[發(fā)明專利]一種基于深度神經(jīng)網(wǎng)絡(luò)的票據(jù)數(shù)量識(shí)別方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011456986.5
• 申請(qǐng)日: 2020-12-10
• 公開(kāi)（公告）號(hào): CN112749731A
• 公開(kāi)（公告）日: 2021-05-04
• 發(fā)明（設(shè)計(jì)）人: 徐書(shū)豪;金洪亮;梅俊輝;王芳;閆凱;王志剛;林文輝
• 申請(qǐng)（專利權(quán)）人: 航天信息股份有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京工信聯(lián)合知識(shí)產(chǎn)權(quán)代理有限公司 11266
• 代理人: 姜麗輝

本發(fā)明公開(kāi)了一種基于深度神經(jīng)網(wǎng)絡(luò)的票據(jù)數(shù)量識(shí)別方法及系統(tǒng)，將獲取的二維的混拍票據(jù)原始圖像依次進(jìn)行灰度化處理、二值化處理、歸一化處理和二維圖像映射一維數(shù)據(jù)處理，在保留圖像信息的同時(shí)極大的降低數(shù)據(jù)量，減少數(shù)據(jù)傳輸造成的時(shí)間浪費(fèi)，提升用戶體驗(yàn)；通過(guò)設(shè)計(jì)OCTC模型，引入一維卷積操作對(duì)圖像數(shù)據(jù)進(jìn)行特征抽取與圖像類別計(jì)算，使用多個(gè)小尺寸卷積核增大模型感受野，保證實(shí)驗(yàn)效果的同時(shí)降低模型參數(shù)量，實(shí)現(xiàn)輕量化模型的效果，便于用戶儲(chǔ)存使用；本發(fā)明的方法能夠使用戶在上傳圖像的同時(shí)能夠收到圖像中票據(jù)數(shù)量的判斷結(jié)果，提升了混拍票據(jù)識(shí)別系統(tǒng)的用戶體驗(yàn)，同時(shí)幫助系統(tǒng)進(jìn)行后續(xù)的票據(jù)目標(biāo)檢測(cè)與內(nèi)容識(shí)別任務(wù)，實(shí)現(xiàn)系統(tǒng)的實(shí)時(shí)工作。

技術(shù)領(lǐng)域

本發(fā)明涉及票據(jù)處理技術(shù)領(lǐng)域，并且更具體地，涉及一種基于深度神經(jīng)網(wǎng)絡(luò)的票據(jù)數(shù)量識(shí)別方法。

背景技術(shù)

票據(jù)數(shù)量識(shí)別方法，用于混拍票據(jù)識(shí)別系統(tǒng)初期的票據(jù)預(yù)判階段。目前，市面上針對(duì)票據(jù)識(shí)別主要基于AlexNet、Fast-RCNN、OCR等技術(shù)識(shí)別圖像中的票據(jù)信息，此類方法經(jīng)過(guò)長(zhǎng)期的使用與校驗(yàn)，擁有較好的穩(wěn)定性與表現(xiàn)效果，但由于模型的固定性導(dǎo)致適用情況受限，無(wú)法根據(jù)實(shí)際情況進(jìn)行相應(yīng)調(diào)節(jié)。此外，票據(jù)識(shí)別系統(tǒng)通過(guò)引入目標(biāo)檢測(cè)操作進(jìn)行票據(jù)分析，由于真實(shí)場(chǎng)景下拍攝的票據(jù)存在重疊、傾斜、分辨率低等問(wèn)題，這將影響模型能夠檢測(cè)到的區(qū)域，從而降低模型效果。

因此，需要一種能夠快速準(zhǔn)確地對(duì)票據(jù)數(shù)量識(shí)別的方法，以能夠輔助檢測(cè)模型進(jìn)行監(jiān)測(cè)區(qū)域預(yù)判，提升檢測(cè)正確率。

發(fā)明內(nèi)容

本發(fā)明提出一種基于深度神經(jīng)網(wǎng)絡(luò)的票據(jù)數(shù)量識(shí)別方法及系統(tǒng)，以解決如何快速對(duì)圖像的票據(jù)數(shù)量進(jìn)行識(shí)別的問(wèn)題。

為了解決上述問(wèn)題，根據(jù)本發(fā)明的一個(gè)方面，提供了一種基于深度神經(jīng)網(wǎng)絡(luò)的票據(jù)數(shù)量識(shí)別方法，所述方法包括：

獲取多組不同的混合票據(jù)中每組混合票據(jù)對(duì)應(yīng)的混拍票據(jù)原始圖像，并對(duì)獲取的每個(gè)混拍票據(jù)原始圖像進(jìn)行預(yù)處理，以獲取每個(gè)混拍票據(jù)原始圖像對(duì)應(yīng)的混拍票據(jù)處理圖像；

基于深度神經(jīng)網(wǎng)絡(luò)構(gòu)建一維卷積票據(jù)分類(One-dimensional ConvolutionalTicket Classification，OCTC)模型，并利用獲取的每個(gè)混拍票據(jù)處理圖像對(duì)所述OCTC模型進(jìn)行訓(xùn)練，以確定OCTC最優(yōu)模型；

獲取待測(cè)的混拍票據(jù)原始圖像，并對(duì)所述待測(cè)的混拍票據(jù)原始圖像進(jìn)行處理，以獲取待測(cè)的混拍票據(jù)處理圖像；

利用所述OCTC最優(yōu)模型對(duì)所述待測(cè)的混拍票據(jù)處理圖像進(jìn)行票據(jù)數(shù)量識(shí)別，以獲取票據(jù)數(shù)量識(shí)別結(jié)果。

優(yōu)選地，其中所述混合票據(jù)的類型包括：增值稅發(fā)票、火車票、定額票、營(yíng)業(yè)執(zhí)照、卷票、身份證、出租車票、機(jī)動(dòng)車銷售和航空行程單。

優(yōu)選地，其中所述方法利用如下方式對(duì)混拍票據(jù)原始圖像進(jìn)行預(yù)處理，以獲取與混拍票據(jù)原始圖像對(duì)應(yīng)的混拍票據(jù)處理圖像，包括：

對(duì)混拍票據(jù)原始圖像依次進(jìn)行灰度化處理、二值化處理、歸一化處理和二維圖像映射一維數(shù)據(jù)處理，以獲取與混拍票據(jù)原始圖像對(duì)應(yīng)的混拍票據(jù)處理圖像。

優(yōu)選地，其中所述歸一化處理和二維圖像映射一維數(shù)據(jù)處理，包括：

其中，X_i,j為混拍票據(jù)原始圖像的原像素值，μ_i為混拍票據(jù)原始圖像中行像素值的均值，σ_i為對(duì)應(yīng)的方差，為按行歸一化后的像素值；將歸一化后的像素累加得到映射后的一維行向量，即一維映射數(shù)據(jù)