[發(fā)明專利]一種基于遷移學習的印章識別方法

在審

• 申請?zhí)枺?/td>: 202110494953.8
• 申請日: 2021-05-07
• 公開（公告）號: CN113159015A
• 公開（公告）日: 2021-07-23
• 發(fā)明（設計）人: 李俊
• 申請（專利權）人: 上海趨研信息科技有限公司
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/32;G06K9/46;G06K9/62;G06T5/00;G06T5/30;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 北京盛凡佳華專利代理事務所(普通合伙) 11947
• 代理人: 孫瑞峰

本發(fā)明公開了一種基于遷移學習的印章識別方法，包括S1印章圖像收集、S2構建原始印章圖像數(shù)據(jù)庫、S3訓練階段和S4識別階段，步驟S2中預處理包括RGB顏色模型提取方法和二值化膨脹腐蝕方法。本發(fā)明屬于印章識別方法技術領域，具體是提供了一種通過對帶有背景色的印章圖像進行顏色模型提取方法以及膨脹腐蝕方法，能夠提高原始印章圖像識別的準確度，訓練集、驗證集和測試集的劃分可以有效提升深度神經網絡訓練的效果，提高訓練的效率，增加識別的準確性的基于遷移學習的印章識別方法。

技術領域

本發(fā)明屬于印章識別方法技術領域，具體是指一種基于遷移學習的印章識別方法。

背景技術

隨著大數(shù)據(jù)時代的到來，人們可以更加容易地獲得大量數(shù)據(jù)。此外，由于機器學習領域不斷的發(fā)展，如何讓計算機具有舉一反三的能力，如何使大量數(shù)據(jù)可以更好地發(fā)揮作用，這些問題均變得非常實際和有價值。為了解決這些問題，遷移學習被提出并越來越受到人們的重視。

而在對交易票據(jù)的識別技術中，對于印章的識別是其中比較關鍵的一環(huán)。對于印章真?zhèn)巫R別，通常采用圖形對比的方式，例如將印章圖形折疊比對或者電子圖形分析比對等方式。

目前銀行使用的印章識別方法多是手工操作，將支票上的印章與客戶留下的原始印章像進行手工折角比對，這種原始比對方法有人為因素多、準確性差、工作量大等缺點。且傳統(tǒng)的將印章圖形折疊比對和現(xiàn)在的電子圖形分析比對均存在一定比率的失誤率，如果圖形比對要求嚴格，則真假印章都無法通過驗證，如果比對要求寬松則真假印章都可以通過驗證，不方便且不利于對印章進行精確的識別。

發(fā)明內容

針對上述情況，為克服現(xiàn)有技術的缺陷，本發(fā)明提供了一種通過對帶有背景色的印章圖像進行顏色模型提取方法以及膨脹腐蝕方法，能夠提高原始印章圖像識別的準確度，訓練集、驗證集和測試集的劃分可以有效提升深度神經網絡訓練的效果，提高訓練的效率，增加識別的準確性的基于遷移學習的印章識別方法。

本發(fā)明采取的技術方案如下：本發(fā)明一種基于遷移學習的印章識別方法，包括以下步驟：

S1印章圖像收集：收集客戶的印章圖像，并將印章圖像掃描入計算機內；

S2構建原始印章圖像數(shù)據(jù)庫：判斷所述步驟S1中的印章圖像是否包含除原始印章外的背景圖像，如果包含背景圖像則對印章圖像進行預處理，再將預處理后形成的原始印章圖像構建入原始印章圖像數(shù)據(jù)庫內，如果不包含背景圖像則直接將印章圖像存入原始印章圖像數(shù)據(jù)庫內，原始印章圖像數(shù)據(jù)庫內包含原始印章圖像數(shù)據(jù)；

S3訓練階段：獲取基于卷積神經網絡的預訓練模型，將原始印章圖像數(shù)據(jù)庫作為預訓練模型的輸入并對預訓練模型進行訓練，訓練構建出基于卷積神經網絡的分類器，使用與所述預訓練模型的輸出更新所述分類器；

S4識別階段：用步驟S3選出的分類器進行印章識別，從而獲得識別的結果。

進一步地，所述步驟S1中通過相機或掃描儀對印章圖像進行拍照或掃描，獲得印章圖像數(shù)據(jù)。

進一步地，所述步驟S2中預處理包括RGB顏色模型提取方法和二值化膨脹腐蝕方法，所述RGB顏色模型提取方法用于處理紅色印章圖像，所述二值化膨脹腐蝕方法用于處理藍色印章圖像。

進一步地，所述步驟S3的具體步驟包括：

(1)首先將原始印章圖像數(shù)據(jù)集劃分為訓練集、驗證集和測試集，將訓練集的圖片輸入到預訓練模型中，每張圖片經過預訓練模型中的各個卷積層和池化層后得到多個特征圖，這些特征圖再經過各個全連接層得到預測結果；

(2)然后用交叉熵函數(shù)評價預測結果和真實值之間的差距，對訓練集中的每張圖片都重復上述步驟，在這個過程中，每次都用梯度下降法對模型的一個或幾個全鏈接層參數(shù)進行優(yōu)化更新，所有的訓練圖片樣本都輸入過該網絡為一次網絡的更新；