一种证件圆弧点检测和定位的方法及系统技术方案

本发明专利技术公开了一种证件圆弧点检测和定位的方法及系统，该方案包括：对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据；将所述样本图像数据划分为训练集、测试集和验证集；构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型；利用所述训练集对所述初始证件检测模型进行训练，并利用所述测试集和所述验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型；利用所述最优证件检测模型对待检测证件图像进行圆弧点检测。本发明专利技术有效地克服了证件透视、歪曲、折痕等不良情况的漏检问题，提高了检测精度。

A method and system for detecting and locating arc points of certificates

The invention discloses a method and system for detecting and locating arc points of certificates, the scheme includes: marking the image of certificates, enhancing the marked image to obtain sample image data; dividing the sample image data into training set, test set and verification set; building the depth neural network framework, loading the neural network model, and then setting Super parameter, get the initial certificate detection model; use the training set to train the initial certificate detection model, and use the test set and the verification set to test and verify the initial certificate detection model after training, get the optimal certificate detection model; use the optimal certificate detection model to detect the arc point of the certificate image. The invention effectively overcomes the problem of missing inspection in the poor conditions such as the perspective, distortion and crease of the certificate, and improves the detection accuracy.

【技术实现步骤摘要】
一种证件圆弧点检测和定位的方法及系统
本专利技术涉及图像中目标检测
，特别是涉及一种证件圆弧点检测和定位的方法及系统。
技术介绍
近年来，随着数据成像设备的普及和目标检测领域开始引入卷积神经网络CNN等深度学习技术后得到快速的发展，文本识别软件不断涌现，如华为云识别、腾讯云识别等，文本识别精度不断提升。但这些都属于通用文本识别，针对证件检测识别这一特定领域，需要将证件矫正，便于后面将关键信息进行切片识别。目前定位证件采取直线检测计算圆弧角的方式的缺陷，主要是在证件存在透视、折叠等不良情况下，无法正确定位检测到圆弧角。因此，如何克服证件透视、歪曲、折痕等不良情况的漏检问题成为本领域亟待解决的问题。
技术实现思路
本专利技术的目的是提供一种证件圆弧点检测和定位的方法及系统，以解决上述问题。为实现上述目的，本专利技术提供了一种证件圆弧点检测和定位的方法，所述方法包括：对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据；将所述样本图像数据划分为训练集、测试集和验证集；构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型；利用所述训练集对所述初始证件检测模型进行训练，并利用所述测试集和所述验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型；利用所述最优证件检测模型对待检测证件图像进行圆弧点检测。可选的，所述对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据，具体包括：采用图像标注软件标注出所述证件图像的拐角点的标签和位置，并且存入XML文件中，得到标注图像数据；将标注图像数据进行图像偏移操作，得到偏移图像数据；将所述偏移图像数据进行图像切割操作，所述偏移图像数据的RGB的数值，得到样本图像数据。可选的，所述将所述样本图像数据划分为训练集、测试集和验证集，具体包括：按照设定比例将所述样本图像数据划分为训练集、验证集、测试集；将所述训练集、验证集、测试集中的图像、标注数据的文件地址分别写入相应的txt文档。可选的，所述构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型，具体包括：下载Darknet深度神经网络框架的源码，配置显卡驱动，对Darknet深度神经网络框架的源码进行编译；加载神经网络模型后设置超参数：设置学习率、迭代计算次数、每批次训练的图像数目batch，图像数目batch的训练分组数subdivisions、衰减率decay、类别classes和filters参数；将所述类别classes、所述训练集对应的文件地址、所述深度神经网络框架中的文件obj.names的地址和训练得到参数文件的地址写入所述深度神经网络框架中文件obj.data；将标注后的图像的标签写入所述文件obj.names。可选的，所述利用所述训练集对所述初始证件检测模型进行训练，并利用所述测试集和所述验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型，具体包括：在训练命令中加入生成log日志的语句；将所述训练集的数据载入所述初始证件检测模型，开始训练；提取所述log日志中的loss，accuracy和迭代次数，并绘制Loss曲线；根据所述Loss曲线的收敛状况判断所述Loss曲线的收敛状况是否满足预设收敛条件，得到收敛判断结果；当所述收敛判断结果表示是时，载入训练后的初始证件检测模型和所述测试集的数据，进行测试，得到测试图像数据；根据所述测试图像数据的标签和位置的准确度，生成测试报告；根据所述测试报告确定最优证件检测模型。本专利技术还提供了一种证件圆弧点检测和定位的系统，所述系统包括：标注增强单元，用于对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据；数据集划分单元，用于将所述样本图像数据划分为训练集、测试集和验证集；初始模型构建单元，用于构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型；模型训练测试单元，用于利用所述训练集对所述初始证件检测模型进行训练，并利用所述测试集和所述验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型；检测单元，用于利用所述最优证件检测模型对待检测证件图像进行圆弧点检测。可选的，所述标注增强单元具体包括：标注子单元，用于采用图像标注软件标注出所述证件图像的拐角点的标签和位置，并且存入XML文件中，得到标注图像数据；图像偏移子单元，用于将标注图像数据进行图像偏移操作，得到偏移图像数据；图像切割子单元，用于将所述偏移图像数据进行图像切割操作，所述偏移图像数据的RGB的数值，得到样本图像数据。可选的，所述数据集划分单元具体包括：划分子单元，用于按照设定比例将所述样本图像数据划分为训练集、验证集、测试集；txt文档生成子单元，用于将所述训练集、验证集、测试集中的图像、标注数据的文件地址分别写入相应的txt文档。可选的，所述初始模型构建单元具体包括：神经网络框架编译子单元，用于下载Darknet深度神经网络框架的源码，配置显卡驱动，对Darknet深度神经网络框架的源码进行编译；超参数设置子单元，用于加载神经网络模型后设置超参数：设置学习率、迭代计算次数、每批次训练的图像数目batch，图像数目batch的训练分组数subdivisions、衰减率decay、类别classes和filters参数；文件obj.data修改子单元，用于将所述类别classes、所述训练集对应的文件地址、所述深度神经网络框架中的文件obj.names的地址和训练得到参数文件的地址写入所述深度神经网络框架中的文件obj.data；文件obj.names修改子单元，用于将标注后的图像的标签写入所述文件obj.names。可选的，所述模型训练测试单元具体包括：日志预提取子单元，用于在训练命令中加入生成log日志的语句；训练子单元，用于将所述训练集的数据载入所述初始证件检测模型，开始训练；日志信息提取子单元，用于提取所述log日志中的loss，accuracy和迭代次数，并绘制Loss曲线；收敛判断子单元，用于根据所述Loss曲线的收敛状况判断所述Loss曲线的收敛状况是否满足预设收敛条件，得到收敛判断结果；测试子单元，用于当所述收敛判断结果表示是时，载入训练后的初始证件检测模型和所述测试集的数据，进行测试，得到测试图像数据；测试报告生成子单元，用于根据所述测试图像数据的标签和位置的准确度，得出相应的mAP，从而生成测试报告；检测模型确定子单元，用于根据所述测试报告确定最优证件检测模型。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供的证件圆弧点检测和定位本文档来自技高网...

【技术保护点】
1.一种证件圆弧点检测和定位的方法，其特征在于，所述方法包括：/n对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据；/n将所述样本图像数据划分为训练集、测试集和验证集；/n构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型；/n利用所述训练集对所述初始证件检测模型进行训练，并利用所述测试集和所述验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型；/n利用所述最优证件检测模型对待检测证件图像进行圆弧点检测。/n

【技术特征摘要】
1.一种证件圆弧点检测和定位的方法，其特征在于，所述方法包括：
对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据；
将所述样本图像数据划分为训练集、测试集和验证集；
构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型；
利用所述训练集对所述初始证件检测模型进行训练，并利用所述测试集和所述验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型；
利用所述最优证件检测模型对待检测证件图像进行圆弧点检测。


2.根据权利要求1所述的证件圆弧点检测和定位的方法，其特征在于，所述对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据，具体包括：
采用图像标注软件标注出所述证件图像的拐角点的标签和位置，并且存入XML文件中，得到标注图像数据；
将标注图像数据进行图像偏移操作，得到偏移图像数据；
将所述偏移图像数据进行图像切割操作，所述偏移图像数据的RGB的数值，得到样本图像数据。


3.根据权利要求1所述的证件圆弧点检测和定位的方法，其特征在于，所述将所述样本图像数据划分为训练集、测试集和验证集，具体包括：
按照设定比例将所述样本图像数据划分为训练集、验证集、测试集；
将所述训练集、验证集、测试集中的图像、标注数据的文件地址分别写入相应的txt文档。


4.根据权利要求1所述的证件圆弧点检测和定位的方法，其特征在于，所述构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型，具体包括：
下载Darknet深度神经网络框架的源码，配置显卡驱动，对Darknet深度神经网络框架的源码进行编译；
加载神经网络模型后设置超参数：设置学习率、迭代计算次数、每批次训练的图像数目batch，图像数目batch的训练分组数subdivisions、衰减率decay、类别classes和filters参数；
将所述类别classes、所述训练集对应的文件地址、所述深度神经网络框架中的文件obj.names的地址和训练得到参数文件的地址写入所述深度神经网络框架中文件obj.data；
将标注后的图像的标签写入所述文件obj.names。


5.根据权利要求1所述的证件圆弧点检测和定位的方法，其特征在于，所述利用所述训练集对所述初始证件检测模型进行训练，并利用所述测试集和所述验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型，具体包括：
在训练命令中加入生成log日志的语句；
将所述训练集的数据载入所述初始证件检测模型，开始训练；
提取所述log日志中的loss，accuracy和迭代次数，并绘制Loss曲线；
根据所述Loss曲线的收敛状况判断所述Loss曲线的收敛状况是否满足预设收敛条件，得到收敛判断结果；
当所述收敛判断结果表示是时，载入训练后的初始证件检测模型和所述测试集的数据，进行测试，得到测试图像数据；
根据所述测试图像数据的标签和位置的准确度，得出相应的mAP指标，生成测试报告；
根据所述测试报告确定最优证件检测模型。


6.一种证件圆弧点检测和定位的系统，其特征在于，所述系统包括：
...

【专利技术属性】
技术研发人员：张成栋，严京旗，保亲梁，郭利敏，戴文静，
申请(专利权)人：南通使爱智能科技有限公司，
类型：发明
国别省市：江苏;32