CN112668575B - 关键信息提取方法、装置、电子设备及存储介质 - Google Patents
关键信息提取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112668575B CN112668575B CN202011581164.XA CN202011581164A CN112668575B CN 112668575 B CN112668575 B CN 112668575B CN 202011581164 A CN202011581164 A CN 202011581164A CN 112668575 B CN112668575 B CN 112668575B
- Authority
- CN
- China
- Prior art keywords
- preset
- certificate
- key information
- target
- standard
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 44
- 238000010586 diagram Methods 0.000 claims abstract description 105
- 238000001514 detection method Methods 0.000 claims abstract description 99
- 238000012545 processing Methods 0.000 claims abstract description 96
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000012937 correction Methods 0.000 claims abstract description 32
- 230000003321 amplification Effects 0.000 claims abstract description 24
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims description 42
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 102100032202 Cornulin Human genes 0.000 description 2
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Character Input (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能决策技术,揭露了一种关键信息提取方法,包括:对原始证件图像进行数据扩增处理,得到初始训练图像;利用初始训练图像对预设的轻量检测模型进行训练,得到训练好的轻量检测模型;获取待识别证件图像,对待识别证件图像进行目标区域筛选处理,得到证件区域图;对证件区域图进行角度矫正处理,得到标准区域图;对标准区域图进行目标检测处理,得到目标矩形图;对目标矩形图进行文本识别处理,得到关键信息。此外,本发明还涉及区块链技术,所述证件区域图可存储于区块链的节点。本发明还提出一种关键信息提取装置、电子设备以及计算机可读存储介质。本发明可以解决提取关键信息准确度不高的问题。
Description
技术领域
本发明涉及智能决策技术领域,尤其涉及一种关键信息提取方法、装置、电子设备及计算机可读存储介质。
背景技术
随着信息技术的发展,网上业务越来越多(例如,水电业务网上办理业务、银行业务网上办理业务),在网上业务办理时,通常需要进行用户身份的校验。在进行身份校验时,通常需要先对用户的证件进行识别,进而再根据证件的内容确定用户的身份。对用户的证件进行识别时通常需要提取证件中的关键信息,例如:证件号码,姓名,性别等信息,进而通过对关键信息进行校验来确认用户的身份。
现有的关键信息提取方法通常是将截取出来的证件图片与现有的模板进行匹配得到证件的关键信息片段。这种方法容易受模板的影响,提取关键信息的准确度不高。
发明内容
本发明提供一种关键信息提取方法、装置及计算机可读存储介质,其主要目的在于解决提取关键信息准确度不高的问题。
为实现上述目的,本发明提供的一种关键信息提取方法,包括:
获取原始证件图像,对所述原始证件图像进行数据扩增处理,得到初始训练图像;
利用所述初始训练图像对预设的轻量检测模型进行训练,得到训练好的轻量检测模型;
获取待识别证件图像,利用所述训练好的轻量检测模型对所述待识别证件图像进行目标区域筛选处理,得到证件区域图;
对所述证件区域图进行角度矫正处理,得到标准区域图;
利用预设的任意方向目标检测模型对所述标准区域图进行目标检测处理,得到目标矩形图;
对所述目标矩形图进行文本识别处理,得到关键信息。
可选地,所述对所述证件区域图进行角度矫正处理,得到标准区域图,包括:
利用预设的四分类模型对所述证件区域图进行角度预测处理,得到所述证件区域图的角度信息;
判断所述角度信息是否符合预设的角度标准;
若所述角度信息符合所述预设的角度标准,判定所述证件区域图为标准区域图;
若所述角度信息不符合所述预设的角度标准,则对所述证件区域图进行角度矫正,得到标准区域图。
可选地,所述利用预设的任意方向目标检测模型对所述标准区域图进行目标检测处理,得到目标矩形图,包括:
利用预设的任意方向目标检测模型对所述标准区域图中关键信息相关区域进行矩形框标注;
获取标注的矩形框对应的旋转因子;
判断所述旋转因子是否为旋转因子阈值;
若所述旋转因子为旋转因子阈值,则从所述标准区域图中截取所述矩形框对应的图片,得到目标矩形图;
若所述旋转因子不为旋转因子阈值,则对所述矩形框进行仿射变换,从所述标准区域图中截取仿射变换后的所述矩形框对应的图片,得到目标矩形图。
可选地,所述对所述矩形框进行仿射变换,包括:
将所述矩形框映射至预设的二维直角坐标系上,并提取所述矩形框的坐标值;
根据预设的仿射变换公式对所述坐标值进行变换处理,得到变换坐标值;
将所述变换坐标值映射在所述二维直角坐标系上,得到仿射变换后的矩形框。
可选地,所述对所述目标矩形图进行文本识别处理,得到关键信息,包括:
对所述目标矩形图进行特征提取处理,得到特征序列,所述特征序列包括多个分量;
利用预设的激活函数对所述多个分量进行概率计算,得到所述多个分量的概率值;
确定最大的概率值对应的分量为关键信息。
可选地,所述利用所述初始训练图像对预设的轻量检测模型进行训练,得到训练好的轻量检测模型,包括:
利用预设的先验框对所述初始训练图像进行框选处理,得到预测区域图;
根据重合值公式计算所述预测区域图和预设的真实区域图之间的重合值;
当所述重合值小于预设的阈值时,对所述预设的轻量检测模型的内部参数进行调整,直到所述重合值大于或者等于预设的阈值时,得到训练好的轻量检测模型。
可选地,所述重合值公式包括:
其中,IOU为所述重合值,DetectionResult为所述预测区域图,GroundTruth为所述真实区域图,DetectionResult∩GroundTruth为所述预测区域图和所述真实区域图之间的交集,DetectionResult∪GroundTruth为所述预测区域图和所述真实区域图之间的并集。
为了解决上述问题,本发明还提供一种关键信息提取装置,所述装置包括:
数据扩增模块,用于获取原始证件图像,对所述原始证件图像进行数据扩增处理,得到初始训练图像;
模型训练模块,用于利用所述初始训练图像对预设的轻量检测模型进行训练,得到训练好的轻量检测模型;
区域筛选模块,用于获取待识别证件图像,利用所述训练好的轻量检测模型对所述待识别证件图像进行目标区域筛选处理,得到证件区域图;
角度矫正模块,用于对所述证件区域图进行角度矫正处理,得到标准区域图;
目标检测模块,用于利用预设的任意方向目标检测模型对所述标准区域图进行目标检测处理,得到目标矩形图;
文本识别模块,用于对所述目标矩形图进行文本识别处理,得到关键信息。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的关键信息提取方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的关键信息提取方法。
本发明通过对原始证件图像进行数据扩增处理,得到初始训练图像,所述数据扩增处理可以扩大模型训练数据的数量,增加训练好的轻量检测模型的鲁棒性和准确率;在获取到待识别证件图像之后,利用训练好的轻量检测模型可以准确快速地获取证件区域图,进而对所述证件区域图进行角度矫正处理,能够有利于快速准确地获取到目标矩形框,进而对矩形框进行文本识别处理,得到关键信息,提高了提取关键信息的准确度,同时,也能够提高提取关键信息的效率。因此本发明提出的关键信息提取方法、装置、电子设备及计算机可读存储介质,可以解决提取关键信息准确度不高的问题。
附图说明
图1为本发明一实施例提供的关键信息提取方法的流程示意图;
图2为本发明一实施例提供的关键信息提取装置的功能模块图;
图3为本发明一实施例提供的实现所述关键信息提取方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种关键信息提取方法。所述关键信息提取方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述关键信息提取方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的关键信息提取方法的流程示意图。在本实施例中,所述关键信息提取方法包括:
S1、获取原始证件图像,对所述原始证件图像进行数据扩增处理,得到初始训练图像。
本发明实施例中,所述证件图像是通过摄像头拍摄到的证件的图像。例如,通过移动电子设备(如手机)上的摄像头拍摄的证件的图像。
具体的,证件图像包括但不限于:身份证的图像、社保卡的图像、护照的图像。
其中,所述数据扩增处理包括随机颜色抖动、随机亮度抖动、随机饱和度抖动和随机对比度抖动。
具体的,所述随机颜色抖动是对构成图像的色相产生位移,造成临近点状差异的色彩交叉效果;所述随机亮度抖动是在图像上造成明暗交叉的效果;所述随机饱和度抖动是产生饱和度差异状的交叉效果;所述随机对比度抖动是产生对比度差异状的交叉效果。
详细地,本发明实施例中,对所述原始证件图像进行数据扩增处理可以扩大模型训练数据的数量,增加模型的鲁棒性。
S2、利用所述初始训练图像对预设的轻量检测模型进行训练,得到训练好的轻量检测模型。
本发明实施例中,所述利用所述初始训练图像对预设的轻量检测模型进行训练,得到训练好的轻量检测模型,包括:
利用预设的先验框对所述初始训练图像进行框选处理,得到预测区域图;
根据重合值公式计算所述预测区域图和预设的真实区域图之间的重合值;
当所述重合值小于预设的阈值时,对所述预设的轻量检测模型的内部参数进行调整,直到所述重合值大于或者等于预设的阈值时,得到训练好的轻量检测模型。
详细地,将所述预设的先验框放置在所述初始训练图像上进行框选,框选出来的图片即为预测区域图,利用预设的重合值公式计算所述预测区域图和所述真实区域图之间的重合值,所述重合值用于判断所述预测区域图和所述真实区域图之间的相似程度,当所述重合值小于预设的阈值时,表明所述预测区域图和所述真实区域图之间的相似程度没有达到预设的标准,需要对预设的轻量检测模型的内部参数进行调整,其中,所述内部参数可以为模型权重或者模型梯度,直到所述重合值大于或者等于预设的阈值时,得到训练好的轻量检测模型。
其中,所述预设的阈值可为0.5。
具体地,所述重合值公式包括:
其中,IOU为所述重合值,DetectionResult为所述预测区域图,GroundTruth为所述真实区域图,DetectionResult∩GroundTruth为所述预测区域图和所述真实区域图之间的交集,DetectionResult∪GroundTruth为所述预测区域图和所述真实区域图之间的并集。
详细地,分别求出所述预测区域图和所述真实区域图之间的交集以及所述预测区域图和所述真实区域图之间的并集,并结合预设的重合值公式,计算得到重合值,其中,本发明实施例中,所述预测区域图为预测出的证件区域图片,所述真实区域图为现有的标准证件区域图片。
S3、获取待识别证件图像,利用所述训练好的轻量检测模型对所述待识别证件图像进行目标区域筛选处理,得到证件区域图。
其中,所述目标区域是指所述待识别证件图像中证件信息的区域。
例如,待识别证件图像中包括背景图像(如木纹背景)和证件图像,则将利用训练好的轻量检测模型对待识别证件图像进行目标区域筛选处理,得到其中的证件图像,即为证件区域图。
本发明实施例中,利用训练好的轻量检测模型从所述待识别证件图像中截取出目标区域并作为证件区域图,去除所述待识别证件图像中背景的无关信息干扰,增大了所述证件区域图中的信息在所述待识别证件图像中的占比,有利于减少信息冗余,提高识别的效率。
S4、对所述证件区域图进行角度矫正处理,得到标准区域图。
本发明实施例中,所述对所述证件区域图进行角度矫正处理,得到标准区域图,包括:
利用预设的四分类模型对所述证件区域图进行角度预测处理,得到所述证件区域图的角度信息;
判断所述角度信息是否符合预设的角度标准;
若所述角度信息符合所述预设的角度标准,判定所述证件区域图为标准区域图;
若所述角度信息不符合所述预设的角度标准,则对所述证件区域图进行角度矫正,得到标准区域图。
详细地,利用预设的四分类模型对所述证件区域图进行角度预测处理,得到所述证件区域图的角度信息,所述角度信息是所述证件区域图在所述原始证件图像上的偏向角度,根据所述角度信息可以判断所述证件区域图的摆放方向,不同的摆放方向会影响后续的证件识别结果,判断所述角度信息是否符合预设的角度标准,所述预设的角度标准为偏0度,便于进行证件识别,若所述角度信息符合所述预设的角度标准,判定所述证件区域图为标准区域图;
若所述角度信息不符合所述预设的角度标准,则对所述证件区域图进行角度矫正,将所述证件区域图的角度矫正为偏0度,得到标准区域图。
具体地,本发明实施例中,所述角度信息包括所述证件区域图在所述原始证件图像上的偏向角度,例如,证件区域图偏0度,证件区域图偏90度或者证件区域图偏180度。
其中,所述预设的角度标准是指所述证件区域图在所述原始证件图像上的偏向角度为偏0度。
进一步地,根据所述角度信息对所述证件区域图进行角度矫正是将所述证件区域图进行旋转矫正为符合角度标准,例如将证件区域图旋转校正为接近0度的方向。
S5、利用预设的任意方向目标检测模型对所述标准区域图进行目标检测处理,得到目标矩形图。
本发明实施例中,所述利用预设的任意方向目标检测模型对所述标准区域图进行目标检测处理,得到目标矩形图,包括:
利用预设的任意方向目标检测模型对所述标准区域图中关键信息相关区域进行矩形框标注;
获取标注的矩形框对应的旋转因子;
判断所述旋转因子是否为旋转因子阈值;
若所述旋转因子为旋转因子阈值,则从所述标准区域图中截取所述矩形框对应的图片,得到目标矩形图;
若所述旋转因子不为旋转因子阈值,则对所述矩形框进行仿射变换,从所述标准区域图中截取仿射变换后的所述矩形框对应的图片,得到目标矩形图。
其中,所述任意方向的目标检测模型可以是具有Faster-rcnn结构的模型。
详细地,根据预设的任意方向目标检测模型将所述标准区域图中关键信息相关区域进行矩形标注,例如,所述标准区域图为一张经过处理的身份证图片,所述身份证图片上会有包括但不限于姓名、性别、身份证号及家庭住址等各种关键信息,对所述关键信息进行矩形框标注并且获取到所述矩形框对应的旋转因子,判断所述旋转因子是否为旋转因子阈值,所述旋转因子阈值是判断所述矩形框是否为水平的标准,若所述旋转因子为旋转因子阈值,则从所述标准区域图中截取所述矩形框对应的图片,得到目标矩形图,若所述旋转因子不为旋转因子阈值,则对所述矩形框进行仿射变换,从所述标准区域图中截取仿射变换后的所述矩形框对应的图片,得到目标矩形图。
进一步地,所述对所述矩形框进行仿射变换,包括:
将所述矩形框映射至预设的二维直角坐标系上,并提取所述矩形框的坐标值;
根据预设的仿射变换公式对所述坐标值进行变换处理,得到变换坐标值;
将所述变换坐标值映射在所述二维直角坐标系上,得到仿射变换后的矩形框。
详细地,对所述矩形框进行仿射变换主要是根据所述矩形框的坐标值进行变换,获取一个预设的二维直角坐标系并将所述矩形框映射至所述二维直角坐标系上,得到所述矩形框的坐标值,所述仿射变换具有对应的仿射变换公式,根据预设的仿射变换公式对所述坐标值进行变换处理,得到变换坐标值;将所述变换坐标值映射在所述二维直角坐标系上,得到仿射变换后的矩形框。
其中,所述预设的仿射变换公式为其中,(x',y')为变换坐标值,(x,y)为坐标值,/>为预设的仿射变化矩阵。
S6、对所述目标矩形图进行文本识别处理,得到关键信息。
当通过本案所述的关键信息提取方法得到多个目标矩形图时,对多个目标矩形图进行文本识别处理,可得到多个关键信息。例如,得到姓名以及身份证号码,或者得到姓名、身份证号码以及居住地址。
本发明实施例中,利用预设的文本识别模型对所述目标矩形图进行文本识别处理,得到关键信息。
其中,本发明实施例中,所述文本识别模型可以是CRNN模型。
具体地,所述对所述目标矩形图进行文本识别处理,得到关键信息,包括:
对所述目标矩形图进行特征提取处理,得到特征序列,所述特征序列包括多个分量;
利用预设的激活函数对所述多个分量进行概率计算,得到所述多个分量的概率值;
确定最大的概率值对应的分量为关键信息。
详细地,本发明实施例中,对所述目标矩形图进行特征提取处理,得到特征序列,即提取经过筛选、角度矫正和目标检测处理的证件图片中的特征序列,利用预设的激活函数对所述多个分量进行概率计算,得到所述多个分量的概率值;其中,所述预设的激活函数可以为softmax函数,确定最大的概率值对应的分量为关键信息。
具体的,可以利用所述文本识别模型中的卷积层将所述目标矩形图转换为具有特征信息的特征图,得到特征序列,该特征序列中包含多个分量利用预设的激活函数对所述各个分量进行概率计算,得到各个分量的概率值,将各个分量中对应概率最大的分量作为关键信息。
进一步的,在本发明实施例中,所述得到关键信息之后,所述方法还包括:对所述关键信息进行身份识别。
具体的,对所述关键信息进行身份识别可以包括:将关键信息与身份信息库中的数据进行匹配,以确定待识别证件图像对应的用户的身份,进而确定是否为用户开通某种权限。
本发明通过对原始证件图像进行数据扩增处理,得到初始训练图像,所述数据扩增处理可以扩大模型训练数据的数量,增加训练好的轻量检测模型的鲁棒性和准确率;在获取到待识别证件图像之后,利用训练好的轻量检测模型可以准确快速地获取证件区域图,进而对所述证件区域图进行角度矫正处理,能够有利于快速准确地获取到目标矩形框,进而对矩形框进行文本识别处理,得到关键信息,提高了提取关键信息的准确度,同时,也能够提高提取关键信息的效率。因此本发明提出的关键信息提取方法,可以解决提取关键信息准确度不高的问题。
如图2所示,是本发明一实施例提供的关键信息提取装置的功能模块图。
本发明所述关键信息提取装置100可以安装于电子设备中。根据实现的功能,所述关键信息提取装置100可以包括数据扩增模块101、模型训练模块102、区域筛选模块103、角度矫正模块104、目标检测模块105及文本识别模块106。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据扩增模块101,用于获取原始证件图像,对所述原始证件图像进行数据扩增处理,得到初始训练图像;
所述模型训练模块102,用于利用所述初始训练图像对预设的轻量检测模型进行训练,得到训练好的轻量检测模型;
所述区域筛选模块103,用于获取待识别证件图像,利用所述训练好的轻量检测模型对所述待识别证件图像进行目标区域筛选处理,得到证件区域图;
所述角度矫正模块104,用于对所述证件区域图进行角度矫正处理,得到标准区域图;
所述目标检测模块105,用于利用预设的任意方向目标检测模型对所述标准区域图进行目标检测处理,得到目标矩形图;
所述文本识别模块106,用于对所述目标矩形图进行文本识别处理,得到关键信息。
所述数据扩增模块101,用于获取原始证件图像,对所述原始证件图像进行数据扩增处理,得到初始训练图像。
本发明实施例中,所述证件图像是通过摄像头拍摄到的证件的图像。例如,通过移动电子设备(如手机)上的摄像头拍摄的证件的图像。
具体的,证件图像包括但不限于:身份证的图像、社保卡的图像、护照的图像。
其中,所述数据扩增处理包括随机颜色抖动、随机亮度抖动、随机饱和度抖动和随机对比度抖动。
具体的,所述随机颜色抖动是对构成图像的色相产生位移,造成临近点状差异的色彩交叉效果;所述随机亮度抖动是在图像上造成明暗交叉的效果;所述随机饱和度抖动是产生饱和度差异状的交叉效果;所述随机对比度抖动是产生对比度差异状的交叉效果。
详细地,本发明实施例中,对所述原始证件图像进行数据扩增处理可以扩大模型训练数据的数量,增加模型的鲁棒性。
所述模型训练模块102,用于利用所述初始训练图像对预设的轻量检测模型进行训练,得到训练好的轻量检测模型。
本发明实施例中,所述模型训练模块102具体用于:
利用预设的先验框对所述初始训练图像进行框选处理,得到预测区域图;
根据重合值公式计算所述预测区域图和预设的真实区域图之间的重合值;
当所述重合值小于预设的阈值时,对所述预设的轻量检测模型的内部参数进行调整,直到所述重合值大于或者等于预设的阈值时,得到训练好的轻量检测模型。
详细地,将所述预设的先验框放置在所述初始训练图像上进行框选,框选出来的图片即为预测区域图,利用预设的重合值公式计算所述预测区域图和所述真实区域图之间的重合值,所述重合值用于判断所述预测区域图和所述真实区域图之间的相似程度,当所述重合值小于预设的阈值时,表明所述预测区域图和所述真实区域图之间的相似程度没有达到预设的标准,需要对预设的轻量检测模型的内部参数进行调整,其中,所述内部参数可以为模型权重或者模型梯度,直到所述重合值大于或者等于预设的阈值时,得到训练好的轻量检测模型。
其中,所述预设的阈值可为0.5。
具体地,所述重合值公式包括:
其中,IOU为所述重合值,DetectionResult为所述预测区域图,GroundTruth为所述真实区域图,DetectionResult∩GroundTruth为所述预测区域图和所述真实区域图之间的交集,DetectionResult∪GroundTruth为所述预测区域图和所述真实区域图之间的并集。
详细地,分别求出所述预测区域图和所述真实区域图之间的交集以及所述预测区域图和所述真实区域图之间的并集,并结合预设的重合值公式,计算得到重合值,其中,本发明实施例中,所述预测区域图为预测出的证件区域图片,所述真实区域图为现有的标准证件区域图片。
所述区域筛选模块103,用于获取待识别证件图像,利用所述训练好的轻量检测模型对所述待识别证件图像进行目标区域筛选处理,得到证件区域图。
其中,所述目标区域是指所述待识别证件图像中证件信息的区域。
例如,待识别证件图像中包括背景图像(如木纹背景)和证件图像,则将利用训练好的轻量检测模型对待识别证件图像进行目标区域筛选处理,得到其中的证件图像,即为证件区域图。
本发明实施例中,利用训练好的轻量检测模型从所述待识别证件图像中截取出目标区域并作为证件区域图,去除所述待识别证件图像中背景的无关信息干扰,增大了所述证件区域图中的信息在所述待识别证件图像中的占比,有利于减少信息冗余,提高识别的效率。
所述角度矫正模块104,用于对所述证件区域图进行角度矫正处理,得到标准区域图。
本发明实施例中,所述角度矫正模块104具体用于:
利用预设的四分类模型对所述证件区域图进行角度预测处理,得到所述证件区域图的角度信息;
判断所述角度信息是否符合预设的角度标准;
若所述角度信息符合所述预设的角度标准,判定所述证件区域图为标准区域图;
若所述角度信息不符合所述预设的角度标准,则对所述证件区域图进行角度矫正,得到标准区域图。
详细地,利用预设的四分类模型对所述证件区域图进行角度预测处理,得到所述证件区域图的角度信息,所述角度信息是所述证件区域图在所述原始证件图像上的偏向角度,根据所述角度信息可以判断所述证件区域图的摆放方向,不同的摆放方向会影响后续的证件识别结果,判断所述角度信息是否符合预设的角度标准,所述预设的角度标准为偏0度,便于进行证件识别,若所述角度信息符合所述预设的角度标准,判定所述证件区域图为标准区域图;
若所述角度信息不符合所述预设的角度标准,则对所述证件区域图进行角度矫正,将所述证件区域图的角度矫正为偏0度,得到标准区域图。
具体地,本发明实施例中,所述角度信息包括所述证件区域图在所述原始证件图像上的偏向角度,例如,证件区域图偏0度,证件区域图偏90度或者证件区域图偏180度。
其中,所述预设的角度标准是指所述证件区域图在所述原始证件图像上的偏向角度为偏0度。
进一步地,根据所述角度信息对所述证件区域图进行角度矫正是将所述证件区域图进行旋转矫正为符合角度标准,例如将证件区域图旋转校正为接近0度的方向。
所述目标检测模块105,用于利用预设的任意方向目标检测模型对所述标准区域图进行目标检测处理,得到目标矩形图。
本发明实施例中,所述目标检测模块105具体用于:
利用预设的任意方向目标检测模型对所述标准区域图中关键信息相关区域进行矩形框标注;
获取标注的矩形框对应的旋转因子;
判断所述旋转因子是否为旋转因子阈值;
若所述旋转因子为旋转因子阈值,则从所述标准区域图中截取所述矩形框对应的图片,得到目标矩形图;
若所述旋转因子不为旋转因子阈值,则对所述矩形框进行仿射变换,从所述标准区域图中截取仿射变换后的所述矩形框对应的图片,得到目标矩形图。
其中,所述任意方向的目标检测模型可以是具有Faster-rcnn结构的模型。
详细地,根据预设的任意方向目标检测模型将所述标准区域图中关键信息相关区域进行矩形标注,例如,所述标准区域图为一张经过处理的身份证图片,所述身份证图片上会有包括但不限于姓名、性别、身份证号及家庭住址等各种关键信息,对所述关键信息进行矩形框标注并且获取到所述矩形框对应的旋转因子,判断所述旋转因子是否为旋转因子阈值,所述旋转因子阈值是判断所述矩形框是否为水平的标准,若所述旋转因子为旋转因子阈值,则从所述标准区域图中截取所述矩形框对应的图片,得到目标矩形图,若所述旋转因子不为旋转因子阈值,则对所述矩形框进行仿射变换,从所述标准区域图中截取仿射变换后的所述矩形框对应的图片,得到目标矩形图。
进一步地,所述对所述矩形框进行仿射变换,包括:
将所述矩形框映射至预设的二维直角坐标系上,并提取所述矩形框的坐标值;
根据预设的仿射变换公式对所述坐标值进行变换处理,得到变换坐标值;
将所述变换坐标值映射在所述二维直角坐标系上,得到仿射变换后的矩形框。
详细地,对所述矩形框进行仿射变换主要是根据所述矩形框的坐标值进行变换,获取一个预设的二维直角坐标系并将所述矩形框映射至所述二维直角坐标系上,得到所述矩形框的坐标值,所述仿射变换具有对应的仿射变换公式,根据预设的仿射变换公式对所述坐标值进行变换处理,得到变换坐标值;将所述变换坐标值映射在所述二维直角坐标系上,得到仿射变换后的矩形框。
其中,所述预设的仿射变换公式为其中,(x',y')为变换坐标值,(x,y)为坐标值,/>为预设的仿射变化矩阵。
所述文本识别模块106,用于对所述目标矩形图进行文本识别处理,得到关键信息。
当通过本案所述的关键信息提取方法得到多个目标矩形图时,对多个目标矩形图进行文本识别处理,可得到多个关键信息。例如,得到姓名以及身份证号码,或者得到姓名、身份证号码以及居住地址。
本发明实施例中,利用预设的文本识别模型对所述目标矩形图进行文本识别处理,得到关键信息。
其中,本发明实施例中,所述文本识别模型可以是CRNN模型。
具体地,所述对所述目标矩形图进行文本识别处理,得到关键信息,包括:
对所述目标矩形图进行特征提取处理,得到特征序列,所述特征序列包括多个分量;
利用预设的激活函数对所述多个分量进行概率计算,得到所述多个分量的概率值;
确定最大的概率值对应的分量为关键信息。
详细地,本发明实施例中,对所述目标矩形图进行特征提取处理,得到特征序列,即提取经过筛选、角度矫正和目标检测处理的证件图片中的特征序列,利用预设的激活函数对所述多个分量进行概率计算,得到所述多个分量的概率值;其中,所述预设的激活函数可以为softmax函数,确定最大的概率值对应的分量为关键信息。
具体的,可以利用所述文本识别模型中的卷积层将所述目标矩形图转换为具有特征信息的特征图,得到特征序列,该特征序列中包含多个分量利用预设的激活函数对所述各个分量进行概率计算,得到各个分量的概率值,将各个分量中对应概率最大的分量作为关键信息。
进一步的,在本发明实施例中,所述装置还包括,身份识别模块,所述身份识别模块用于:得到关键信息之后,对所述关键信息进行身份识别。
具体的,对所述关键信息进行身份识别可以包括:将关键信息与身份信息库中的数据进行匹配,以确定待识别证件图像对应的用户的身份,进而确定是否为用户开通某种权限。
本发明通过对原始证件图像进行数据扩增处理,得到初始训练图像,所述数据扩增处理可以扩大模型训练数据的数量,增加训练好的轻量检测模型的鲁棒性和准确率;在获取到待识别证件图像之后,利用训练好的轻量检测模型可以准确快速地获取证件区域图,进而对所述证件区域图进行角度矫正处理,能够有利于快速准确地获取到目标矩形框,进而对矩形框进行文本识别处理,得到关键信息,提高了提取关键信息的准确度,同时,也能够提高提取关键信息的效率。因此本发明提出的关键信息提取装置,可以解决提取关键信息准确度不高的问题。
如图3所示,是本发明一实施例提供的实现关键信息提取方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如关键信息提取程序12。
其中,所述存储器11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、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如关键信息提取程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如关键信息提取程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的关键信息提取程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取原始证件图像,对所述原始证件图像进行数据扩增处理,得到初始训练图像;
利用所述初始训练图像对预设的轻量检测模型进行训练,得到训练好的轻量检测模型;
获取待识别证件图像,利用所述训练好的轻量检测模型对所述待识别证件图像进行目标区域筛选处理,得到证件区域图;
对所述证件区域图进行角度矫正处理,得到标准区域图;
利用预设的任意方向目标检测模型对所述标准区域图进行目标检测处理,得到目标矩形图;
对所述目标矩形图进行文本识别处理,得到关键信息。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取原始证件图像,对所述原始证件图像进行数据扩增处理,得到初始训练图像;
利用所述初始训练图像对预设的轻量检测模型进行训练,得到训练好的轻量检测模型;
获取待识别证件图像,利用所述训练好的轻量检测模型对所述待识别证件图像进行目标区域筛选处理,得到证件区域图;
对所述证件区域图进行角度矫正处理,得到标准区域图;
利用预设的任意方向目标检测模型对所述标准区域图进行目标检测处理,得到目标矩形图;
对所述目标矩形图进行文本识别处理,得到关键信息。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明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。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种关键信息提取方法,其特征在于,所述方法包括:
获取原始证件图像,对所述原始证件图像进行数据扩增处理,得到初始训练图像;
利用所述初始训练图像对预设的轻量检测模型进行训练,得到训练好的轻量检测模型;
获取待识别证件图像,利用所述训练好的轻量检测模型对所述待识别证件图像进行目标区域筛选处理,得到证件区域图;
对所述证件区域图进行角度矫正处理,得到标准区域图;
利用预设的任意方向目标检测模型对所述标准区域图进行目标检测处理,得到目标矩形图;
对所述目标矩形图进行文本识别处理,得到关键信息;
其中,所述利用预设的任意方向目标检测模型对所述标准区域图进行目标检测处理,得到目标矩形图,包括:利用预设的任意方向目标检测模型对所述标准区域图中关键信息相关区域进行矩形框标注;获取标注的矩形框对应的旋转因子;判断所述旋转因子是否为旋转因子阈值;若所述旋转因子为旋转因子阈值,则从所述标准区域图中截取所述矩形框对应的图片,得到目标矩形图;若所述旋转因子不为旋转因子阈值,则对所述矩形框进行仿射变换,从所述标准区域图中截取仿射变换后的所述矩形框对应的图片,得到目标矩形图;
所述对所述矩形框进行仿射变换,包括:将所述矩形框映射至预设的二维直角坐标系上,并提取所述矩形框的坐标值;根据预设的仿射变换公式对所述坐标值进行变换处理,得到变换坐标值;将所述变换坐标值映射在所述二维直角坐标系上,得到仿射变换后的矩形框;
所述预设的仿射变换公式为,其中,/>为变换坐标值,/>为坐标值,/>为预设的仿射变化矩阵。
2.如权利要求1所述的关键信息提取方法,其特征在于,所述对所述证件区域图进行角度矫正处理,得到标准区域图,包括:
利用预设的四分类模型对所述证件区域图进行角度预测处理,得到所述证件区域图的角度信息;
判断所述角度信息是否符合预设的角度标准;
若所述角度信息符合所述预设的角度标准,判定所述证件区域图为标准区域图;
若所述角度信息不符合所述预设的角度标准,则对所述证件区域图进行角度矫正,得到标准区域图。
3.如权利要求1所述的关键信息提取方法,其特征在于,所述对所述目标矩形图进行文本识别处理,得到关键信息,包括:
对所述目标矩形图进行特征提取处理,得到特征序列,所述特征序列包括多个分量;
利用预设的激活函数对所述多个分量进行概率计算,得到所述多个分量的概率值;
确定最大的概率值对应的分量为关键信息。
4.如权利要求1至3中任一项所述的关键信息提取方法,其特征在于,所述利用所述初始训练图像对预设的轻量检测模型进行训练,得到训练好的轻量检测模型,包括:
利用预设的先验框对所述初始训练图像进行框选处理,得到预测区域图;
根据重合值公式计算所述预测区域图和预设的真实区域图之间的重合值;
当所述重合值小于预设的阈值时,对所述预设的轻量检测模型的内部参数进行调整,直到所述重合值大于或者等于预设的阈值时,得到训练好的轻量检测模型。
5.如权利要求4所述的关键信息提取方法,其特征在于,所述重合值公式包括:
其中,为所述重合值,/>为所述预测区域图,/>为所述真实区域图,/>为所述预测区域图和所述真实区域图之间的交集,为所述预测区域图和所述真实区域图之间的并集。
6.一种关键信息提取装置,用于实现如权利要求1至5中任意一项所述的关键信息提取方法,其特征在于,所述装置包括:
数据扩增模块,用于获取原始证件图像,对所述原始证件图像进行数据扩增处理,得到初始训练图像;
模型训练模块,用于利用所述初始训练图像对预设的轻量检测模型进行训练,得到训练好的轻量检测模型;
区域筛选模块,用于获取待识别证件图像,利用所述训练好的轻量检测模型对所述待识别证件图像进行目标区域筛选处理,得到证件区域图;
角度矫正模块,用于对所述证件区域图进行角度矫正处理,得到标准区域图;
目标检测模块,用于利用预设的任意方向目标检测模型对所述标准区域图进行目标检测处理,得到目标矩形图;
文本识别模块,用于对所述目标矩形图进行文本识别处理,得到关键信息。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至5中任意一项所述的关键信息提取方法。
8.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的关键信息提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011581164.XA CN112668575B (zh) | 2020-12-28 | 2020-12-28 | 关键信息提取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011581164.XA CN112668575B (zh) | 2020-12-28 | 2020-12-28 | 关键信息提取方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668575A CN112668575A (zh) | 2021-04-16 |
CN112668575B true CN112668575B (zh) | 2024-05-21 |
Family
ID=75411003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011581164.XA Active CN112668575B (zh) | 2020-12-28 | 2020-12-28 | 关键信息提取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668575B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706422B (zh) * | 2021-10-28 | 2022-03-18 | 深圳市亚略特科技股份有限公司 | 一种基于获取关键点的图像校正方法、装置、设备及介质 |
CN114596573A (zh) * | 2022-03-22 | 2022-06-07 | 中国平安人寿保险股份有限公司 | 一种出生证识别方法、装置、计算机设备及存储介质 |
CN115375998B (zh) * | 2022-10-24 | 2023-03-17 | 成都新希望金融信息有限公司 | 一种证件识别方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909888A (zh) * | 2017-01-22 | 2017-06-30 | 南京开为网络科技有限公司 | 应用于移动设备端的人脸关键点跟踪***及方法 |
CN109697440A (zh) * | 2018-12-10 | 2019-04-30 | 浙江工业大学 | 一种身份证信息提取方法 |
CN109859101A (zh) * | 2019-01-18 | 2019-06-07 | 黑龙江八一农垦大学 | 农作物冠层热红外图像识别方法及*** |
CN110363199A (zh) * | 2019-07-16 | 2019-10-22 | 济南浪潮高新科技投资发展有限公司 | 基于深度学习的证件图像文本识别方法及*** |
CN111027450A (zh) * | 2019-12-04 | 2020-04-17 | 深圳市新国都金服技术有限公司 | 银行卡信息识别方法、装置、计算机设备及存储介质 |
CN111767859A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 图像校正的方法、装置、电子设备及计算机可读存储介质 |
CN112016547A (zh) * | 2020-08-20 | 2020-12-01 | 上海天壤智能科技有限公司 | 基于深度学习的图像文字识别方法、***及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11202079B2 (en) * | 2018-02-05 | 2021-12-14 | Tencent America LLC | Method and apparatus for video decoding of an affine model in an intra block copy mode |
-
2020
- 2020-12-28 CN CN202011581164.XA patent/CN112668575B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909888A (zh) * | 2017-01-22 | 2017-06-30 | 南京开为网络科技有限公司 | 应用于移动设备端的人脸关键点跟踪***及方法 |
CN109697440A (zh) * | 2018-12-10 | 2019-04-30 | 浙江工业大学 | 一种身份证信息提取方法 |
CN109859101A (zh) * | 2019-01-18 | 2019-06-07 | 黑龙江八一农垦大学 | 农作物冠层热红外图像识别方法及*** |
CN110363199A (zh) * | 2019-07-16 | 2019-10-22 | 济南浪潮高新科技投资发展有限公司 | 基于深度学习的证件图像文本识别方法及*** |
CN111027450A (zh) * | 2019-12-04 | 2020-04-17 | 深圳市新国都金服技术有限公司 | 银行卡信息识别方法、装置、计算机设备及存储介质 |
CN111767859A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 图像校正的方法、装置、电子设备及计算机可读存储介质 |
CN112016547A (zh) * | 2020-08-20 | 2020-12-01 | 上海天壤智能科技有限公司 | 基于深度学习的图像文字识别方法、***及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112668575A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668575B (zh) | 关键信息提取方法、装置、电子设备及存储介质 | |
CN112052850B (zh) | 车牌识别方法、装置、电子设备及存储介质 | |
CN112861648B (zh) | 文字识别方法、装置、电子设备及存储介质 | |
WO2022105179A1 (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
CN112102402B (zh) | 闪光灯光斑位置识别方法、装置、电子设备及存储介质 | |
CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
CN113887438B (zh) | 人脸图像的水印检测方法、装置、设备及介质 | |
CN110675940A (zh) | 病理图像标注方法、装置、计算机设备及存储介质 | |
CN112541443B (zh) | ***信息抽取方法、装置、计算机设备及存储介质 | |
CN113705462A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN112132016B (zh) | 票据信息提取方法、装置及电子设备 | |
CN112508145A (zh) | 电子***生成及验证方法、装置、电子设备及存储介质 | |
CN113313114B (zh) | 证件信息获取方法、装置、设备以及存储介质 | |
CN112862703B (zh) | 基于移动拍照的图像校正方法、装置、电子设备及介质 | |
CN112560855A (zh) | 图像信息提取方法、装置、电子设备及存储介质 | |
CN115439850B (zh) | 基于审单的图文字符识别方法、装置、设备及存储介质 | |
CN113177543B (zh) | 证件识别方法、装置、设备及存储介质 | |
CN113627394B (zh) | 人脸提取方法、装置、电子设备及可读存储介质 | |
CN114913518A (zh) | 基于图像处理的车牌识别方法、装置、设备及介质 | |
CN113221888B (zh) | 车牌号管理***测试方法、装置、电子设备及存储介质 | |
CN113255456B (zh) | 非主动活体检测方法、装置、电子设备及存储介质 | |
CN115798004A (zh) | 基于局部区域的人脸打卡方法、装置、电子设备及介质 | |
CN113989901A (zh) | 人脸识别方法、装置、客户端及存储介质 | |
CN113128440A (zh) | 基于边缘设备的目标物识别方法、装置、设备及存储介质 | |
CN110751110A (zh) | 身份影像信息核验方法、装置、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 |