CN114792420A - 比较使用连续扫描提取的卡数据 - Google Patents

比较使用连续扫描提取的卡数据 Download PDF

Info

Publication number
CN114792420A
CN114792420A CN202210366937.5A CN202210366937A CN114792420A CN 114792420 A CN114792420 A CN 114792420A CN 202210366937 A CN202210366937 A CN 202210366937A CN 114792420 A CN114792420 A CN 114792420A
Authority
CN
China
Prior art keywords
image
card
results
ocr
images
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
Application number
CN202210366937.5A
Other languages
English (en)
Other versions
CN114792420B (zh
Inventor
桑吉夫·库马尔
亨利·阿兰·罗利
王晓航
雅科夫·奥科施泰因
法尔汉·沙姆西
马库斯·昆塔纳·米切尔
亚历山德罗·比萨科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Google LLC
Original Assignee
Google LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Google LLC filed Critical Google LLC
Priority to CN202210366937.5A priority Critical patent/CN114792420B/zh
Publication of CN114792420A publication Critical patent/CN114792420A/zh
Application granted granted Critical
Publication of CN114792420B publication Critical patent/CN114792420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
    • G06Q20/32—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices
    • G06Q20/322—Aspects of commerce using mobile devices [M-devices]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
    • G06Q20/32—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices
    • G06Q20/327—Short range or proximity payments by means of M-devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
    • G06Q20/34—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using cards, e.g. integrated circuit [IC] cards or magnetic cards
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • 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
    • G06V30/142—Image acquisition using hand-held instruments; Constructional details of the instruments
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/22—Character recognition characterised by the type of writing
    • G06V30/224—Character recognition characterised by the type of writing of printed characters having additional code marks or containing code marks
    • 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
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/416—Extracting the logical structure, e.g. chapters, sections or page numbers; Identifying elements of the document, e.g. authors
    • 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
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/418—Document matching, e.g. of document images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/12—Acquisition of 3D measurements of objects
    • 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)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Accounting & Taxation (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Security & Cryptography (AREA)
  • Finance (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Character Discrimination (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)
  • Holo Graphy (AREA)

Abstract

公开了比较使用连续扫描提取的卡数据。比较来自连续扫描的所提取的卡数据包括：由一个或多个计算设备接收卡的数字扫描；从该物理卡的该数字扫描获得该卡的多个图像；对该多个图像中的每一个图像执行光学字符辨识算法；比较针对该多个图像中的每一个图像应用该光学字符辨识算法的结果；确定该多个图像中的每一个图像的这些结果的所配置的阈值是否互相匹配；以及当该多个图像中的每一个图像的这些结果互相匹配时验证这些结果。可以采用所提取的卡数据的阈值置信水平来确定该提取的准确性。进一步从该卡的混合图像和三维模型提取数据。可以使用这些图像中的压印文本和全息图来防止欺诈。

Description

比较使用连续扫描提取的卡数据
分案说明
本申请是分案申请，原案的申请号是201480046064.3，申请日是2014年06月27日，发明名称是“比较使用连续扫描提取的卡数据”。
相关申请
本专利申请要求于2013年9月13日提交的题为“比较使用连续扫描提取的卡数据”的美国专利申请No.14/026,479、于2013年9月13日提交的题为“提取的卡数据的阈值置信水平”的美国专利申请No.14/026,738、于2013年9月13日提交的题为“使用三维模型提取卡数据”的美国专利申请No.14/026,781、于2013年9月25日提交的题为“使用连续卡扫描防止欺诈”的美国专利申请No.14/037,063的优先权，所有这些申请要求于2013年6月28日提交的题为“比较使用连续扫描提取的卡数据”的美国临时申请No.61/841,273的优先权。以上标识的申请的整个内容在此通过引用完全并入本文。
技术领域
本文所公开的技术涉及提取金融卡信息，并且更具体地，涉及使用连续卡扫描来提高准确性和防止欺诈。
背景技术
当消费者进行在线购买或者使用移动设备进行购买时，他们往往被迫将***信息录入到移动设备中进行支付。由于移动设备上的小屏幕尺寸和键盘界面，这样的录入通常麻烦且容易出错。用户可以使用许多不同的卡用于购买，诸如***、借记卡、储值卡和其他卡。对于试图针对多个交易在移动设备上处理移动支付的商家来说信息录入困难加倍。
用于从支付卡获得支付信息或其他卡数据的目前的应用需要在扫描中精确地定位卡。通常，在用户计算设备的用户界面上呈现一个框。用户需要将卡和该框精确地对齐，以允许用户计算设备捕获卡的图像。
目前的应用不允许卡的连续扫描、多个图像混合和三维模型用于更准确的结果并用于防止欺诈。
发明内容
本公开的技术包括比较来自连续扫描的所提取的卡数据的计算机实现的方法、计算机程序产品和***。比较所提取的卡数据包括：由一个或多个计算设备接收卡的数字扫描；从该物理卡的该数字扫描获得该卡的多个图像；对该多个图像中的每一个图像执行光学字符辨识算法；比较针对该多个图像中的每一个图像应用该光学字符辨识算法的结果；确定该多个图像中的每一个图像的这些结果的所配置的阈值是否互相匹配；以及当该多个图像中的每一个图像的这些结果互相匹配时验证这些结果。可以采用所提取的卡数据的阈值置信水平来确定提取的准确性。进一步从卡的混合图像和三维模型提取数据。可以使用这些图像中的压印文本和全息图来防止欺诈。
在考虑示出的示例实施例的以下具体实施方式之后，示例实施例的这些和其他方面、目的、特征和优点对于本领域的普通技术人员将变得显而易见。
附图说明
图1是根据本文所公开的技术的某些示例实施例的描绘用于从卡提取金融账户信息的***的框图。
图2是根据某些示例实施例的描绘用于使用多个图像来提取金融账户信息的方法的流程框图。
图3是根据某些示例实施例的描绘用于提取金融账户信息以实现所配置的置信阈值的方法的流程框图。
图4是根据某些示例实施例的描绘用于使用混合图像来提取金融账户信息的方法的流程框图。
图5是根据某些示例实施例的描绘用于使用三维模型来提取金融账户信息的方法的流程框图。
图6是根据某些示例实施例的描绘用于使用金融卡的三维模型以防止欺诈的方法的流程框图。
图7是根据某些示例实施例的显示金融卡的图像的用户计算设备的图示。
图8是根据某些示例实施例的描绘计算机器和模块的框图。
具体实施方式
概述
本文的实施例提供了用于允许用户设备使用光学字符辨识(“OCR”)来提取金融卡信息的计算机实现的技术。可以通过使用多个图像的图像辨识来改善提取金融卡信息的处理。OCR应用可以比较多个图像并且确定从该多个图像提取的数字是否相匹配。OCR应用可以确定第一图像的置信水平并且确定该置信水平是否超过所配置的阈值。可以以额外图像重复该流程，直到结果集合超过所配置的阈值。OCR应用可以将多个图像混合成混合图像，该混合图像提供更高的分辨率并且因此提供更准确的数字提取。可以使用卡的多个图像来创建卡的三维(“3D”)模型。OCR应用可以使用3D模型来更准确地提取数字。3D模型也可用于防止欺诈。例如，OCR应用可以在3D模型中从各种视角验证全息图的外观。卡的欺诈性表示将不会提供准确的全息图外观。
在整个说明书中，通用术语“卡”将被用来表示任何类型的物理卡工具，诸如磁条卡。在示例实施例中，由“卡”表示的不同类型的卡可以包括***、借记卡、储值卡、积分卡、身份证或在其上表示用户的账户或其他记录或者其他信息的任何其他合适的卡。可以将本文描述的示例实施例应用到诸如收据、登机牌、票和其他合适的项目的其他项目的图像。卡也可以是卡的图像或传真。例如，卡可以是显示器屏幕上的卡的表示或卡的印刷图像。
用户当进行交易诸如购买、购票进入、忠诚签到(loyalty check-in)或其他合适的交易时可以使用卡。用户可以获得卡信息，以用于将由卡表示的账户导入数字钱包应用模块的目的或者用于其他数字账户目的。卡通常是在卡上包含账户信息和其他数据的塑料卡。在许多卡实施例中，消费者姓名、到期日期以及***被物理压印在卡上。压印信息从卡的正面和背面可见，但是压印信息在卡的背面通常是反的。
用户可能希望将来自卡的信息录入到移动用户计算设备或其他计算设备中，例如，以进行在线购买、在商家位置进行购买、将信息添加到用户计算设备上的钱包应用或者出于任何其他合适的原因。在一个示例中，用户希望使用移动用户计算设备利用在移动用户计算设备上执行的数字钱包应用模块来进行购买交易。数字钱包应用模块可能要求特定用户支付账户的细节的输入来以该特定用户支付账户进行交易或设立账户。由于移动设备上的小屏幕尺寸和键盘界面，这样的录入可能麻烦且容易出错。另外，为了进行交易或出于其他原因，商家***可能需要捕获卡信息。
除了账户标识符，卡的正面通常包含卡的发行者的标识、由用户或发行者选择的图片、描述用户账户的类型或状态的其他文本、安全码以及其他市场营销和安全性元素，诸如全息图或徽章。用户姓名、卡到期日期和账户标识符诸如信用***码可以被压印在卡的正面，使得信息从卡的正面突出。
用户采用移动电话、数码相机或其他用户计算设备来捕获与用户希望输入到用户计算设备中的账户相关联的卡的扫描。
用户计算设备上的OCR应用接收卡的扫描。扫描或数字扫描可以是卡的视频、卡的一系列图像或来自任何其他合适的扫描技术的数据。可以从用户计算设备的相机模块诸如移动电话上的相机获得图像。可以从耦合至用户计算设备的任何数字图像设备或者任何其他合适的数字成像设备获得图像。图像可以由用户计算设备上的OCR应用从用户存储设备上的存储位置、从远程存储位置或者从任何合适的位置访问。能够提供图像的所有来源将被称为“相机”。
OCR应用从相机接收卡的图像。OCR应用的功能可以由在用户计算设备上操作的任何合适的模块、硬件、软件或应用执行。OCR应用的功能中的一些或全部功能可以由远程服务器或其他计算设备诸如在OCR***中操作的服务器执行。例如，用户计算设备上的数字钱包应用模块可以获得卡的图像并且将该图像传送到OCR***进行处理。在另一示例中，OCR功能中的一些功能可以由用户计算设备进行并且OCR功能中的一些功能可以由OCR***或另一个远程服务器进行。本文提供的示例可以指示，功能中的许多功能由用户计算设备上的OCR应用执行，但是功能中的一些或全部功能可以由任何合适的计算设备执行。
卡的图像在用户计算设备的用户界面上被呈现为金融卡的实时视频图像。OCR应用可以分离并存储来自相机的视频馈送的一个或多个图像。OCR应用可以将卡的扫描存储为视频或包括卡的多个图像的其他合适的格式。例如，用户可以将用户计算设备的相机功能悬停在金融卡上并且在用户计算设备的用户界面上观察金融卡的表示。用户可以致动用户计算设备上的真实或虚拟按钮以捕获优选图像或图像组。OCR应用可以自动选择优选图像。
在某些示例中，当扫描在活动时执行所描述的功能中一些或全部功能。例如，用户可以将用户计算设备的相机悬停在卡上并且利用卡的实时图像执行本文描述的方法。即，OCR应用捕获并利用来自相机的活动馈送的图像。
OCR应用、相机模块或用户计算设备或其他计算设备对图像执行模糊检测。图像可以被辨识为模糊、过亮、过暗或另外以防止获得高分辨率图像的方式被遮掩。OCR应用或用户计算设备或相机的其他功能可以调整图像捕获方法以降低图像中的模糊。例如，OCR应用可以指示相机将焦点调整在金融卡上。在另一示例中，OCR应用可以指示用户将相机移动为更靠近或更远离金融卡。在另一示例中，OCR应用可以执行数字图像操纵以去除模糊。可以利用校正模糊图像的任何其他方法。
OCR应用分离卡的边界或以其他方式分离图像。OCR应用可以使用任何图像数据操纵或图像提取来分离出图像中的卡。
在一个示例实施例中，OCR应用分离图像集合用于比较。使用的图像的数量可以基于可获得的处理能力、用户偏好、图像分辨率或任何合适的因素而变化。
OCR应用可以裁剪图像，以仅显示来自卡的需要的信息。在一个示例中，如果图像中的卡是***，则OCR应用访问与***的账户号码的预期位置相关联的信息。可以从存储在用户计算设备上或另一合适位置的卡布局的数据库获得预期位置。例如，***、驾驶执照、积分卡和其他卡通常满足卡的数据位置和布局的行业标准。可以将行业标准存储在OCR应用中或OCR应用可访问的位置。
OCR应用对卡图像应用OCR算法以识别卡上的信息。信息可以是数字、字符或者其他数据或信息。信息的每一个实例将被称为“数字”。OCR算法可以表示辨识卡图像上所表示的数字的任何处理、程序、方法或其他方式。OCR应用提取数字并且可以在用户计算设备的用户界面上显示所提取的数字。OCR应用可以将数字组分类成诸如账户号码、用户姓名、到期日期、卡发行者或其他合适的数据的类别。OCR应用可以通过将数字组的格式与格式的数据库进行比较来将数字组分类。例如，如果对数字组的OCR算法的结果是“10/15”，则OCR应用可以将格式理解为与到期日期相关联。
OCR应用比较从对图像中的每一个图像应用OCR算法产生的结果。OCR应用确定结果是否相匹配。例如，OCR应用可以比较每个类别的结果并且确定是否针对每个类别产生相同的数字。例如，如果用户姓名在图像中的每一个图像中被确定为“约翰·D·史密斯(JohnDSmith)”，则OCR应用确定正确地提取了姓名。OCR应用可以比较图像上的每个数字或数字组的结果。OCR应用可以比较配置数量的图像的结果。例如，OCR应用可以比较来自卡的扫描的3或4个图像的结果。可以基于用户偏好、OCR应用能力、用户计算设备处理容量、时间限制或任何其他合适的限制因素比较任何合适的数量的图像。
用户、OCR应用或其他合适的一方可以针对将接受的信息设定必须匹配的结果的阈值百分比。例如，如果4个结果中的3个结果指示用户姓名是“约翰·史密斯(JohnSmith)”，但是单个结果指示用户姓名是“雅恩·史密斯(Jahn Smith)”，则OCR应用可以确定4个当中的3个足以表明匹配。替选地，OCR应用可以要求所有图像上的所有数字匹配。
如果比较指示对图像中的每一个图像的OCR算法的结果相同，则OCR应用确定结果准确。如果比较指示结果针对图像中的至少一个图像不同，则OCR应用可以拒绝结果、再次对图像应用OCR算法或获得额外图像。
例如，OCR应用可以从存储在用户计算设备中或另一合适位置的扫描访问额外图像。在另一示例中，OCR应用可以再次扫描卡并且捕获额外图像进行分析。可以利用任何其他合适的方法来获得额外图像。OCR应用可以针对后续比较使用相同数量的图像或OCR应用可以改变分析的图像的数量。
OCR应用对新的图像应用OCR算法或对先前的图像重新应用OCR算法。OCR应用可以继续比较OCR算法的结果的处理，直到结果集合相匹配。OCR应用可以重复本文描述的方法达配置数量的尝试。例如，OCR应用可以尝试获得2个或3个额外图像集合的匹配结果。然后OCR应用可以拒绝结果或者向用户提供进一步的指示。
OCR应用将提取的数据提供到数字钱包应用模块、销售点终端、支付处理***、网站或用户希望的任何合适的应用或***。提取的数据可以由用户计算设备上的应用使用。可以经由通过网络的因特网连接、经由近场通信(“NFC”)技术、电子邮件、文本传送提取的数据或以任何合适的方式传送。
在另一示例实施例中，OCR应用从卡的扫描分离第一图像。OCR应用可以选择被确定为最不模糊、最明亮或以任何合适的方式为优选图像的图像。用户可以选择第一图像。可以利用选择第一图像的任何其他方式。
OCR应用对卡图像应用OCR算法以识别卡上的信息，如本文所述。
OCR应用确定OCR算法的结果的置信水平。可以使用评估置信水平的任何方式。例如，OCR应用可以使用机器学习算法来确定数字正确的可能性。可以利用用户对结果的验证或修正中的一些或全部验证或修正来更新机器学习算法。
在一个示例中，OCR应用可以通过确定最高两个数字候选之间的置信水平的差来确定每个数字的置信水平。即，OCR应用可以确定数字满足“1”的特性中的许多特性并且给特定的数字评估80％的分数。OCR应用可以确定同一数字满足“7”的特性中的许多特性并且给特定的数字评估60％的分数。然后，OCR应用可以基于两个数字分数之间的差来评估特定的置信水平。
OCR应用可以基于个别数字的置信水平或分数来确定卡上的所有数据的置信水平。例如，OCR应用可以将数字分数平均、将数字分数求和或对数字分数执行任何其他合适的动作。
OCR应用、用户、OCR***、支付处理***或任何合适的一方确定OCR算法的结果的阈值置信水平。例如，用户可以在OCR应用中输入这样的要求：OCR算法必须产生90％可能准确的结果。
如果OCR算法的结果高于所配置的阈值，则OCR应用将相关的卡信息提供给请求者，如本文所述。如果OCR算法的结果低于所配置的阈值，则OCR应用分离第二卡图像。
OCR应用以本文描述的方式重新应用OCR算法并且确定第二图像的置信水平。OCR应用可以重复分离图像和应用OCR算法的处理，直到结果高于所配置的阈值。
在另一示例中，OCR应用对多个图像执行OCR算法并且比较结果的置信水平。OCR应用可以选择具有最高置信水平的图像作为候选图像并且将置信水平与阈值进行比较，如本文所述。如果最高置信水平不在阈值以上，则OCR应用可以获得额外图像或寻求任何合适的策略，如本文所述。
在另一示例中，OCR应用对多个图像执行OCR算法并且比较结果的置信水平。OCR应用可以选择具有最高置信水平的图像并且验证所选择的图像的结果。尽管低于所配置的阈值，仍将所选择的图像的结果提供给请求者，如本文所述。
OCR应用可以对提取的数据执行任何测试以确认数据的有效性。例如，OCR应用可以对数据应用校验和算法以验证数字满足预期格式。OCR应用可以对照数据库检查表示发行者识别号码(“IIN”)的适当数字以验证该数字匹配预期IIN。可以对提取的数据执行数字的任何合适的验证。
在另一示例实施例中，OCR应用混合卡图像以提高图像的分辨率。OCR应用可以分离卡的多个图像，如本文所述。
OCR应用可以准备图像进行混合。例如，OCR应用可以将图像对准至相同的定向。可以将所有的图像数字旋转至前额平行位置或旋转至彼此类似的任何定向。可以缩放或以其他方式调整图像大小，使得所有的卡图像大小相同。
OCR应用将图像混合在一起以创建比单个图像具有更高的分辨率的图像。混合图像以形成更高分辨率的图像的技术的一般术语是超分辨率。可以经由图像的任何合适的操纵来执行图像的混合。可以通过图像的数学计算表示来执行混合。可以采用将数字图像混合为具有更高分辨率的图像的任何合适的方法。
OCR应用对混合图像应用OCR算法，如本文所述。OCR应用确定OCR算法的结果的置信水平，如本文所述。
如果OCR算法的结果高于所配置的阈值，则OCR应用将相关的卡信息提供给请求者，如本文所述。如果OCR算法的结果低于所配置的阈值，则OCR应用可以在混合图像中并入额外图像。替选地，OCR应用可以使用不同的图像来创建混合图像。替选地，OCR应用可以从相机获得新的图像以创建新的混合图像。可以采用产生新的混合图像的任何合适的方式。
OCR应用可以对新的混合图像重新应用OCR算法并且评估图像的置信水平，如本文所述。可以重复该处理，直到达到置信水平或OCR应用拒绝尝试。
在另一示例实施例中，OCR应用将多个图像三维建模并且使用三维(“3D”)模型来提高OCR算法的准确性。
OCR应用从各种查看角度和视角捕获卡的多个图像。OCR应用从卡的扫描捕获图像。例如，可以指示用户将用户计算设备的相机悬停在卡上并且在各种方向移动相机以获得恰当的视角。
OCR应用将卡的图像在3D空间中建模。OCR应用可以组合、合并、混合、旋转或以其他方式操纵图像以在图像中产生该卡的3D模型，以允许将图像重新对准至不同的视角。可以由OCR应用或另一计算设备通过对图像的数字操纵来创建3D模型。
在某些实施例中，用户计算设备可以配备有两个相机，它们可以直接捕获一对立体图像，减少了捕获序列来构建3D模型的需要。其他技术可以将IR图案投影到利用IR相机捕获的场景中，以产生3D模型。可以利用将产生3D模型的任何其他技术。
OCR应用对卡图像的3D模型应用OCR算法。可以以与本文关于二维图像所述的方法类似的方式来应用OCR算法。可以为3D图像定制OCR算法。
可以对3D模型中的多个视角或包括3D模型的多个图像应用OCR算法。OCR算法可以使用模型的多个视角以允许更好地分析卡上的任何压印数字。利用3D图像，如果从多个角度查看，可以比在传统的前额平行查看中更容易地理解压印数字。随着视角在3D图像上变化，压印数字的视图可以移位。OCR算法可以利用移位的视图并且更准确地分析数字。
OCR应用确定OCR算法的结果的置信水平，如本文所述。
如果OCR算法的结果高于配置的阈值，则OCR应用将相关的卡信息提供给请求者。如果OCR算法的结果低于所配置的阈值，则OCR应用可以在3D图像中并入额外图像。替选地，OCR应用可以使用不同的图像来创建3D图像。替选地，OCR应用可以从相机获得新的图像以创建新的3D图像。可以采用产生新的3D图像的任何合适的方式。
在另一示例中，OCR应用对多个3D图像执行OCR算法并且比较结果的置信水平。OCR应用可以选择具有最高置信水平的3D图像作为候选图像并且将该置信水平与阈值进行比较，如本文所述。如果最高置信水平不在阈值以上，则OCR应用可以获得额外的3D图像或寻求任何合适的策略，如本文所述。
在另一示例中，OCR应用对多个3D图像执行OCR算法并且比较结果的置信水平。OCR应用可以选择具有最高置信水平的3D图像并且验证所选择的3D图像的结果。尽管低于所配置的阈值，仍将所选择的3D图像的结果提供给请求者，如本文所述。
在另一示例实施例中，支付处理***、OCR应用、商家服务器或其他合适的一方使用卡的3D模型来捕获压印文本和全息图像。支付处理***表示使用3D模型以防止欺诈的任何一方。支付处理***的功能中的一些或全部功能可以由OCR应用或另一方执行。支付处理***将全息图和压印文本与标准进行比较，以防止欺诈性扫描。3D模型可以防止卡的欺诈性二维表示被支付处理***授权。例如，本文公开的方法可以防止用户尝试扫描卡的复印件或图片。
OCR应用获得卡的扫描并且创建卡的3D模型，如本文所述。OCR应用将3D模型发送到支付处理***、OCR***或3D模型的任何合适的请求者。支付处理***可以使用3D模型来确认被扫描的卡是真实的。OCR应用可以经由通过网络的因特网连接、电子邮件、文本或以任何合适的方式传送3D模型。
支付处理***将3D模型与数据库或其他存储位置进行比较。支付处理***可以访问全息图或压印字母的图像以与所传送的3D模型进行比较。支付处理***可以将3D模型与关于由OCR应用、由用户、由支付处理***或由任何合适的一方识别的卡的类型的图像进行比较。例如，OCR应用可以在3D模型被传送的时间传送将卡识别为与特定发行者相关联的***的数据。在另一示例中，支付处理***从3D模型识别卡的类型并且使用数据库中的与卡类型相关联的图像进行比较。
支付处理***可以以任何合适的方式将3D模型与数据库中的图像进行比较，以确认3D模型与标准相匹配。在一个示例中，支付处理***访问卡类型来自特定视角的所存储的图像。支付处理***使3D模型移位或旋转，以获得与来自数据库的图像的视角相匹配的3D模型的视角。支付处理***将图像与3D模型的视角进行比较。
在一个示例中，支付处理***可以确定数字中的一些或全部数字是否是压印的。如果用户正在提交欺诈性图像，诸如卡的平的复印件，则数字可以不表现为压印的。支付处理***可以另外确定恰当的数字集合是否是压印的。在另一示例中，支付处理***可以确定全息图在特定的视角呈现的图像是否与全息图在所存储的图像中在该视角的图像相匹配。由于全息图图像随着视角改变而改变，支付处理***可以确定全息图是否在多个视角匹配。
如果比较的结果指示3D模型和所存储的图像之间的匹配，则支付处理***向认证的请求者提供卡信息的认证。请求者可以是支付处理***、OCR应用、商家***或任何其他合适的请求者。如果比较的结果不指示3D模型和所存储的图像之间的匹配，则支付处理***可以向OCR应用请求3D模型中的额外图像。替选地，支付处理***可以请求不同的图像来创建3D模型。可以采用产生新的3D图像的任何合适的方式。替选地，OCR应用可以拒绝认证请求。
示例***架构
现在转到其中在所有图中类似标号表示类似(但未必相同)元素的附图，详细描述示例实施例。
图1是根据某些示例实施例的描绘用于利用轻松卡对准来提取金融账户信息并且用于从多个卡提取金融账户信息的***的框图。如图1中描绘，***100包括网络计算设备110、120、140和170，它们被配置为经由一个或多个网络105与彼此通信。在一些实施例中，与设备相关联的用户必须安装应用和/或进行特征选择，以获得本文描述的技术的益处。
每个网络105包括有线或无线电信装置，网络设备(包括设备110、120、140和170)可以通过该电信装置交换数据。例如，每个网络105可以包括局域网(“LAN”)、广域网(“WAN”)、内联网、因特网、移动电话网络或其任何组合。在整个示例实施例的讨论中，应当理解，术语“数据”和“信息”在本文中可互换使用来指文本、图像、音频、视频或可以在基于计算机的环境中存在的任何其他形式的信息。
每个网络计算设备110、120、140和170包括具有能够通过网络105传送和接收数据的通信模块的设备。例如，每个网络设备110、120、140和170可以包括服务器、桌上型计算机、膝上型计算机、平板计算机、具有嵌入其中和/或与其耦合的一个或多个处理器的电视、智能电话、手持式计算机、个人数字助理(“PDA”)或任何其他有线或无线处理器驱动的设备。在图1中描绘的示例实施例中，网络设备110、120、140和170分别由最终用户或消费者、OCR***运营商和支付处理***运营商和卡发行者运营商操作。
用户101可以使用通信应用112经由分布式网络105查看、下载、上载或以其他方式访问文档或网页，该通信应用可以是例如web浏览器应用或独立的应用。网络105包括有线或无线电信***或设备，网络设备(包括设备110、120、140和170)可以通过该电信***或设备交换数据。例如，网络105可以包括局域网(“LAN”)、广域网(“WAN”)、内联网、因特网、存储区域网络(SAN)、个域网(PAN)、城域网(MAN)、无线局域网(WLAN)、虚拟专用网(VPN)、蜂窝或其他移动通信网络、蓝牙、NFC或其任何组合或促进信号、数据和/或消息的通信的任何其他适当的架构或***。
用户计算设备110可以采用通信模块112来与OCR***120的web服务器124或其他服务器进行通信。通信模块112可以允许设备经由除网络105以外的技术进行通信。示例可以包括蜂窝网络、无线电网络或者其他通信网络。
用户设备110可以包括数字钱包应用模块111。数字钱包应用模块111可以包含用户设备110可以采用以帮助用户101完成购买的任何应用、硬件、软件或处理。数字钱包应用模块111可以与通信应用112进行交互或者可以被体现为通信应用112的伴随应用。作为伴随应用，数字钱包应用模块111在通信应用112内执行。即，数字钱包应用模块111可以是嵌入在通信应用112中的应用程序。
用户设备110可以包括光学字符辨识(“OCR”)应用115。OCR应用115可以与通信应用112进行交互或者可以被体现为通信应用112的伴随应用并且在通信应用112内执行。在示范性实施例中，OCR应用115可以另外或替选地被体现为数字钱包应用模块111的伴随应用并且在数字钱包应用模块111内执行。OCR应用115可以采用可以在数字钱包应用111中打开或者可以在通信应用112中打开的软件界面。该界面可以允许用户101配置OCR应用115。
OCR应用115可以用于分析卡以及从卡提取信息或其他数据。OCR***120或开发了OCR算法或其他方法的其他***可以包括使得OCR***120能够与OCR应用115交互的计算机可读程序指令集合，例如使用JavaScript。
在说明书中描述为由OCR应用115执行的功能中的任何一个功能可以由支付处理***140、OCR***120、用户计算设备110、数字钱包应用模块111、商家***(未示出)或任何其他合适的硬件或软件***或应用执行。在一个示例中，用户计算设备110上的OCR应用115可以获得卡102的图像并且将该图像传送到OCR***120以提取卡102上的信息。
用户设备110包括OCR应用115、web浏览器应用112或任何合适的计算设备或应用可访问的数据存储单元113。示范性数据存储单元113可以包括一个或多个有形的计算机可读介质。数据存储单元113可以储存在用户设备110上或者可以在逻辑上耦合至用户设备110。例如，数据存储单元113可以包括板上快闪存储器和/或一个或多个可移除存储器卡或可移除快闪存储器。
用户设备110可以包括相机114。相机可以是用户计算设备110的获得数字图像的任何模块或功能。相机114可以在用户计算设备110板上或以任何方式在逻辑上连接到用户计算设备110。相机114可以能够获得单独的图像或视频扫描。任何其他合适的图像捕获设备可以由相机114表示。
支付处理计算***140包括web服务器144可访问的数据存储单元147。示例数据存储单元147可以包括一个或多个有形的计算机可读存储设备。支付处理***140可操作以在用户101和商家***(未示出)之间进行支付。支付处理***140进一步可操作以管理用户101的支付账户、维护数据库来存储商家***和用户101的交易、验证交易以及其他合适的功能。
用户101可以经由网站(未示出)和通信网络105使用支付处理***140上的web服务器144来查看、注册、下载、上载或以其他方式访问支付处理***140。用户101关联一个或多个注册的金融卡账户，包括银行账户借记卡、***、礼品卡、积分卡、优惠券、优惠、预付优惠、店内奖励卡或可以用于利用用户101的支付账户进行购买或兑换增值服务的其他类型的金融账户。
卡发行者诸如银行或其他机构可以是正在注册的金融账户的发行者。例如，卡发行者可以是***发行者、借记卡发行者、储值发行者、提供账户的金融机构或金融账户的任何其他提供者。支付处理***140还可以用作相关联的金融账户的发行者。用户101的登记信息被保存在支付处理***140的数据存储单元147中并且是web服务器144可访问的。卡发行者采用卡发行者计算***170来发行卡、管理用户账户以及执行任何其他合适的功能。卡发行者***170可以替选地发行用于识别、访问、验证、票务的卡或用于任何合适的目的的卡。卡发行者***170可以采用web服务器174来管理用户账户和发行卡102。
OCR计算***120利用操作产生、管理、存储或维持OCR算法、方法、处理或服务的***的OCR***web服务器124。OCR***web服务器124可以表示OCR***120采用以向用户计算设备110、商家或任何合适的一方提供OCR服务的计算机实现的***。OCR***web服务器124可以经由任何可获得的技术与一个或多个支付处理***140、用户设备110或其他计算设备进行通信。这些技术可以包括但不限于经由网络105的因特网连接、电子邮件、文本、即时消息或其他合适的通信技术。OCR***120可以包括OCR***120的web服务器124可访问的数据存储单元127。数据存储单元127可以包括一个或多个有形的计算机可读存储设备。
在说明书中描述为由OCR***120执行的功能中的任何一个功能可以由OCR应用115、用户计算设备110或任何其他合适的硬件或软件***或应用执行。
用户101当进行交易诸如购买、购票进入、忠诚签到或其他合适的交易时可以使用卡102。用户101可以获得卡信息，以用于将由卡102表示的账户导入数字钱包应用模块111的目的或者用于其他数字账户目的。卡102通常是在卡102上包含账户信息和其他数据的塑料卡。在许多卡102实施例中，消费者姓名、到期日期以及***被物理压印在卡102上。压印信息从卡102的正面和背面可见，但是压印信息在卡102的背面通常是反的。
应当理解，所示的网络连接是示范性的并且可以使用建立计算机和设备之间的通信链路的其他手段。此外，受益于本公开的本领域的普通技术人员将理解，图1中所示的用户设备110、OCR***120、支付处理***140和卡发行者***170可以具有若干其他合适的计算机***配置中的任何一种配置。例如，被体现为移动电话或手持式计算机的用户设备110可以不包括所有以上描述的组件。
示例处理
在下文中相对于示例操作环境100的组件来描述图2至图6中所示的示例方法。也可以利用其他***且在其他环境中执行图2至图6的示例方法。
图2是根据某些示例实施例的描绘用于使用多个图像提取金融账户信息的方法200的流程框图。
参考图1和图2，在框205中，用户设备110上的光学字符辨识(“OCR”)应用115获得卡102的数字扫描或图像集合。可以从用户计算设备110的相机114模块诸如移动电话上的相机114获得图像。可以从耦合至用户计算设备110的任何数字图像设备或者任何其他合适的数字成像设备获得图像。图像可以由用户计算设备110上的OCR应用115从用户存储设备110上的存储位置、从远程存储位置或者从任何合适的位置访问。能够提供图像的所有来源将被称为“相机”。
OCR应用115从相机114接收卡102的图像。OCR应用115的功能可以由在用户计算设备110上操作的任何合适的模块、硬件、软件或应用执行。OCR应用115的功能中的一些或全部功能可以由远程服务器或其他计算设备诸如在OCR***120中操作的服务器124执行。例如，用户计算设备110上的数字钱包应用模块111可以获得卡102的图像并且将该图像传送到OCR***120进行处理。在另一示例中，OCR功能中的一些功能可以由用户计算设备110进行并且OCR功能中的一些功能可以由OCR***120或另一个远程服务器进行。本文提供的示例可以指示，功能中的许多功能由用户计算设备110上的OCR应用115执行，但是功能中的一些或全部功能可以由任何合适的计算设备执行。
卡102的图像在用户计算设备110的用户界面上被呈现为卡102的实时视频图像。OCR应用115可以分离并存储来自相机114的视频馈送的一个或多个图像。OCR应用115可以将卡102的扫描存储为视频或包括卡102的多个图像的其他合适的格式。例如，用户101可以将用户计算设备110的相机114悬停在金融卡102上并且在用户计算设备110的用户界面上观察金融卡102的表示。用户101可以致动用户计算设备110上的真实或虚拟按钮以捕获优选图像、图像组或数字扫描。OCR应用115可以自动选择优选图像。
在某些示例中，当扫描在活动时执行所描述的功能中一些或全部功能。例如，用户101可以将用户计算设备110的相机114悬停在卡上并且利用卡102的实时图像执行本文描述的方法。即，OCR应用115捕获并利用来自相机114的活动馈送的图像。
在用户计算设备110上所显示的卡102的图示呈现于图7中。
图7是根据某些示例实施例的显示金融卡的图像的用户计算设备110的图示。用户计算设备110被示为移动智能电话。用户计算设备110被示为具有显示屏幕705作为用户界面。卡102被示出在用户计算设备110上显示。
回到图2，在框210中，OCR应用115分离卡的图像。任何图像数据操纵或图像提取可以用于分离卡图像。
OCR应用115、相机模块114或用户计算设备110或其他计算设备对图像执行模糊检测。图像可以被辨识为模糊、过亮、过暗或以防止获得高分辨率图像的方式以其他方式模糊。OCR应用115或者用户计算设备110或相机114的其他功能可以调整图像捕获方法以降低图像中的模糊。例如，OCR应用115可以指示相机114将焦点调整在金融卡102上。在另一示例中，OCR应用115可以指示用户101将相机114移动为更靠近或更远离卡102。在另一示例中，OCR应用115可以执行数字图像操纵以去除模糊。可以利用校正模糊图像的任何其他方法。
在框215中，OCR应用115可以裁剪图像，以仅显示来自卡102的所需的信息。例如，如果图像中的卡102是***，则OCR应用115访问与***的账户号码的预期位置相关联的信息。可以从存储在用户计算设备110上或另一合适位置的卡布局的数据库获得预期位置。***、驾驶执照、积分卡和其他卡通常满足卡的数据位置和布局的行业标准。行业标准可以存储在OCR应用115中或可由OCR应用115访问的位置。在某些情况下，数据位置可以由卡102的发行者提供。
在框220中，OCR应用115对卡图像中的两个或更多个应用OCR算法以识别卡102上的信息。信息可以是数字、字符或者其他数据或信息。信息或数据的每一个实例将被称为“数字”。OCR算法可以表示辨识卡图像上所表示的数字的任何处理、程序、方法或其他方式。OCR应用115提取数字并且可以在用户计算设备110的用户界面上显示提取的数字。可以将组分类为诸如账户号码、用户姓名、到期日期、卡发行者或其他合适的数据的类别。OCR应用115可以通过将数字的组的格式与格式的数据库进行比较来将数字的组归类。例如，如果对一组数字的OCR算法的结果是“10/15”，则OCR应用可以将格式理解为与到期日期相关联。
在框225中，OCR应用115比较从对图像中的每一个图像应用OCR算法产生的结果。OCR应用115确定结果是否相匹配。例如，OCR应用115可以比较图像上的每个类别的数字的结果并且确定是否针对比较的图像中的每一个图像的每个类别产生相同的数字。例如，如果用户姓名在图像中的每一个图像中被确定为“约翰·D·史密斯(John DSmith)”，则OCR应用115确定正确地提取了姓名。OCR应用115可以比较图像上的每个数字或数字的组的结果。OCR应用115可以比较配置数量的图像的结果。例如，OCR应用115可以比较来自卡的扫描的3或4个图像的结果。可以基于用户偏好、OCR应用115能力、用户计算设备110处理容量、时间限制或任何其他合适的限制因素比较任何合适的数量的图像。
用户、OCR应用115或另一合适的一方可以针对将接受的信息设定必须匹配的结果的阈值百分比。例如，如果4个结果中的3个结果指示用户姓名是“约翰·史密斯”，但是单个结果指示用户姓名是“雅恩·史密斯(Jahn Smith)”，则OCR应用115可以确定4个当中的3个足以表明匹配。替选地，OCR应用115可以要求所有图像上的所有数字匹配。
在框230中，方法200确定比较的结果是否产生匹配的数据。如果结果是匹配，则方法200遵循框230的“是”分支到框235。如果结果不是匹配，则方法200可以拒绝结果、再次对图像应用OCR算法或获得额外图像。
在一个示例中，方法200遵循框230的“否”分支到框210。OCR应用115可以从存储在用户计算设备110中或另一合适位置的扫描访问额外图像。OCR应用115可以从实时扫描访问额外图像。在另一示例中，OCR应用115可以再次扫描卡并且捕获额外图像进行分析。可以利用任何其他合适的方法来获得额外图像。OCR应用115可以针对后续比较使用相同数量的图像或OCR应用115可以改变分析的图像的数量。
OCR应用115对新的图像执行OCR算法或对先前的图像重新应用OCR算法。OCR应用115可以继续比较OCR算法的结果的处理，直到结果集合相匹配。OCR应用115可以重复本文描述的方法达配置数量的尝试。例如，OCR应用115可以尝试获得额外2个或3个图像集合的匹配结果。然后OCR应用115可以拒绝结果或者向用户101提供进一步的指令。
在框235中，OCR应用115将提取的数据提供到数字钱包应用模块111、销售点终端、支付处理***140、网站或用户101希望的任何合适的应用或***。提取的数据可以由用户计算设备110上的应用使用。可以通过网络105经由因特网连接、经由近场通信(“NFC”)技术、电子邮件、文本传送提取的数据或以任何合适的方式传送提取的数据。
图3是根据某些示例实施例描绘用于提取金融账户信息以实现所配置的置信阈值的方法300的流程框图。在框205中，OCR应用115获得卡的数字扫描，如图2的框205中描述。
在框310中，OCR应用115从卡102的扫描分离第一图像。OCR应用115可以选择被确定为最不模糊、最明亮或以任何合适的方式为优选图像的图像。用户101可以手动选择第一图像。可以利用选择第一图像的任何其他方式。
在框215和框220中，OCR应用115剪裁图像并且对卡上的卡图像执行OCR算法，如图2的方法200中的框215和框220中描述。
在框325中，OCR应用115将OCR算法的结果的置信水平与所配置的阈值进行比较。
OCR应用115确定OCR算法的结果的置信水平。可以使用评估置信水平的任何方式。例如，OCR应用115可以使用机器学习算法来确定数字正确的可能性。可以使用用户101对结果的验证或修正中的一些或全部验证或修正来更新机器学习算法。
在一个示例中，OCR应用115可以通过确定最高两个数字候选者之间的置信水平的差来确定每个数字的置信水平。即，OCR应用115可以确定数字满足“1”的特性中的许多特性并且给特定的数字评估80％的分数。OCR应用115可以确定同一数字满足“7”的特性中的许多特性并且给特定的数字评估60％的分数。然后，OCR应用115可以至少部分地基于两个数字分数之间的差来评估特定的置信水平。
OCR应用115可以基于个别数字的置信水平或分数来确定卡上的所有数据的置信水平。例如，OCR应用115可以将数字分数平均、将数字分数求和或对数字分数执行任何其他合适的动作。
OCR应用115、用户101、OCR***120、支付处理***140或任何合适的一方确定OCR算法的结果的阈值置信水平。例如，用户101可以向OCR应用115中输入这样的要求：OCR算法必须产生90％可能准确的结果。
在框330中，方法300确定OCR算法的结果是否等于或大于所配置的阈值。如果结果等于或大于所配置的阈值，则方法300遵循框330的“是”分支到框235。如果结果低于所配置的阈值，则方法300遵循框330的“否”分支到框340。
遵循否分支到框340，OCR应用115分离第二卡图像。可以从来自第一扫描或后续扫描的所存储的图像获得该图像。可以从在视频馈送中向用户计算设备110提供图像的实时扫描获得该图像。可以从任何合适的来源获得该图像。
OCR应用115以框215、220和325中描述的方式重新应用OCR算法。确定第二图像的置信水平并且将其与所配置的阈值进行比较，如在本文描述的框330中。OCR应用115可以重复分离图像和应用OCR算法的处理，直到特定图像的结果超过所配置的阈值。
另外或替选地，OCR应用115对多个图像执行OCR算法并且比较结果的置信水平。OCR应用115可以选择具有最高置信水平的图像作为候选图像并且将该置信水平与阈值进行比较，如本文所述。如果最高置信水平不在阈值以上，则OCR应用115可以获得额外图像或采取任何合适的策略，如本文所述。
在另一示例中，OCR应用115对多个图像执行OCR算法并且比较结果的置信水平。OCR应用115可以选择具有最高置信水平的图像并且验证所选择的图像的结果。尽管可能低于所配置的阈值，仍将所选择的图像的结果提供给请求者，如框235中描述。
OCR应用115可以对所提取的数据应用任何测试以确认数据的有效性。例如，OCR应用115可以对数据应用校验和算法以验证数字满足预期格式。OCR应用115可以对照数据库检查表示发行者识别号码(“IIN”)的适当数字以验证该数字匹配预期IIN。可以对所提取的数据执行数字的任何合适的验证。
遵循框330的是分支到框235，OCR应用115将所提取的数据提供给请求者，如图2的框235中描述。
图4是根据某些示例实施例描绘用于使用混合图像来提取金融账户信息的方法400的流程框图。
在框205和框210中，OCR应用115获得卡的数字扫描并且分离卡的多个图像，如本文在图2的框205和框210中描述。
在框415中，OCR应用115将图像对准至相同的定向。可以将所有的图像数字旋转至正面平行位置或旋转至彼此类似的任何定向。可以缩放或以其他方式调整图像大小，使得所有的卡图像大小相同。可以执行图像的任何其他数字操纵以使图像的大小、形状和视角标准化，以允许它们被混合。
在框417中，OCR应用115将图像混合在一起以创建比单个图像具有更高的分辨率的图像。可以经由图像的任何合适的操纵来执行图像的混合。可以通过图像的数学计算表示来执行混合。混合两个图像可以产生具有图像中两倍数量的像素的图像。可以采用将数字图像混合为具有更高分辨率的图像的任何合适的方法。
在框220中，OCR应用115对混合图像应用OCR算法，如图2的框220中描述。
在框325中，OCR应用115将OCR算法的结果与所配置的置信阈值进行比较，如图3的框325中描述。
在框330中，OCR应用确定OCR算法的结果是否等于或大于所配置的阈值，如图3的框330中描述。如果结果等于或大于所配置的阈值，则方法500遵循框330的“是”分支到框235。如果结果低于所配置的阈值，则方法400遵循框330的“否”分支到框440。
遵循否分支到框440，OCR应用115可以在混合图像中并入额外图像。替选地，OCR应用115可以使用不同的所存储的图像来创建新的混合图像。替选地，可以从相机获得新的图像以创建新的混合图像。
OCR应用115可以对准图像并且混合图像，如框415和417中描述。可以采用产生新的混合图像的任何合适的方式。
OCR应用115可以对新的混合图像重新应用OCR算法并且评估图像的置信水平，如框220和框325中描述。可以重复该处理，直到产生等于或超过置信水平的结果或OCR应用拒绝尝试。
另外或替选地，OCR应用115对多个混合图像执行OCR算法并且比较结果的置信水平。OCR应用115可以选择具有最高置信水平的混合图像作为候选图像并且将置信水平与阈值进行比较，如本文所述。如果最高置信水平不在阈值以上，则OCR应用115可以获得额外的混合图像或采取任何合适的策略，如本文所述。
在另一示例中，OCR应用115对多个混合图像执行OCR算法并且比较结果的置信水平。OCR应用115可以选择具有最高置信水平的混合图像并且验证所选择的图像的结果。尽管可能低于所配置的阈值，仍将所选择的图像的结果提供给请求者，如框235中描述。
OCR应用115可以对所提取的数据执行任何测试以确认数据的有效性。例如，OCR应用115可以对数据应用校验和算法以验证数字满足预期格式。OCR应用115可以对照数据库检查表示发行者识别号码(“IIN”)的适当数字以验证该数字匹配预期IIN。可以对所提取的数据执行数字的任何合适的验证。
遵循框330的是分支到框235，OCR应用115将所提取的数据提供给请求者，如图2的框235中描述。
图5是根据某些示例实施例描绘用于使用三维(“3D”)模型来提取金融账户信息的方法500的流程框图。
在框205和框210中，OCR应用115获得卡的数字扫描并且分离卡的多个图像，如本文在图2的框205和框210中描述。OCR应用115从各种查看角度和视角捕获并存储卡102的图像。可以请求用户101将用户计算设备110的相机114悬停在卡上并且在各种方向移动相机114以获得恰当的视角。
在框515中，OCR应用115将卡的图像在3D空间中建模。OCR应用115可以组合、合并、混合、旋转或以其他方式操纵图像以在图像中产生卡102的3D模型。3D模型允许将图像的视图重新对准至不同的视角。可以通过OCR应用115或另一计算设备对图像的数字操纵来创建3D模型。
通过开发对象的任何三维表面的数学表示来创建3D模型。该产物被称为3D模型。可以通过称为3D渲染的处理将3D模型显示为二维图像。
当创建3D模型时，OCR应用115无法确定线上的哪个点对应于来自单个图像的图像点。如果可获得两个图像，则可以发现3D点的位置是两个投影光线的交叉点。该处理被称为三角测量。如果OCR应用115从相机114获得多个图像，则可以从三角测量图像上的许多点来创建详细的3D模型。点的三角测量允许OCR应用115确定每个点在二维图像中的深度。一旦创建了多个深度图，则OCR应用115通过计算深度和从相机114投影来组合这些图以创建最终网格。
可以旋转、缩放或以任何方式操纵3D模型以允许OCR应用115查看二维图像的查看者不可获得的卡102的视角。
在框520中，OCR应用对卡图像的3D模型应用OCR算法。可以以与关于二维图像在图2的框220中描述的方法类似的方式来应用OCR算法。可以为3D图像定制OCR算法。
在框325中，OCR应用将OCR算法的结果与所配置的置信阈值进行比较，如图3的框325中描述。
在框330中，方法500确定OCR算法的结果是否等于或大于所配置的阈值。如果结果等于或大于所配置的阈值，则方法500遵循框330的“是”分支到框235。如果结果在所配置的阈值以下，则方法300遵循框330的“否”分支到框540。
遵循否分支到框540，OCR应用115针对3D模型获得卡102的额外图像。可以从来自第一扫描或后续扫描的所存储的图像获得这些图像。可以从在视频馈送中向用户计算设备110提供图像的实时扫描获得这些图像。可以从任何合适的来源获得该图像。
返回框515，OCR应用115向3D模型中并入额外图像并且创建包括额外图像的新的3D模型。OCR应用115可以使用额外图像来创建新的3D模型。新的3D模型可以并入先前使用的图像中的一些或全部图像，以改善或修正现有的3D模型。
OCR应用115以框520中描述的方式重新应用OCR算法。确定第二3D模型的置信水平并且将其与所配置的阈值进行比较，如在本文描述的框330中。OCR应用115可以重复分离图像、创建3D模型和应用OCR算法的处理，直到特定3D模型的结果超过所配置的阈值。OCR应用115可以在配置数量的尝试之后拒绝卡102。
另外或替选地，OCR应用115对多个3D模型执行OCR算法并且比较结果的置信水平。OCR应用115可以选择具有最高置信水平的3D模型作为候选图像并且将置信水平与阈值进行比较，如本文所述。如果最高置信水平不高于阈值，则OCR应用115可以获得额外的3D模型或采取任何合适的策略，如本文所述。
在另一示例中，OCR应用115对多个3D模型执行OCR算法并且比较结果的置信水平。OCR应用115可以选择具有最高置信水平的3D模型并且验证所选择的图像的结果。尽管在所配置的阈值以下，仍将所选择的3D模型的结果提供给请求者，如框235中描述。
OCR应用115可以对所提取的数据应用任何测试以确认数据的有效性。例如，OCR应用115可以对数据应用校验和算法以验证数字满足预期格式。OCR应用115可以对照数据库检查表示发行者识别号码(“IIN”)的适当数字以验证该数字匹配预期IIN。可以对所提取的数据执行数字的任何合适的验证。
遵循框330的是分支到框235，OCR应用115将所提取的数据提供给请求者，如图2的框235中描述。
图6是根据某些示例实施例描绘用于使用金融卡102的三维模型以防止欺诈的方法600的流程框图。支付处理***140、OCR应用115、商家服务器或其他合适的一方使用卡102的3D模型来将压印文本和全息图像与所存储的标准进行比较。支付处理***140表示使用3D模型以防止欺诈的任何一方。支付处理***140的功能中的一些或全部功能可以由OCR应用115、OCR***140或另一方执行。
在框205和框210中，OCR应用115获得卡的数字扫描并且分离卡的多个图像，如本文在图2的框205和框210中描述。
在框615中，OCR应用115将卡的图像在3D空间中建模，以捕获卡102上的压印数字和全息图像。OCR应用115可以组合、合并、混合、旋转或以其他方式操纵图像以在图像中产生卡102的3D模型。3D模型允许将图像的视图重新对准至不同的视角。可以通过OCR应用115或另一计算设备对图像的数字操纵来创建3D模型。
3D模型允许将图像的视图重新对准至不同的视角。可以旋转、缩放或以任何合适的方式操纵3D模型以允许OCR应用115在模型中获得卡102的不同的视图。3D模型允许***从不同的角度查看压印文本和全息图。
在框620中，OCR应用115将3D模型传送到支付处理***140，以确认被扫描的卡102是真的。OCR应用115可以经由通过网络的因特网连接、电子邮件、文本传送或以任何合适的方式传送3D模型。
在框625中，支付处理***140将3D模型与数据库或其他存储位置进行比较。支付处理***140可以访问全息图或压印字母的图像以与所传送的3D模型进行比较。支付处理***140可以将3D模型与同由OCR应用115、由用户101、由支付处理***服务器144或由任何合适的一方识别的卡102的类型相关的图像进行比较。例如，OCR应用115可以在3D模型被传送的时间传送将卡102识别为与特定发行者相关联的***的数据。在另一示例中，支付处理***140从3D模型识别卡的类型并且使用数据库中的与卡类型相关联的图像进行比较。
支付处理***140可以以任何合适的方式将3D模型与数据库中的图像进行比较，以确认3D模型与标准相匹配。要匹配的标准是由所存储的图像提供的来自不同的视角的卡102上的压印数字和全息图的外观。标准可以是卡102的所存储的3D模型。在一个示例中，支付处理***140访问卡类型来自特定视角的所存储的图像。支付处理***140使3D模型移位或旋转，以获得与来自数据库的图像的视角相匹配的3D模型的视角。支付处理***140将图像与3D模型的不同的视角进行比较。
在一个示例中，支付处理***140可以确定数字中的一些或全部数字是否是压印的。如果用户101正在提交欺诈图像，诸如卡的平坦复印件，则数字可以不显示为压印的。支付处理***140可以另外确定恰当的数字集合是否是压印的。在另一示例中，支付处理***140可以确定在特定的视角全息图呈现的图像是否与在所存储的图像中在该视角全息图的图像相匹配。由于全息图图像随着视角改变而改变，支付处理***140可以确定全息图是否在多个视角匹配。
在框630中，支付处理***140确定3D模型是否与标准相匹配。如果3D模型与标准相匹配，则方法600遵循框630的“是”分支到框635。如果3D模型不与标准相匹配，则方法600遵循“否”分支到框640。
遵循否分支到框640，支付处理***140请求卡的3D模型的修正或支付处理***140拒绝卡102。支付处理***140可以请求OCR应用115并入额外图像以添加到3D模型中。替选地，支付处理***140可以请求OCR应用115创建新的3D模型。可以采用产生新的3D图像的任何合适的方式。替选地，OCR应用115可以拒绝认证请求并且向OCR应用115或其他请求者传送拒绝。
OCR应用115可以创建新的3D模型并且将该新的3D模型传送到支付处理***140，如框615和框620中描述。
支付处理***140可以将全息图和压印文本与标准进行比较，如625和630中描述。可以将方法600重复需要的次数，以获得与标准相匹配的3D模型。替选地，支付处理***140可以尝试比较达配置数量的尝试并且然后如果不能获得匹配则提供拒绝。
遵循框630的是分支到框635，支付处理***140向验证的请求者提供卡信息的验证。请求者可以是支付处理***140、OCR应用115、商家***或任何其他合适的请求者。
在某些情况下，OCR应用115或其他计算设备执行本文中的方法中的一种或多种方法并且无法产生经验证的卡信息。OCR应用115可能希望改善本文描述的OCR算法或其他处理。OCR应用115可能希望将失败的信息传送给OCR算法的提供者、OCR应用115的提供者、OCR***120或任何合适的一方。失败的信息将被传送，以允许接收者确定未经验证的数据的成因和改善算法或处理。
例如，来自相机114的图像数据可能未被正确地理解。在另一示例中，卡102的字体无法辨识。在另一示例中，卡102的信息可以是非预期格式。在另一示例中，卡发行者可能已经改变相关联的IIN号码。失败的OCR处理的任何合适的原因可以是将数据提供给请求者的原因。
OCR应用115可能不希望传送整个图像，以保护用户101的隐私。例如，如果OCR应用115无法辨识用户101的***的发行者170，则如果将整个***图像传输到OCR算法的提供者，用户101的隐私就可能会受到损害。在另一示例中，如果OCR应用115无法辨识许可证的发行日期，则用户101可能不希望将整个许可证的图像通过因特网传送到OCR***120。
在一个示例实施例中，OCR应用115可以将未经验证的数字发送给失败的请求者。例如，OCR应用115可以裁剪出失败数字并且仅将失败数字传送给请求者。通过仅发送裁剪后的图像而不是整个图像，保护了用户101的隐私。
在另一示例实施例中，用户101提供对数字的校正。例如，在未能取得经验证的数字之后，OCR应用115提供校正数字的机会。在另一示例中，将来自卡102的经验证的数据提供给用户101用于在用户界面上验证。例如，OCR应用115在智能电话的屏幕上提供所提取的信息以供用户101核准或校正。
如果用户提供对数据的校正，OCR应用可以将不正确的提取、经校正的信息以及图像的裁剪部分提供给请求者。不将整个数据和全部图像传送给请求者，以保护用户101和数据的隐私。
其他示例实施例
图4描绘了根据某些示例实施例的计算机器2000和模块2050。计算机器2000可以对应于本文中所呈现的各种计算机、服务器、移动设备、嵌入式***或计算***中的任何一个。模块2050可包括被配置为便于计算机器2000执行本文中所呈现的各种方法和处理功能的一个或多个硬件或软件元件。计算机器2000可以包括各种内部或附接组件，诸如处理器2010、***总线2020、***存储器2030、存储介质2040、输入/输出接口2060以及用于与网络2080进行通信的网络接口2070。
计算机器2000可以被实现为常规的计算机***、嵌入式控制器、膝上型计算机、服务器、移动设备、智能电话、机顶盒、公用电话亭、车辆信息***、与电视相关联的一个或多个处理器、定制的机器、任何其他硬件平台或其任何组合或多个物。计算机器2000可以是被配置为使用经由数据网络或总线***互连的多个计算机器发挥功能的分布式***。
处理器2010可以被配置为执行代码或指令以执行本文所述的操作和功能性、管理请求流和地址映射并且执行计算并生成命令。处理器2010可以被配置为监视和控制计算机器2000中的组件的操作。处理器2010可以是通用处理器、处理器核心、多处理器、可重构处理器、微控制器、数字信号处理器(“DSP”)、专用集成电路(“ASIC”)、图形处理单元(“GPU”)、现场可编程门阵列(“FPGA”)、可编程逻辑器件(“PLD”)、控制器、状态机、门控逻辑、分立硬件组件、任何其他处理单元或其任何组合或多个物。处理器2010可以是单个处理单元、多个处理单元、单个处理核心、多个处理核心、专用处理核心、协处理器或其任何组合。根据某些示例实施例，处理器2010连同计算机器2000的其他组件可以是在一个或多个其他计算机器内执行的虚拟化的计算机器。
***存储器2030可以包括非易失性存储器，诸如只读存储器(“ROM”)、可编程只读存储器(“PROM”)、可擦除可编程只读存储器(“EPROM”)、快闪存储器或能够存储指令或数据的有或没有外加电力的任何其他设备。***存储器2030还可以包括易失性存储器，诸如随机存取存储器(“RAM”)、静态随机存取存储器(“SRAM”)、动态随机存取存储器(“DRAM”)和同步动态随机存取存储器(“SDRAM”)。其他类型的RAM也可以用于实现***存储器2030。***存储器2030可以使用单个存储器模块或多个存储模块来实现。虽然***存储器2030被描绘为计算机器2000的一部分，本领域的技术人员将认识到，***存储器2030可以与计算机器2000分开而不背离主题技术的范围。还应当理解，***存储器2030可以包括非易失性存储设备诸如存储介质2040或与其一起操作。
存储介质2040可以包括硬盘、软盘、光盘只读存储器(“CD-ROM”)、数字多功能光盘(“DVD”)、蓝光光盘、磁带、快闪存储器、其他非易失性存储器设备、固态驱动器(“SSD”)、任何磁存储设备、任何光学存储设备、任何电气存储设备、任何半导体存储设备、任何基于物理的存储设备、任何其他数据存储设备或其任何组合或多个物。存储介质2040可以存储一个或多个操作***、应用程序和程序模块诸如模块2050、数据或任何其他信息。存储介质2040可以是计算机器2000的一部分或连接到计算机器2000。存储介质2040也可以是与计算机器2000通信的一个或多个其他计算机器诸如服务器、数据库服务器、云存储、网络附接存储等等的一部分。
模块2050可以包括被配置为便于计算机器2000执行本文中所呈现的各种方法和处理功能的一个或多个硬件或软件元件。模块2050可以包括存储为与***存储器2030、存储介质2040或两者相关联的软件或固件的指令的一个或多个序列。因此，存储介质2040可以表示可以在其上存储指令或代码以由处理器2010执行的机器或计算机可读介质的示例。机器或计算机可读介质通常可以是指用于向处理器2010提供指令的任何介质。与模块2050相关联的这样的机器或计算机可读介质可以包括计算机软件产品。应当理解，包括模块2050的计算机软件产品也可以与用于经由网络2080、任何信号承载介质或任何其他通信或递送技术将模块2050递送到计算机器2000的一个或多个处理或方法相关联。模块2050也可以包括硬件电路或用于配置硬件电路的信息，诸如用于FPGA或其他PLD的微码或配置信息。
输入/输出(“I/O”)接口2060可以被配置为耦合至一个或多个外部设备，以从所述一个或多个外部设备接收数据并且将数据发送到所述一个或多个外部设备。这样的外部设备连同各种内部设备也可以称为***设备。I/O接口2060可以包括用于将各种***设备可操作地耦合至计算机器2000或处理器2010的电气连接和物理连接两者。I/O接口2060可以被配置为在***设备、计算机器2000或者处理器2010之间传达数据、地址和控制信号。I/O接口2060可以被配置为实现任何标准接口，诸如小型计算机***接口(“SCSI”)、串行附接SCSI(“SAS”)、光纤信道、***组件互连(“PCI”)、PCI特快(PCIe)、串行总线、并行总线、先进附接技术(“ATA”)、串行ATA(“SATA”)、通用串行总线(“USB”)、Thunderbolt、FireWire、各种视频总线和类似物。I/O接口2060可以被配置为仅实现一个接口或总线技术。替选地，I/O接口2060可以被配置为实现多个接口或总线技术。I/O接口2060可以被配置为***总线2020的一部分、其全部或与其一起操作。I/O接口2060可以包括用于缓冲一个或多个外部设备、内部设备、计算机器2000或者处理器2010之间的传输的一个或多个缓冲器。
I/O接口2060可以将计算机器2000耦合至各种输入设备，包括鼠标、触摸屏、扫描仪、电子数字化仪、传感器、接收机、触摸板、轨迹球、相机、麦克风、键盘、任何其他指针设备或其任何组合。I/O接口2060可以将计算机器2000耦合至各种输出设备，包括视频显示器、扬声器、打印机、投影仪、触觉反馈设备、自动化控制、机器人组件、致动器、马达、风扇、螺线管、阀门、泵、发射机、信号发射器、灯等等。
计算机器2000可以在使用通过网接口2070跨越网络2080到一个或多个其他***或计算机器的逻辑连接的联网环境中操作。网络2080可以包括广域网(WAN)、局域网(LAN)、内联网、因特网、无线接入网络、有线网络、移动网络、电话网络、光学网络或其组合。网络2080可以是任何拓扑的分组交换、电路交换，并且可以使用任何通信协议。网络2080内的通信链路可以包括各种数字或模拟通信介质，诸如光缆、自由空间光学、波导、电导体、无线链路、天线、射频通信等等。
处理器2010可以通过***总线2020连接到计算机器2000的其他元件或本文所讨论的各种***设备。应当理解，***总线2020可以在处理器2010内、在处理器2010外部或两者。根据一些实施例，可以将处理器2010、计算机器2000的其他元件或本文所讨论的各种***设备中的任何一个集成到单个设备中，诸如***级芯片(“SOC”)、***级封装(“SOP”)或ASIC器件。
在这里所讨论的***收集关于用户的个人信息或可以利用个人信息的情况下，可以向用户提供控制程序或特征是否收集用户信息(例如关于用户的社交网络、社交行为或活动、职业、用户的偏好或用户的当前位置的信息)或控制是否和/或如何从可能与用户更相关的内容服务器接收内容的机会。另外，某些数据在被存储或使用之前可以以一种或多种方式被处理，以便移除个人可识别信息。例如，可以对用户的身份进行处理，以便不能针对该用户确定任何个人可识别信息，或者可以在其中获得位置信息的情况下将用户的地理位置一般化(诸如一般化为城市、邮政编码或州级)，使得不能确定用户的特定位置。因此，用户可以控制关于用户信息如何被收集和由内容服务器使用。
实施例可以包括体现本文描述和说明的功能的计算机程序，其中该计算机程序在包括存储在机器可读介质中的指令和执行这些指令的处理器的计算机***中实现。然而，应当显而易见的是，可以存在以计算机编程实现实施例的许多不同的方式，并且实施例不应当被解释为受限于任何计算机程序指令集合。此外，熟练的程序员将能够基于所附流程图和申请文本中的相关联描述编写这样的计算机程序来实现所公开的实施例中的实施例。因此，不应认为特定的程序代码指令集合的公开对于如何制造和使用实施例的充分理解是必不可少的。此外，本领域的技术人员将理解，本文描述的实施例的一个或多个方面可以由硬件、软件或其组合来执行，如可以在一个或多个计算***中体现。此外，对由计算机执行的动作的任何参考不应当被解释为由单个计算机执行，因为一个以上计算机可以执行该动作。
本文描述的示例实施例可以与执行本文描述的方法和处理功能的计算机硬件和软件一起使用。本文描述的***、方法和过程可以在可编程计算机、计算机可执行软件或数字电路中体现。软件可以存储在计算机可读介质上。例如，计算机可读介质可以包括软盘、RAM、ROM、硬盘、可移动介质、快闪存储器、存储器棒、光学介质、磁光介质、CD-ROM等。数字电路可以包括集成电路、门阵列、构建块逻辑、现场可编程门阵列(FPGA)等。
在先前呈现的实施例中描述的示例***、方法和动作是说明性的，并且在替选实施例中，可以以不同的顺序执行、彼此并行执行、完全省略和/或在不同的示例实施例之间组合某些动作，和/或可以执行某些额外的动作，而不背离各种实施例的范围和精神。因此，这样的替选实施例包括在本文所要求保护的发明中。
尽管已经在上面详细描述了具体实施例，但描述仅仅是为了说明的目的。因此，应当理解，上述的许多方面并不旨在作为必不可少的或本质的元素，除非另有明确说明。除了上述的那些，受益于本公开的本领域的普通技术人员可以做出示例实施例的所公开的方面的修改和对应于这些方面的等效组件或动作，而不背离在上面的权利要求书中限定的实施例的精神和范围，权利要求书的范围应被赋予最宽的解释以包含这样的修改和等效结构。

Claims (20)

1.一种用于通过比较来自多个图像的提取数据以识别匹配的提取结果来提供提取结果的计算机实现的方法，包括：
由一个或多个计算设备对从对象的数字扫描获得的多个图像中的第一图像执行光学字符辨识算法，所述数字扫描是连续数字扫描；
由所述一个或多个计算设备对从所述对象的数字扫描获得的所述多个图像中的第二图像执行所述光学字符辨识算法；
由所述一个或多个计算设备比较来自对所述第一图像执行所述光学字符辨识的结果与来自对所述第二图像执行所述光学字符辨识的结果；
由所述一个或多个计算设备基于对所述第一图像和所述第二图像执行所述光学字符辨识算法的结果的所述比较，来确定是否所述第一图像的所配置的阈值数量的结果与所述第二图像的结果相匹配；和
当至少所配置的阈值数量的结果相匹配时，由所述一个或多个计算设备接受匹配结果作为对象数据。
2.根据权利要求1所述的方法，还包括：
当所述一个或多个计算设备确定没有达到至少所配置的阈值数量时，由所述一个或多个计算设备访问所述对象的至少一个额外数字图像；
由所述一个或多个计算设备对所述对象的每个额外图像执行所述光学字符辨识算法；和
由所述一个或多个计算设备将对每个额外图像执行所述光学字符辨识算法的结果包括到所述确定操作中。
3.根据权利要求2所述的方法，其中，所述至少一个额外图像是从获得自所述对象的数字扫描的所述多个图像中访问的。
4.根据权利要求2所述的方法，还包括：执行所述对象的第二数字扫描以获得所述至少一个额外图像。
5.根据权利要求1所述的方法，其中，当匹配字符的百分比满足或超过所配置的阈值时，确定所述结果相匹配。
6.根据权利要求1所述的方法，其中，所述数字扫描是从相机接收的。
7.根据权利要求1所述的方法，其中，所述数字扫描包括视频或多个静止图像。
8.根据权利要求1所述的方法，其中，所述对象是旅行证件、票、收据、***、借记卡、身份证、积分卡、赊购卡或储值卡。
9.一种计算机程序产品，包括：
具有计算机可执行程序指令的非暂时性计算机可读存储设备，所述计算机可执行程序指令当由计算机执行时使所述计算机比较来自多个图像的提取数据以识别匹配的提取结果，所述计算机可执行程序指令包括：
用于对从对象的数字扫描获得的多个图像中的第一图像执行光学字符辨识算法的计算机可执行程序指令，所述数字扫描是连续数字扫描；
用于对从所述对象的数字扫描获得的所述多个图像中的第二图像执行所述光学字符辨识算法的计算机可执行程序指令；
用于比较来自对所述第一图像执行所述光学字符辨识的结果与来自对所述第二图像执行所述光学字符辨识的结果的计算机可执行程序指令；
用于基于对所述第一图像和所述第二图像执行所述光学字符辨识算法的结果的所述比较来确定是否所述第一图像的所配置的阈值数量的结果与所述第二图像的结果相匹配的计算机可执行程序指令；和
用于当至少所配置的阈值数量的结果相匹配时接受匹配结果作为对象数据的计算机可执行程序指令。
10.根据权利要求9所述的计算机程序产品，所述计算机可执行程序指令还包括：
用于当所述一个或多个计算设备确定没有达到至少所配置的阈值数量时访问所述对象的至少一个额外数字图像的计算机可执行程序指令；
用于对所述对象的每个额外图像执行所述光学字符辨识算法的计算机可执行程序指令；和
用于将对每个额外图像执行所述光学字符辨识算法的结果包括到所述确定操作中的计算机可执行程序指令。
11.根据权利要求10所述的计算机程序产品，其中，所述至少一个额外图像是从获得自所述对象的数字扫描的所述多个图像中访问的。
12.根据权利要求10所述的计算机程序产品，还包括用于执行所述对象的第二数字扫描以获得所述至少一个额外图像的计算机可执行程序指令。
13.根据权利要求9所述的计算机程序产品，其中，当匹配字符的百分比满足或超过所配置的阈值时，确定所述结果相匹配。
14.根据权利要求9所述的计算机程序产品，其中，所述数字扫描是从相机接收的。
15.根据权利要求9所述的计算机程序产品，其中，所述数字扫描包括视频或多个静止图像。
16.根据权利要求9所述的计算机程序产品，其中，所述对象是旅行证件、票、收据、***、借记卡、身份证、积分卡、赊购卡或储值卡。
17.一种用于比较提取数据的***，包括：
存储资源；
通信地耦合至所述存储资源的处理器，其中，所述处理器被配置为执行计算机可读指令，所述计算机可读指令存储在所述存储资源中并且使所述***：
对从对象的数字扫描获得的多个图像中的第一图像执行光学字符辨识算法，所述数字扫描是连续数字扫描；
对从所述对象的数字扫描获得的所述多个图像中的第二图像执行所述光学字符辨识算法；
比较来自对所述第一图像执行所述光学字符辨识的结果与来自对所述第二图像执行所述光学字符辨识的结果；
基于对所述第一图像和所述第二图像执行所述光学字符辨识算法的结果的所述比较，来确定是否所述第一图像的所配置的阈值数量的结果与所述第二图像的结果相匹配；和
当至少所配置的阈值数量的结果相匹配时，接受匹配结果作为对象数据。
18.根据权利要求17所述的***，其中，所述处理器还被配置为执行计算机可读指令以使所述***：
当所述一个或多个计算设备确定没有达到至少所配置的阈值数量的结果时，访问所述对象的至少一个额外数字图像；
对所述对象的每个额外图像执行所述光学字符辨识算法；和
将对每个额外图像执行所述光学字符辨识算法的结果包括到所述确定操作中。
19.根据权利要求18所述的***，其中，所述至少一个额外图像是从获得自所述对象的数字扫描的所述多个图像中访问的。
20.根据权利要求17所述的***，其中，当匹配字符的百分比满足或超过所配置的阈值时，确定所述结果相匹配。
CN202210366937.5A 2013-06-28 2014-06-27 比较数据的方法、非暂时性计算机可读存储设备以及*** Active CN114792420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210366937.5A CN114792420B (zh) 2013-06-28 2014-06-27 比较数据的方法、非暂时性计算机可读存储设备以及***

Applications Claiming Priority (13)

Application Number Priority Date Filing Date Title
US201361841273P 2013-06-28 2013-06-28
US61/841,273 2013-06-28
US14/026,781 2013-09-13
US14/026,738 2013-09-13
US14/026,479 US8805125B1 (en) 2013-06-28 2013-09-13 Comparing extracted card data using continuous scanning
US14/026,781 US20150006361A1 (en) 2013-06-28 2013-09-13 Extracting Card Data Using Three-Dimensional Models
US14/026,479 2013-09-13
US14/026,738 US20150006360A1 (en) 2013-06-28 2013-09-13 Threshold Confidence Levels for Extracted Card Data
US14/037,063 US20150006387A1 (en) 2013-06-28 2013-09-25 Preventing fraud using continuous card scanning
US14/037,063 2013-09-25
PCT/US2014/044758 WO2014210577A2 (en) 2013-06-28 2014-06-27 Comparing extracted card data using continuous scanning
CN202210366937.5A CN114792420B (zh) 2013-06-28 2014-06-27 比较数据的方法、非暂时性计算机可读存储设备以及***
CN201480046064.3A CN105474235B (zh) 2013-06-28 2014-06-27 比较使用连续扫描提取的卡数据

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201480046064.3A Division CN105474235B (zh) 2013-06-28 2014-06-27 比较使用连续扫描提取的卡数据

Publications (2)

Publication Number Publication Date
CN114792420A true CN114792420A (zh) 2022-07-26
CN114792420B CN114792420B (zh) 2023-10-13

Family

ID=51267386

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201480046064.3A Active CN105474235B (zh) 2013-06-28 2014-06-27 比较使用连续扫描提取的卡数据
CN202210366937.5A Active CN114792420B (zh) 2013-06-28 2014-06-27 比较数据的方法、非暂时性计算机可读存储设备以及***

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201480046064.3A Active CN105474235B (zh) 2013-06-28 2014-06-27 比较使用连续扫描提取的卡数据

Country Status (4)

Country Link
US (10) US20150006360A1 (zh)
EP (1) EP3014526A2 (zh)
CN (2) CN105474235B (zh)
WO (1) WO2014210577A2 (zh)

Families Citing this family (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9769354B2 (en) 2005-03-24 2017-09-19 Kofax, Inc. Systems and methods of processing scanned data
US8885229B1 (en) 2013-05-03 2014-11-11 Kofax, Inc. Systems and methods for detecting and classifying objects in video captured using mobile devices
US9767354B2 (en) 2009-02-10 2017-09-19 Kofax, Inc. Global geographic information retrieval, validation, and normalization
US9576272B2 (en) 2009-02-10 2017-02-21 Kofax, Inc. Systems, methods and computer program products for determining document validity
US10334370B2 (en) * 2009-07-25 2019-06-25 Eargo, Inc. Apparatus, system and method for reducing acoustic feedback interference signals
US11610653B2 (en) * 2010-09-01 2023-03-21 Apixio, Inc. Systems and methods for improved optical character recognition of health records
US9418304B2 (en) * 2011-06-29 2016-08-16 Qualcomm Incorporated System and method for recognizing text information in object
US10146795B2 (en) 2012-01-12 2018-12-04 Kofax, Inc. Systems and methods for mobile image capture and processing
US9158967B2 (en) 2012-01-12 2015-10-13 Kofax, Inc. Systems and methods for mobile image capture and processing
US9355312B2 (en) 2013-03-13 2016-05-31 Kofax, Inc. Systems and methods for classifying objects in digital images captured using mobile devices
US9208536B2 (en) 2013-09-27 2015-12-08 Kofax, Inc. Systems and methods for three dimensional geometric reconstruction of captured image data
US20140316841A1 (en) 2013-04-23 2014-10-23 Kofax, Inc. Location-based workflows and services
US20150006360A1 (en) 2013-06-28 2015-01-01 Google Inc. Threshold Confidence Levels for Extracted Card Data
US20150088734A1 (en) * 2013-09-20 2015-03-26 Mastercard International Incorporated Wireless utility meter reading system and method
JP2016538783A (ja) 2013-11-15 2016-12-08 コファックス， インコーポレイテッド モバイル映像データを用いて長尺文書の合成画像を生成するためのシステムおよび方法
US9565370B2 (en) 2014-05-30 2017-02-07 Apple Inc. System and method for assisting in computer interpretation of surfaces carrying symbols or characters
US9449239B2 (en) * 2014-05-30 2016-09-20 Apple Inc. Credit card auto-fill
CN105303189B (zh) * 2014-07-29 2019-08-20 阿里巴巴集团控股有限公司 一种用于检测预定区域中特定标识图像的方法及装置
US9792579B2 (en) 2014-10-28 2017-10-17 MetaBrite, Inc. Capturing product details of purchases
US9760788B2 (en) 2014-10-30 2017-09-12 Kofax, Inc. Mobile document detection and orientation based on reference object characteristics
US20160125387A1 (en) 2014-11-03 2016-05-05 Square, Inc. Background ocr during card data entry
IL235565B (en) * 2014-11-06 2019-06-30 Kolton Achiav Position-based optical character recognition
US9836456B2 (en) * 2015-01-12 2017-12-05 Google Llc Techniques for providing user image capture feedback for improved machine language translation
US10467465B2 (en) 2015-07-20 2019-11-05 Kofax, Inc. Range and/or polarity-based thresholding for improved data extraction
US10242285B2 (en) 2015-07-20 2019-03-26 Kofax, Inc. Iterative recognition-guided thresholding and data extraction
US10620778B2 (en) 2015-08-31 2020-04-14 Rockwell Automation Technologies, Inc. Augmentable and spatially manipulable 3D modeling
US10091490B2 (en) 2015-10-08 2018-10-02 Hewlett-Packard Development Company, L.P. Scan recommendations
EP3171314A1 (en) * 2015-11-20 2017-05-24 MasterCard International Incorporated Method and system for effecting a payment transaction
CN105787028A (zh) * 2016-02-24 2016-07-20 北京橙鑫数据科技有限公司 一种名片校对方法及***
US9990544B1 (en) * 2016-03-31 2018-06-05 Intuit Inc. Data accuracy in OCR by leveraging user data and business rules to improve data accuracy at field level
US9779296B1 (en) * 2016-04-01 2017-10-03 Kofax, Inc. Content-based detection and three dimensional geometric reconstruction of objects in image and video data
EP3436865A4 (en) * 2016-04-01 2019-10-23 Kofax, Inc. CONTENT-BASED DETECTION AND THREE-DIMENSIONAL GEOMETRIC RECONSTRUCTION OF OBJECTS IN IMAGE AND VIDEO DATA
WO2017213685A1 (en) 2016-06-08 2017-12-14 Google Llc Generating a composite image from a physical item
US10878232B2 (en) * 2016-08-16 2020-12-29 Blinkreceipt, Llc Automated processing of receipts and invoices
US10675955B2 (en) 2016-11-14 2020-06-09 Google Llc Adaptive glare removal and/or color correction
US10417488B2 (en) * 2017-07-06 2019-09-17 Blinkreceipt, Llc Re-application of filters for processing receipts and invoices
US10621470B2 (en) 2017-09-29 2020-04-14 Datamax-O'neil Corporation Methods for optical character recognition (OCR)
CN107944339B (zh) * 2017-10-20 2020-01-21 阿里巴巴集团控股有限公司 一种证件验证、身份验证方法和装置
US11430028B1 (en) * 2017-11-30 2022-08-30 United Services Automobile Association (Usaa) Directed information assistance systems and methods
US10803350B2 (en) 2017-11-30 2020-10-13 Kofax, Inc. Object detection and image cropping using a multi-detector approach
US20190220846A1 (en) * 2018-01-16 2019-07-18 Ali Asad PIRZADA Digital wallet
CA3089062A1 (en) 2018-01-25 2019-08-01 Vertex Software, Llc Methods and apparatus to facilitate 3d object visualization and manipulation across multiple devices
CN108875748B (zh) * 2018-06-27 2021-10-01 上海尚往网络科技有限公司 无线访问接入点信息的生成方法、设备和计算机可读介质
US11182967B2 (en) 2018-09-28 2021-11-23 Mastercard International Incorporated Devices, computer-readable media, and systems for augmented reality of available resources
CN110032960B (zh) * 2019-03-29 2020-11-17 杭州诚道科技股份有限公司 一种机动车查验表电子档案拓印膜自动定位方法
CN110443237B (zh) * 2019-08-06 2023-06-30 北京旷视科技有限公司 证件识别方法、装置、电子设备及计算机可读存储介质
CN110610090B (zh) * 2019-08-28 2022-05-03 北京小米移动软件有限公司 信息处理方法及装置、存储介质
CN112508779A (zh) * 2019-09-16 2021-03-16 四川大学 一种基于门控多反馈网络的图像超分辨率重构方法
US11276250B2 (en) 2019-10-23 2022-03-15 International Business Machines Corporation Recognition for overlapped patterns
CN111783775A (zh) * 2020-06-30 2020-10-16 京东数字科技控股有限公司 一种图像采集方法、装置、设备和计算机可读存储介质
US11586615B2 (en) * 2020-07-29 2023-02-21 Bank Of America Corporation System for generation of resource identification numbers to avoid electronic misreads
US11663837B2 (en) * 2020-12-31 2023-05-30 Itron, Inc. Meter text detection and recognition
US11961316B2 (en) * 2022-05-10 2024-04-16 Capital One Services, Llc Text extraction using optical character recognition

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1675652A (zh) * 2002-08-07 2005-09-28 松下电器产业株式会社 字符识别处理设备、字符识别处理方法和便携式终端设备
CN1776713A (zh) * 2004-11-16 2006-05-24 国际商业机器公司 用于使用多重扫描技术进行欺诈检测的装置、***和方法
CN1955981A (zh) * 2005-10-28 2007-05-02 株式会社理光 字符识别装置、字符识别方法、以及字符数据
CN101246550A (zh) * 2008-03-11 2008-08-20 深圳华为通信技术有限公司 图像文字识别方法及装置
CA2589947A1 (en) * 2007-05-11 2008-11-11 Symcor Inc. Machine character recognition verification
CN102017661A (zh) * 2008-05-15 2011-04-13 雅虎公司 基于由移动设备记录的图像的内容的数据访问
US20130129218A1 (en) * 2011-05-10 2013-05-23 David M. Barrett System and method for processing receipts and other records of users

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10341367A (ja) * 1997-06-06 1998-12-22 Toshiba Corp 静止画像生成方法及び静止画像取り込みシステム
US7257589B1 (en) * 1997-12-22 2007-08-14 Ricoh Company, Ltd. Techniques for targeting information to users
US6527173B1 (en) 1999-03-30 2003-03-04 Victor Company Of Japan, Ltd. System of issuing card and system of certifying the card
US6782144B2 (en) * 2001-03-12 2004-08-24 Multiscan Corp. Document scanner, system and method
US6873715B2 (en) * 2002-01-31 2005-03-29 You-Ti Kuo System of central signature verifications and electronic receipt transmissions
US20040167861A1 (en) * 2003-02-21 2004-08-26 Hedley Jay E. Electronic toll management
US7672475B2 (en) 2003-12-11 2010-03-02 Fraudhalt Limited Method and apparatus for verifying a hologram and a credit card
US20060131389A1 (en) 2004-12-16 2006-06-22 Hansup Kwon Data card authentication system and method
US20070065002A1 (en) * 2005-02-18 2007-03-22 Laurence Marzell Adaptive 3D image modelling system and apparatus and method therefor
CN100349172C (zh) * 2005-04-08 2007-11-14 北京中星微电子有限公司 一种不理想条件下可摄像移动终端名片识别的方法
US20130120595A1 (en) * 2008-01-18 2013-05-16 Mitek Systems Systems for Mobile Image Capture and Remittance Processing of Documents on a Mobile Device
CN101533474B (zh) * 2008-03-12 2014-06-04 三星电子株式会社 基于视频图像的字符和图像识别***和方法
US8737721B2 (en) * 2008-05-07 2014-05-27 Microsoft Corporation Procedural authoring
US9305230B2 (en) 2008-07-14 2016-04-05 Jumio Inc. Internet payment system using credit card imaging
US20120087537A1 (en) * 2010-10-12 2012-04-12 Lisong Liu System and methods for reading and managing business card information
US9349063B2 (en) * 2010-10-22 2016-05-24 Qualcomm Incorporated System and method for capturing token data with a portable computing device
US9599461B2 (en) * 2010-11-16 2017-03-21 Ectoscan Systems, Llc Surface data acquisition, storage, and assessment system
US20120239542A1 (en) * 2011-03-17 2012-09-20 Dan Richard Preston Systems and methods for capturing payment information using mobile devices
US9418304B2 (en) * 2011-06-29 2016-08-16 Qualcomm Incorporated System and method for recognizing text information in object
CN102855498B (zh) * 2011-07-01 2016-08-31 富士通株式会社 字符识别方法和装置
US8890978B1 (en) * 2012-03-27 2014-11-18 Intuit Inc. Accurately extracting information using multiple images
EP2885751A4 (en) * 2012-08-15 2016-03-30 Jumio Inc IMAGE PROCESSING FOR CREDIT VALIDATION
US8942420B2 (en) * 2012-10-18 2015-01-27 Qualcomm Incorporated Detecting embossed characters on form factor
US9384423B2 (en) 2013-05-28 2016-07-05 Xerox Corporation System and method for OCR output verification
US20150006360A1 (en) 2013-06-28 2015-01-01 Google Inc. Threshold Confidence Levels for Extracted Card Data

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1675652A (zh) * 2002-08-07 2005-09-28 松下电器产业株式会社 字符识别处理设备、字符识别处理方法和便携式终端设备
CN1776713A (zh) * 2004-11-16 2006-05-24 国际商业机器公司 用于使用多重扫描技术进行欺诈检测的装置、***和方法
CN1955981A (zh) * 2005-10-28 2007-05-02 株式会社理光 字符识别装置、字符识别方法、以及字符数据
CA2589947A1 (en) * 2007-05-11 2008-11-11 Symcor Inc. Machine character recognition verification
CN101246550A (zh) * 2008-03-11 2008-08-20 深圳华为通信技术有限公司 图像文字识别方法及装置
CN102017661A (zh) * 2008-05-15 2011-04-13 雅虎公司 基于由移动设备记录的图像的内容的数据访问
US20130129218A1 (en) * 2011-05-10 2013-05-23 David M. Barrett System and method for processing receipts and other records of users

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李志强等: "OCR在印刷字符实时检测***中的应用", 《机电产品开发与创新》 *
臧国全: "文本数字化图像OCR识别的准确度测度实验与提高", 《图书情报知识》 *

Also Published As

Publication number Publication date
US9767355B2 (en) 2017-09-19
WO2014210577A2 (en) 2014-12-31
CN105474235A (zh) 2016-04-06
US8805125B1 (en) 2014-08-12
US10963730B2 (en) 2021-03-30
US20150006360A1 (en) 2015-01-01
CN114792420B (zh) 2023-10-13
US20190108415A1 (en) 2019-04-11
US20170344825A1 (en) 2017-11-30
CN105474235B (zh) 2022-04-19
US10515290B2 (en) 2019-12-24
WO2014210577A3 (en) 2015-02-26
US20160292527A1 (en) 2016-10-06
US20150006387A1 (en) 2015-01-01
US20160132885A1 (en) 2016-05-12
US20180039857A1 (en) 2018-02-08
EP3014526A2 (en) 2016-05-04
US20150006361A1 (en) 2015-01-01
US9390419B2 (en) 2016-07-12
US10152647B2 (en) 2018-12-11
US20170185837A1 (en) 2017-06-29

Similar Documents

Publication Publication Date Title
US10963730B2 (en) Comparing extracted card data using continuous scanning
US10586100B2 (en) Extracting card data from multiple cards
US9594972B2 (en) Payment card OCR with relaxed alignment
US9536160B2 (en) Extracting card data with card models
EP3017399B1 (en) Payment card ocr with relaxed alignment
KR20170133462A (ko) 추출된 사용자 이름과 저장된 사용자 이름의 비교

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