模型中，最后判断文本识别模型输出的文字，从而作为识别结果。所述输入文本识别模型中，最后判断文本识别模型输出的文字，从而作为识别结果的具体举例如下：在少数民族身份证的同一类别下，获得2个目标标签框后，分别截取其对应的关键字段，输入文本识别模型中，此时分别输出的对应字段为男和黑，作为待判断结果。可以想见的是：之所以出现黑的字段，由于文本识别模型对于少数民族文字识别不准确的原因，输出了黑这个字段。因为性别只可能是字符男或女存在性别字符集中，当识别出男和黑的时候，通过字符集就能判断只有字段为黑的待判断结果存在字符集中的字符，则将字段为男的待判断结果作为识别结果。字段为黑的待判断结果作为错误结果。
本申请的身份证分割模型相比于传统模板匹配具有更强的鲁棒性，尤其对于有干扰的少数民族身份证效果明显优于模板匹配。由于通过身份证分割模型进行识别，而非通过模板进行匹配，对光线、噪声以及些微视角改变的容忍度较高，通过身份证分割模型和目标标签框定位关键字段在身份证图片中的位置。能够更好的便于文本识别模型的文字检测，提高身份证识别的准确率。
需要强调的是，为进一步保证上述身份证图像训练集的私密和安全性，上述身份证图像训练集还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请可应用于智慧政务领域中，用于智慧政务中的居民身份证识别，从而推动智慧城市的建设。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于身份证分割模型的身份证识别装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的基于身份证分割模型的身份证识别装置300包括：图片标注模块301、第一输入模块302、损失计算模块303、第二输入模块304、目标筛选模块305以及文本识别模块306。其中：图片标注模块301，用于接收身份证图片集合，并对所述身份证图片集合进行标注，生成身份证图像训练集；第一输入模块302，用于将所述身份证图像训练集中的身份证图像输入预设的基于空洞空间卷积池化金字塔的身份证分割模型中，获得第一预测结果；损失计算模块303，用于基于所述身份证图像训练集和第一预测结果计算损失函数，并迭代训练所述身份证分割模型，直至达到预设的收敛条件，获得训练后的身份证分割模型；第二输入模块304，用于获取待识别身份证图片，将所述待识别身份证图片输入所述训练后的身份证分割模型中，获得第二预测结果，并基于所述第二预测结果获得多个标签框；目标筛选模块305，用于筛选所述多个标签框，获得目标标签框，并基于所述目标标签框截取所述身份证图片中的关键字段；以及文本识别模块306，用于将截取的关键字段输入预先训练的文本识别模型中，获得识别结果。
在本实施例中，本申请的身份证分割模型相比于传统模板匹配具有更强的鲁棒性，尤其对于有干扰的少数民族身份证效果明显优于模板匹配。由于通过身份证分割模型进行识别，而非通过模板进行匹配，对光线、噪声以及些微视角改变的容忍度较高，通过身份证分割模型和目标标签框定位关键字段在身份证图片中的位置。能够更好的便于文本识别模型的文字检测，提高身份证识别的准确率。
所述图片标注模块301包括通知子模块、识别子模块和生成子模块。通知子模块用于将所述身份证图片集合展示在预设的前端页面中，并通知用户标记所述身份证图片集合；识别子模块用于当识别到用户在所述前端页面中通过预设的标注工具完成对所述身份证图片集合中各身份证图片的标注后，识别用户标注的内容，其中，所述用户标注的内容包括矩形框和用户定义的所述矩形框中图像的类别值；生成子模块用于基于所述用户标注的内容在各身份证图片上生成掩模，完成对所述身份证图片集合的标记，获得所述身份证图像训练集合。
第一输入模块302包括下采样子模块、上采样子模块、采集子模块和拼接子模块。下采样子模块，用于通过所述身份证分割模型对所述身份证图片进行多次下采样，获得下采样结果，并将所述下采样结果输入所述身份证分割模型的空洞空间卷积池化金字塔中，获得输出结果；上采样子模块用于上采样所述输出结果，获得上采样结果；采集子模块用于获取第一次下采样后的身份证图片，对所述第一次下采样后的身份证图片进行低特征采集和卷积，获得卷积结果；拼接子模块用于拼接所述上采样结果和卷积结果，获得拼接结果，并对所述拼接结果依次进行卷积和上采样，获得所述第一预测结果。
下采样子模块包括输入单元和拼接单元。输入单元用于将所述下采样结果分别输入预设的1×1的卷积核的卷积层、基于第一采样频率空洞卷积的3×5的卷积核的卷积层、基于第二采样频率空洞卷积的3×5的卷积核的卷积层、基于第三采样频率空洞卷积的3×5的卷积核的卷积层和池化层，分别获得中间结果；拼接单元用于拼接所有中间结果，并依次输入卷积核大小均为3×5两个卷积层和卷积核大小为1×1卷积层，获得所述输出结果。
在本实施例的一些可选的实现方式中，上述采集子模块进一步用于：对所述第一次下采样后的身份证图片进行低特征采集，并输入卷积核大小为1×1卷积层中，获得卷积结果。
在本实施例的一些可选的实现方式中，上述拼接子模块进一步用于：以3×5的卷积核卷积所述拼接结果，并进行二倍上采样，获得所述第一预测结果。
目标筛选模块305包括获取子模块、划分子模块、确定子模块、位置子模块以及截取子模块。获取子模块用于获取所述第二预测结果中所有标签框对应的类别值；划分子模块用于基于所述类别值对所述标签框进行类别划分，获得多个类别，其中，每个类别中的类别值相同；确定子模块用于在同一类别中，将符合预设条件的标签框作为当前类别的目标标签框，直至分别确定每个类别的目标标签框；位置子模块用于基于所有目标标签框获得每个类别对应的关键字段的位置；截取子模块用于基于所述关键字段的位置，截取所述身份证图片中的关键字段。
在本实施例的一些可选的实现方式中，上述确定子模块进一步用于：识别在每一类别中所述标签框的面积，将面积最大的标签框作为当前类别的目标标签框。
在本实施例的一些可选的实现方式中，上述确定子模块进一步用于：识别在每一类别中所述标签框的面积，将面积超过预设阈值的标签框作为当前类别的目标标签框。
文本识别模块306包括类别子模块、第一判断子模块、第一识别子模块、第二识别子模块、字符集子模块、第二判断子模块和结果子模块。类别子模块用于确定所述截取的关键字段对应的目标标签框和所述目标标签框携带的类别值；第一判断子模块用于确定是否存在重复的类别值；第一识别子模块用于当未存在重复的类别值时，将所述截取的关键字段输入预设的训练后的文本识别模型中，获得识别结果；第二识别子模块用于当存在重复的类别值时，将所述截取的关键字段输入预设的训练后的文本识别模型中，获得多个待判断结果；字符集子模块用于基于所述类别值，确定所述待判断结果对应的预设字符集；第二判断子模块用于识别所述待判断结果中是否存在对应的所述字符集中的字符；结果子模块用于将存在所述字符集中的字符的待判断结果，作为识别结果。
本申请的身份证分割模型相比于传统模板匹配具有更强的鲁棒性，尤其对于有干扰的少数民族身份证效果明显优于模板匹配。由于通过身份证分割模型进行识别，而非通过模板进行匹配，对光线、噪声以及些微视角改变的容忍度较高，通过身份证分割模型和目标标签框定位关键字段在身份证图片中的位置。能够更好的便于文本识别模型的文字检测，提高身份证识别的准确率。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备200包括通过***总线相互通信连接存储器201、处理器202、网络接口203。需要指出的是，图中仅示出了具有组件201-203的计算机设备200，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器201至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器201可以是所述计算机设备200的内部存储单元，例如该计算机设备200的硬盘或内存。在另一些实施例中，所述存储器201也可以是所述计算机设备200的外部存储设备，例如该计算机设备200上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器201还可以既包括所述计算机设备200的内部存储单元也包括其外部存储设备。本实施例中，所述存储器201通常用于存储安装于所述计算机设备200的操作***和各类应用软件，例如基于身份证分割模型的身份证识别方法的计算机可读指令等。此外，所述存储器201还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器202在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器202通常用于控制所述计算机设备200的总体操作。本实施例中，所述处理器202用于运行所述存储器201中存储的计算机可读指令或者处理数据，例如运行所述基于身份证分割模型的身份证识别方法的计算机可读指令。
所述网络接口203可包括无线网络接口或有线网络接口，该网络接口203通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
在本实施例中，本申请的身份证分割模型是针对性的根据身份证的属性特征设置的，提高了模型的分割精度。结合文本识别模型，有效的提高了身份证识别的准确率。
本申请还提供了另一种实施方式，即提供一种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可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于身份证分割模型的身份证识别方法的步骤。
在本实施例中，本申请的身份证分割模型是针对性的根据身份证的属性特征设置的，提高了模型的分割精度。结合文本识别模型，有效的提高了身份证识别的准确率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于身份证分割模型的身份证识别方法，其特征在于，包括下述步骤：
接收身份证图片集合，并对所述身份证图片集合进行标注，获得身份证图像训练集；
将所述身份证图像训练集中的身份证图像输入预设的基于空洞空间卷积池化金字塔的身份证分割模型中，获得第一预测结果；
基于所述身份证图像训练集和第一预测结果计算损失函数，并迭代训练所述身份证分割模型，直至达到预设的收敛条件，获得训练后的身份证分割模型；
获取待识别身份证图片，将所述待识别身份证图片输入所述训练后的身份证分割模型中，获得第二预测结果，并基于所述第二预测结果获得多个标签框；
筛选所述多个标签框，获得目标标签框，并基于所述目标标签框截取所述身份证图片中的关键字段；
将截取的关键字段输入预先训练的文本识别模型中，获得识别结果。
2.根据权利要求1所述的基于身份证分割模型的身份证识别方法，其特征在于，所述将所述身份证图片输入预设的基于空洞空间卷积池化金字塔的身份证分割模型中，获得第一预测结果的步骤包括：
通过所述身份证分割模型对所述身份证图片进行多次下采样，获得下采样结果，并将所述下采样结果输入所述身份证分割模型的空洞空间卷积池化金字塔中，获得输出结果；
上采样所述输出结果，获得上采样结果；
获取第一次下采样后的身份证图片，对所述第一次下采样后的身份证图片进行低特征采集和卷积，获得卷积结果；
拼接所述上采样结果和卷积结果，获得拼接结果，并对所述拼接结果依次进行卷积和上采样，获得所述第一预测结果。
3.根据权利要求2所述的基于身份证分割模型的身份证识别方法，其特征在于，所述将所述下采样结果输入所述身份证分割模型的空洞空间卷积池化金字塔中，获得输出结果的步骤包括：
将所述下采样结果分别输入预设的1×1的卷积核的卷积层、基于第一采样频率空洞卷积的3×5的卷积核的卷积层、基于第二采样频率空洞卷积的3×5的卷积核的卷积层、基于第三采样频率空洞卷积的3×5的卷积核的卷积层和池化层，分别获得中间结果；
拼接所有中间结果，并依次输入卷积核大小均为3×5两个卷积层和卷积核大小为1×1卷积层，获得所述输出结果。
4.根据权利要求2所述的基于身份证分割模型的身份证识别方法，其特征在于，所述对所述第一次下采样后的身份证图片进行低特征采集和卷积，获得卷积结果的步骤包括：
对所述第一次下采样后的身份证图片进行低特征采集，并输入卷积核大小为1×1卷积层中，获得卷积结果；
所述对所述拼接结果依次进行卷积和上采样，获得所述第一预测结果的步骤包括：
以3×5的卷积核卷积所述拼接结果，并进行二倍上采样，获得所述第一预测结果。
5.根据权利要求1所述的基于身份证分割模型的身份证识别方法，其特征在于，所述第二预测结果中包括类别值，所述筛选所述多个标签框，获得目标标签框，并基于所述目标标签框截取所述身份证图片中的关键字段的步骤包括：
获取所述第二预测结果中所有标签框对应的类别值；
基于所述类别值对所述标签框进行类别划分，获得多个类别，其中，每个类别中的类别值相同；
在同一类别中，将符合预设条件的标签框作为当前类别的目标标签框，直至分别确定每个类别的目标标签框；
基于所有目标标签框获得每个类别对应的关键字段的位置；
基于所述关键字段的位置，截取所述身份证图片中的关键字段。
6.根据权利要求1所述的基于身份证分割模型的身份证识别方法，其特征在于，所述将所述截取的关键字段输入预设的训练后的文本识别模型中，获得识别结果的步骤包括：
确定所述截取的关键字段对应的目标标签框和所述目标标签框携带的类别值；
确定是否存在重复的类别值；
当未存在重复的类别值时，将所述截取的关键字段输入预设的训练后的文本识别模型中，获得识别结果；
当存在重复的类别值时，将所述截取的关键字段输入预设的训练后的文本识别模型中，获得多个待判断结果；
基于所述类别值，确定所述待判断结果对应的预设字符集；
识别所述待判断结果中是否存在对应的所述字符集中的字符；
将存在所述字符集中的字符的待判断结果，作为识别结果。
7.根据权利要求1所述的基于身份证分割模型的身份证识别方法，其特征在于，所述对所述身份证图片集合进行标记，获得身份证图像训练集的步骤包括：
将所述身份证图片集合展示在预设的前端页面中，并通知用户标记所述身份证图片集合；
当识别到用户在所述前端页面中通过预设的标注工具完成对所述身份证图片集合中各身份证图片的标注后，识别用户标注的内容，其中，所述用户标注的内容包括矩形框和用户定义的所述矩形框中图像的类别值；
基于所述用户标注的内容在各身份证图片上生成掩模，完成对所述身份证图片集合的标记，获得所述身份证图像训练集合。
8.一种基于身份证分割模型的身份证识别装置，其特征在于，包括：
图片标注模块，用于接收身份证图片集合，并对所述身份证图片集合进行标注，生成身份证图像训练集；
第一输入模块，用于将所述身份证图像训练集中的身份证图像输入预设的基于空洞空间卷积池化金字塔的身份证分割模型中，获得第一预测结果；
损失计算模块，用于基于所述身份证图像训练集和第一预测结果计算损失函数，并迭代训练所述身份证分割模型，直至达到预设的收敛条件，获得训练后的身份证分割模型；
第二输入模块，用于获取待识别身份证图片，将所述待识别身份证图片输入所述训练后的身份证分割模型中，获得第二预测结果，并基于所述第二预测结果获得多个标签框；
目标筛选模块，用于筛选所述多个标签框，获得目标标签框，并基于所述目标标签框截取所述身份证图片中的关键字段；以及
文本识别模块，用于将截取的关键字段输入预先训练的文本识别模型中，获得识别结果。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于身份证分割模型的身份证识别方法的步骤。
10.一种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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于身份证分割模型的身份证识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011286478.7A CN112396060B (zh) | 2020-11-17 | 2020-11-17 | 基于身份证分割模型的身份证识别方法及其相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011286478.7A CN112396060B (zh) | 2020-11-17 | 2020-11-17 | 基于身份证分割模型的身份证识别方法及其相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112396060A true CN112396060A (zh) | 2021-02-23 |
| CN112396060B CN112396060B (zh) | 2024-03-15 |
Family
ID=74605844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011286478.7A Active CN112396060B (zh) | 2020-11-17 | 2020-11-17 | 基于身份证分割模型的身份证识别方法及其相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112396060B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113051901A (zh) * | 2021-03-26 | 2021-06-29 | 重庆紫光华山智安科技有限公司 | 一种身份证文本识别方法、***、介质及电子终端 |
| CN116129456A (zh) * | 2023-02-09 | 2023-05-16 | 广西壮族自治区自然资源遥感院 | 一种产权权属信息识别录入方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180253622A1 (en) * | 2017-03-06 | 2018-09-06 | Honda Motor Co., Ltd. | Systems for performing semantic segmentation and methods thereof |
| CN109325534A (zh) * | 2018-09-22 | 2019-02-12 | 天津大学 | 一种基于双向多尺度金字塔的语义分割方法 |
| CN110136136A (zh) * | 2019-05-27 | 2019-08-16 | 北京达佳互联信息技术有限公司 | 场景分割方法、装置、计算机设备及存储介质 |
| CN110633661A (zh) * | 2019-08-31 | 2019-12-31 | 南京理工大学 | 一种融合语义分割的遥感图像目标检测方法 |
| CN111144400A (zh) * | 2018-11-06 | 2020-05-12 | 北京金山云网络技术有限公司 | 身份证信息的识别方法、装置、终端设备及存储介质 |
| CN111507993A (zh) * | 2020-03-18 | 2020-08-07 | 南方电网科学研究院有限责任公司 | 一种基于生成对抗网络的图像分割方法、装置及存储介质 |
-
2020
- 2020-11-17 CN CN202011286478.7A patent/CN112396060B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180253622A1 (en) * | 2017-03-06 | 2018-09-06 | Honda Motor Co., Ltd. | Systems for performing semantic segmentation and methods thereof |
| CN109325534A (zh) * | 2018-09-22 | 2019-02-12 | 天津大学 | 一种基于双向多尺度金字塔的语义分割方法 |
| CN111144400A (zh) * | 2018-11-06 | 2020-05-12 | 北京金山云网络技术有限公司 | 身份证信息的识别方法、装置、终端设备及存储介质 |
| CN110136136A (zh) * | 2019-05-27 | 2019-08-16 | 北京达佳互联信息技术有限公司 | 场景分割方法、装置、计算机设备及存储介质 |
| CN110633661A (zh) * | 2019-08-31 | 2019-12-31 | 南京理工大学 | 一种融合语义分割的遥感图像目标检测方法 |
| CN111507993A (zh) * | 2020-03-18 | 2020-08-07 | 南方电网科学研究院有限责任公司 | 一种基于生成对抗网络的图像分割方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 戴伟达: "基于全卷积神经网络的语义分割算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 2, 15 February 2020 (2020-02-15), pages 4 - 58 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113051901A (zh) * | 2021-03-26 | 2021-06-29 | 重庆紫光华山智安科技有限公司 | 一种身份证文本识别方法、***、介质及电子终端 |
| CN116129456A (zh) * | 2023-02-09 | 2023-05-16 | 广西壮族自治区自然资源遥感院 | 一种产权权属信息识别录入方法及*** |
| CN116129456B (zh) * | 2023-02-09 | 2023-07-25 | 广西壮族自治区自然资源遥感院 | 一种产权权属信息识别录入方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112396060B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP4040401A1 (en) | Image processing method and apparatus, device and storage medium | |
| CN110348439B (zh) | 一种自动识别价签的方法、计算机可读介质及*** | |
| CN107690657A (zh) | 根据影像发现商户 | |
| CN110874618B (zh) | 基于小样本的ocr模板学习方法、装置、电子设备及介质 | |
| US8971646B1 (en) | Face and license plate detection in street level images with 3-D road width features estimated from laser data | |
| Yin et al. | An optimised multi-scale fusion method for airport detection in large-scale optical remote sensing images | |
| CN113837151B (zh) | 表格图像处理方法、装置、计算机设备及可读存储介质 | |
| US20230041943A1 (en) | Method for automatically producing map data, and related apparatus | |
| CN113255501B (zh) | 生成表格识别模型的方法、设备、介质及程序产品 | |
| CN110263877B (zh) | 场景文字检测方法 | |
| Almagbile | Estimation of crowd density from UAVs images based on corner detection procedures and clustering analysis | |
| CN113239807B (zh) | 训练票据识别模型和票据识别的方法和装置 | |
| CN112396060B (zh) | 基于身份证分割模型的身份证识别方法及其相关设备 | |
| CN112686243A (zh) | 智能识别图片文字的方法、装置、计算机设备及存储介质 | |
| CN112581344A (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
| CN114663871A (zh) | 图像识别方法、训练方法、装置、***及存储介质 | |
| CN115861400A (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
| US11881044B2 (en) | Method and apparatus for processing image, device and storage medium | |
| CN112418206B (zh) | 基于位置检测模型的图片分类方法及其相关设备 | |
| US10963690B2 (en) | Method for identifying main picture in web page | |
| CN111753766A (zh) | 一种图像处理方法、装置、设备及介质 | |
| CN116958919A (zh) | 目标检测方法、装置、计算机可读介质及电子设备 | |
| CN115880702A (zh) | 数据处理方法、装置、设备、程序产品及存储介质 | |
| CN111291758B (zh) | 用于识别***文字的方法和装置 | |
| CN113988223A (zh) | 证件图像识别方法、装置、计算机设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |