[發明專利]一種證件圖片的識別系統及方法

在審

• 申請號: 201710243730.8
• 申請日: 2017-04-14
• 公開（公告）號: CN106991451A
• 公開（公告）日: 2017-07-28
• 發明（設計）人: 姚琪;卓越;羅暢;劉靖峰
• 申請（專利權）人: 武漢神目信息技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 無錫市大為專利商標事務所(普通合伙)32104
• 代理人: 曹祖良

1.一種證件圖片的識別方法，其特征在于，所述識別方法包括：

對不同類型的證件的原圖及該原圖的至少一種類型的翻拍圖片分別打標后通過卷積神經網絡進行訓練得到分類模型；

將待識別的證件圖片輸入到所述分類模型，得到識別結果。

2.根據權利要求1所述的識別方法，其特征在于，所述對不同類型的證件的原圖及該原圖的至少一種類型的翻拍圖片分別打標后通過卷積神經網絡進行訓練得到分類模型的步驟包括：

采集不同類型的證件的原圖及該原圖的至少一種類型的翻拍圖片；

對所述證件的原圖及該原圖的翻拍圖片分別進行打標處理得到標記圖片；

配置具有多個迭代參數的卷積神經網絡結構，并配置所述卷積神經網絡結構計算得到的圖片分類模型預測結果；

將所述標記圖片輸入到所述卷積神經網絡結構進行迭代計算得到圖片分類模型實際結果；

計算所述圖片分類模型預測結果和所述圖片分類模型實際結果的差值；

根據所述差值對所述卷積神經網絡結構的迭代參數進行反饋調節，并根據反饋調節后的迭代參數重復進行迭代計算；

當多次反饋調節所述卷積神經網絡結構的迭代參數后得到的多個所述圖片分類模型預測結果相同時，停止反饋調節，并確定最后一次迭代計算得到的圖片分類模型預測結果為所述分類模型。

3.根據權利要求2所述的識別方法，其特征在于，所述將所述標記圖片輸入到所述卷積神經網絡結構進行迭代計算得到圖片分類模型實際結果的步驟包括：

將所述標記圖片的圖片大小和亮度通過數據均值歸一化處理得到歸一化數據；

將所述歸一化數據進行Max Pooling ReLu非線性化計算得到第一次卷積結果；

將所述第一次卷積結果通過第一次ReLu非線性化平均值Pooling計算得到第二次卷積結果；

將所述第二次卷積結果通過第二次ReLu非線性化平均值Pooling計算得到第三次卷積結果；

將所述第三次卷積結果通過ReLu非線性化計算得到全連層結果；

將所述全連層結果通過Softmax層計算后得到圖片分類模型實際結果。

4.根據權利要求3所述的識別方法，其特征在于，所述圖片分類模型實際結果包括：證件的原圖、證件的翻拍/偽造圖片、證件的復印件圖片和非證件圖片中的任意一種。

5.一種證件圖片的識別系統，其特征在于，所述識別系統包括：

分類模型訓練裝置，所述分類模型訓練裝置用于對不同類型的證件的原圖及該原圖的至少一種類型的翻拍圖片分別打標后通過卷積神經網絡進行訓練得到分類模型；

識別結果輸出裝置，所述識別結果輸出裝置與所述分類模型訓練裝置連接，用于將待識別的證件圖片輸入到所述分類模型，得到識別結果。

6.根據權利要求5所述的識別系統，其特征在于，所述分類模型訓練裝置包括：

采集單元，所述采集單元用于采集不同類型的證件的原圖及該原圖的至少一種類型的翻拍圖片；

打標處理單元，所述打標處理單元與所述采集單元連接，用于對所述證件的原圖及該原圖的翻拍圖片分別進行打標處理得到標記圖片；

配置單元，所述配置單元與所述打標處理單元連接，用于配置具有多個迭代參數的卷積神經網絡結構，并配置所述卷積神經網絡結構計算得到的圖片分類模型預測結果；

迭代計算單元，所述迭代計算單元與所述配置單元連接，用于將所述標記圖片輸入到所述卷積神經網絡結構進行迭代計算得到圖片分類模型實際結果；

差值計算單元，所述差值計算單元分別于所述配置單元和所述迭代計算單元連接，用于計算所述圖片分類模型預測結果和所述圖片分類模型實際結果的差值；

反饋調節單元，所述反饋調節單元與所述差值計算單元連接，用于根據所述差值對所述卷積神經網絡結構的迭代參數進行反饋調節，并根據反饋調節后的迭代參數重復進行迭代計算；

確定單元，所述確定單元與所述反饋調節單元連接，用于當多次反饋調節所述卷積神經網絡結構的迭代參數后得到的多個所述圖片分類模型預測結果相同時，停止反饋調節，并確定最后一次迭代計算得到的圖片分類模型預測結果為所述分類模型。

7.根據權利要求6所述的識別系統，其特征在于，所述迭代計算單元包括：

數據歸一化模塊，所述數據歸一化模塊用于將所述標記圖片的圖片大小和亮度通過數據均值歸一化處理得到歸一化數據；

第一卷積模塊，所述第一卷積模塊與所述數據歸一化模塊連接，用于將所述歸一化數據進行Max Pooling ReLu非線性化計算得到第一次卷積結果；

第二卷積模塊，所述第二卷積模塊與所述第一卷積模塊連接，用于將所述第一次卷積結果通過第一次ReLu非線性化平均值Pooling計算得到第二次卷積結果；

第三卷積模塊，所述第三卷積模塊與所述第二卷積模塊連接，用于將所述第二次卷積結果通過第二次ReLu非線性化平均值Pooling計算得到第三次卷積結果；

全連層模塊，所述全連層模塊與所述第三卷積模塊連接，用于將所述第三次卷積結果通過ReLu非線性化計算得到全連層結果；

Softmax計算模塊，所述Softmax計算模塊與所述全連層模塊連接，用于將所述全連層結果通過Softmax層計算后得到圖片分類模型實際結果。