[發明專利]一種自然場景下快速、魯棒的銀行卡定位與分類方法

在審

• 申請號: 201811210693.1
• 申請日: 2018-10-17
• 公開（公告）號: CN109492672A
• 公開（公告）日: 2019-03-19
• 發明（設計）人: 柯逍;劉詩勤;牛玉貞
• 申請（專利權）人: 福州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

1.一種自然場景下快速、魯棒的銀行卡定位與分類方法，其特征在于：包括以下步驟：

步驟S1：獲取銀行卡數據集，并對獲取的銀行卡數據集進行標注，為訓練銀行卡定位與分類模型做好準備；

步驟S2：使用收集到的銀行卡數據集訓練銀行卡定位與分類模型；

步驟S3：將待檢測的銀行卡圖像輸入訓練好的銀行卡定位與分類模型中，利用訓練好的銀行卡定位與分類模型對待檢測的銀行卡圖像進行定位與識別。

2.根據權利要求1所述的一種自然場景下快速、魯棒的銀行卡定位與分類方法，其特征在于：步驟S1中具體包括以下步驟：

步驟S11：采用爬蟲技術獲取銀行卡圖片并得到其所屬銀行卡類別；

步驟S12：將采集到的銀行卡圖片進行分類得到類別信息，并對銀行卡卡面不完整的圖片進行剔除；

步驟S13：對步驟S12處理后的圖片進行標注；其中，所述標注具體為：對輸入圖片中銀行卡的位置進行標定，得到位置信息，圖片的位置信息和類別信息一同構成該圖片的標注信息。

3.根據權利要求1所述的一種自然場景下快速、魯棒的銀行卡定位與分類方法，其特征在于：步驟S2具體包括以下步驟：

步驟S21：所述銀行卡定位與分類模型由兩部分構成，前半部分為特征提取網絡，用于銀行卡特征提取，后半部分為多尺度特征檢測網絡，用于在3個不同的尺度上進行銀行卡定位檢測；

步驟S22：訓練銀行卡定位與分類模型只涉及特征提取網絡，通過訓練特征提取網絡調整特征提取網絡的參數θ；根據批次輸入的圖片標注信息，計算損失函數Loss，Loss的計算方式如下：

式中，coordinateError為坐標誤差、confidenceLoss為置信度損失、classError為分類誤差；i為格子的序號，j為邊框的序號，S²為格子的總數，B為邊界框的總數，為邊界框中心坐標的預測值，為邊界框寬高的預測值，為格子i的置信度預測值，為格子i的類別是c的預測值；(x_i,y_i)為邊界框中心坐標的訓練標記值，(w_i,h_i)為邊界框寬高的訓練標記值，C_i為格子i的置信度訓練標記值，p_i(c)為格子i的類別是c的訓練標記值。表示格子i的第j個邊界框內有銀行卡，表示格子i的第j個邊界框內沒有銀行卡；對于坐標誤差，給它們賦予更大的損失權重，記作λ_coord；對于沒有物體的置信度損失，賦予更小的損失權重，記作λ_noobj；對于有物體的置信度損失和分類誤差，損失權重取1；如果已經達到設定的訓練步數t_max，則訓練完成，否則轉入步驟S22；

步驟S22：采用下式計算網絡參數θ的梯度g：

式中，m為該訓練批次中包含樣本的個數，k為輸入向量的分量序號，x^(k)為樣本輸入向量的第k個分量，y^(k)是x^(k)的對應目標，f(x^(k)；θ)為當前預測函數；更新當前訓練步數t←t+1；

步驟S23：更新有偏一階矩估計s，s的計算方式為：s←ρ₁s+(1-ρ₁)g，其中ρ₁為一階矩估計的指數衰減率；更新有偏二階矩估計r，r的計算方式為：r←ρ₂r+(1-ρ₂)g⊙g，其中ρ₂為二階矩估計的指數衰減率，⊙為逐元素乘積，即Hadamard乘積；

步驟S24：修正一階矩的偏差得到修正后的一階矩估計的計算方法為：其中，表示第t步的一階矩估計的指數衰減率；修正二階矩的偏差得到修正后的二階矩估計的計算方法為：其中，表示第t步的二階矩估計的指數衰減率；

步驟S25：計算網絡參數θ的更新Δθ，Δθ的計算方法為：其中ε為步長，δ則、是一個用于數值穩定的小常數，取10^-8；對參數θ應用更新，使得θ←θ+Δθ；判斷條件t＞t_max是否成立，成立則特征提取網絡訓練完成；否則返回步驟S22。