[發明專利]一種基于深度學習的身份證質檢方法及系統

在審

• 申請號: 202011171318.8
• 申請日: 2020-10-28
• 公開（公告）號: CN112307937A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 范軻;張磊;林康;譚則濤;張漢林;柯學
• 申請（專利權）人: 廣發證券股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06T5/00;G06T5/20;G06T7/11;G06T7/40
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 陳旭紅;呂金金

1.一種基于深度學習的身份證質檢方法，其特征在于，包括：

獲取第一圖像；其中，所述第一圖像包含身份證圖像及背景圖像；

對所述第一圖像進行預處理，得到第二圖像；其中，所述第二圖像僅包含身份證圖像；

將所述第二圖像輸入設定的反光質檢模型進行反光質檢，得到第三圖像；其中，所述設定的反光質檢模型為根據SqueezeNet的基本結構得到；

將所述第三圖像輸入設定的模糊質檢模型進行模糊質檢，得到第四圖像；其中，所述設定的模糊質檢模型為根據SqueezeNet的基本結構得到。

2.如權利要求1所述的一種基于深度學習的身份證質檢方法，其特征在于，所述設定的反光質檢模型為根據SqueezeNet的基本結構得到，包括：

將標記為反光審核通過的身份證圖像和標記為反光審核未通過的身份證圖像分別作為反光正樣本數據和反光負樣本數據輸入至反光質檢模型；其中，所述反光正樣本數據的數量和所述反光負樣本數據的數量相同；

基于caffe深度學習框架根據所述反光正樣本數據和反光負樣本數據進行反光質檢模型的訓練。

3.如權利要求1所述的一種基于深度學習的身份證質檢方法，其特征在于，所述設定的模糊質檢模型為根據SqueezeNet的基本結構得到，包括：

將標記為模糊審核通過的身份證圖像和標記為模糊審核未通過的身份證圖像分別作為模糊正樣本數據和模糊負樣本數據輸入至模糊質檢模型；其中，所述模糊正樣本數據的數量和所述模糊負樣本數據的數量相同；

基于caffe深度學習框架根據所述模糊正樣本數據和模糊負樣本數據進行模糊質檢模型的訓練。

4.如權利要求2或3所述的一種基于深度學習的身份證質檢方法，其特征在于，所述SqueezeNet的基本結構，包括：

將3*3卷積核更改為3*3-2空洞卷積核以增加特征信息數量；

將最后一個普通的最大池化層更改為空間金字塔池化結構層以合并末尾數層中不同尺度的特征信息；

連接最前與最后幾層的特征圖相連接，使得網絡最后數層還能提供淺層的紋理細節特征，即文字筆畫和邊緣特征；

使用L1范數來約束權重，使得大部分權重變為0，提升模型使用速度；

對中部最大池化層的位置及卷積核個數進行調整，以使得最后連續數層卷積操作能保留更多特征信息。

5.如權利要求1所述的一種基于深度學習的身份證質檢方法，其特征在于，所述對所述第一圖像進行預處理，得到第二圖像，包括：

通過高斯模糊算法對所述第一圖像進行處理，得到第一特征圖像；

對所述第一特征圖像進行灰度化及二值化處理，得到第二特征圖像；

通過Isotropic Sobel算子處理所述第二特征圖像，以分離身份證圖像及背景圖像，得到第二圖像。

6.一種基于深度學習的身份證質檢系統，其特征在于，包括：

第一圖像獲取模塊，用于獲取第一圖像；其中，所述第一圖像包含身份證圖像及背景圖像；

第一圖像預處理模塊，用于對所述第一圖像進行預處理，得到第二圖像；其中，所述第二圖像僅包含身份證圖像；

反光質檢模塊，用于將所述第二圖像輸入設定的反光質檢模型進行反光質檢，得到第三圖像；其中，所述設定的第一模型為根據SqueezeNet的基本結構得到；

模糊質檢模塊，用于將所述第三圖像輸入設定的模糊質檢模型進行模糊質檢，得到第四圖像；其中，所述設定的模糊質檢模型為根據SqueezeNet的基本結構得到。

7.如權利要求6所述的一種基于深度學習的身份證質檢系統，其特征在于，所述反光質檢模塊，包括：

反光樣本輸入模塊，用于將標記為反光審核通過的身份證圖像和標記為反光審核未通過的身份證圖像分別作為反光正樣本數據和反光負樣本數據輸入至反光質檢模型；其中，所述反光正樣本數據的數量和所述反光負樣本數據的數量相同；

反光質檢模型訓練模塊，用于基于caffe深度學習框架根據所述反光正樣本數據和反光負樣本數據進行反光質檢模型的訓練。