[發明專利]基于無錨框兩階段網絡檢測發票印章的方法及裝置

在審

• 申請號: 202110242359.X
• 申請日: 2021-03-04
• 公開（公告）號: CN113065400A
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 劉義江;姜琳琳;李云超;辛銳;陳曦;侯棟梁;魏明磊;楊青;池建昆;范輝;陳蕾;閻鵬飛;吳彥巧;姜敬;檀小亞;師孜晗
• 申請（專利權）人: 國網河北省電力有限公司;國網河北省電力有限公司雄安新區供電公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06N3/04
• 代理公司: 石家莊新世紀專利商標事務所有限公司 13100
• 代理人: 呼春輝

本發明公開了基于無錨框兩階段網絡檢測發票印章的方法及裝置，涉及票據文本檢測技術領域；方法包括S1發票圖片預處理，處理器對發票圖片圖像預處理并獲得統一尺寸的預處理圖片；S2提取預處理后圖片特征，處理器將預處理圖片輸入至特征提取卷積神經網絡并獲得特征圖；S3生成無錨框候選區域，處理器對特征圖分別進行類別判斷分支和位置回歸分支處理并生成無錨框候選區域；裝置包括發票圖片預處理模塊、提取預處理后圖片特征模塊和生成無錨框候選區域模塊；其通過步驟S1至步驟S4等，實現發票印章檢測第一階段中錨框冗余度較小，提升了檢測發票印章的工作效率。

技術領域

本發明涉及票據文本檢測技術領域，尤其涉及一種基于無錨框兩階段網絡檢測發票印章的方法及裝置。

背景技術

發票是企業費用報銷中的一個重要組成部分，包含了發票名稱、開票日期、開票金額、印章等多項報銷所必需信息，其中對于印章的檢測識別目前主要由人工對比，其缺點是人為因素多、準確性差、工作效率低、非常的耗時耗力，如果能夠將深度學習技術要用到發票印章上，實現信息的自動提取，將會極大的節省人力資源成本。

發票印章信息自動提取流程包含了候選區域生成、區域坐標調整和內容識別兩個階段。作為整個流程的基礎步驟，第一個環節候選區域生成面臨著更多的問題。現有的基于深度學習的方法主要分為基于錨框的方法以及基于無錨框的方法。基于錨框的方法預先在圖像的特征圖上生成密集的固定大小和尺寸比的先驗錨框，然后基于這些錨框進行后續的優化。這種方法通常是兩階段的，第一階段通過區域生成網絡將先驗框調整生成候選框，第二階段對這些候選框內的特征進行進一步內容分析與判斷。但是在利用錨框時需要設置超參數，并且會產生大量冗余先驗框，增加了問題的復雜程度。基于無錨框的方法直接對特征圖上的每個像素點建模到四個邊的距離以及類別，這種方法簡單快速，然而準確度不如擁有第二階段微調的兩階段方法。在發票印章的檢測場景下，漏檢、邊界不正確會極大的影響后續其他處理。

現有技術問題及思考：

如何解決發票印章檢測第一階段中錨框冗余的技術問題。

發明內容

本發明所要解決的技術問題是提供一種基于無錨框兩階段網絡檢測發票印章的方法及裝置，其通過步驟S1至步驟S4等，實現發票印章檢測第一階段中錨框冗余度較小，提升了檢測發票印章的工作效率。

為解決上述技術問題，本發明所采取的技術方案是：一種基于無錨框兩階段網絡檢測發票印章的方法包括如下步驟，S1發票圖片預處理，處理器從存儲器獲取發票圖片，對發票圖片圖像預處理并獲得統一尺寸的預處理圖片；S2提取預處理后圖片特征，處理器將預處理圖片輸入至特征提取卷積神經網絡并獲得特征圖，所述特征提取卷積神經網絡為基于ResNet-50卷積神經網絡去掉其最后的全連接層和池化層而獲得的神經網絡，所述特征圖為經過特征提取卷積神經網絡而形成的最后一層的特征圖；S3生成無錨框候選區域，處理器對特征圖分別進行類別判斷分支和位置回歸分支處理并生成無錨框候選區域，所述類別判斷分支和位置回歸分支處理為分別取兩個3×3的窗口與特征圖進行卷積。

進一步的技術方案在于：步驟S1具體包括如下步驟，S101旋轉處理，處理器對預處理圖片做隨機旋轉處理，以50％的概率進行水平旋轉并獲得旋轉圖片；S102歸一化處理，處理器將旋轉圖片進行歸一化處理并獲得歸一化圖片；S103統一圖片，處理器將上述歸一化圖片進行填充并獲得統一尺寸的預處理圖片；在步驟S2中，所述特征圖為最后得到的大小為C×H×W的特征向量矩陣F，其中，C為圖像的通道，H為圖像的高度，W為圖像的寬度。

進一步的技術方案在于：在步驟S3之后還包括如下步驟，S4截取區域特征，處理器通過無錨框候選區域對特征圖進行截取并獲得區域特征圖；S5分類與回歸，處理器基于K*K*C的區域特征圖進行分類和回歸處理。