一种基于深度学习的身份证质检方法及系统技术方案

本发明专利技术提供一种基于深度学习的身份证质检方法及系统，所述方法包括：获取包含身份证图像及背景图像的第一图像；对第一图像进行预处理，得到仅包含身份证图像的第二图像；将第二图像输入设定的反光质检模型进行反光质检，得到第三图像；将第三图像输入设定的模糊质检模型进行模糊质检，得到第四图像；其中，所述设定的模糊质检模型和反光质检模型均为根据SqueezeNet的基本结构得到。本发明专利技术解决传统图像处理技术对身份证质检时需调整多个指标阈值，难以在正负样本召回指标上达成均衡；以及用亮度、梯度、色偏来分离反光与非反光区域的传统图像处理方法，无法区分身份证关键区域(文字、头像)与非关键区域反光和无法识别类似反光的长城水印无法识别的问题。反光的长城水印无法识别的问题。反光的长城水印无法识别的问题。

【技术实现步骤摘要】
一种基于深度学习的身份证质检方法及系统


[0001]本专利技术涉及图像处理
，特别是涉及一种基于深度学习的身份证质检方法及系统。

技术介绍

[0002]随着互联网金融发展，一方面证券投资群体不断扩大，证券公司中开户的数量出现明显增长；另一方面，非现场业务的扩大，客户很多情况无需再到证券营业部办理业务，可直接通过移动端或网站进行业务办理，网上开户就是一个典型的场景。在网上开户业务办理过程中，客户需提交身份证、开户声明视频等材料，证券公司需判断客户提交的身份证、视频等资料其质量是否合格，如证件是否反光、模糊、被遮挡，缺角、缺边，图像、视频是否存在反光、模糊、遮挡以及开户声明不符合要求等问题，审核通过后方可办理开户，不通过则需驳回材料重新提交。
[0003]目前证券公司多采用人工方式进行审核，具有较大的工作量，往往导致审核响应过慢；而审核响应过慢或过多的驳回，会导致客户开户意愿减弱，以致客户流失。如何提升开户审核的质量、效率、响应速度，成为提高开户成功率的关键。
[0004]针对身份证图片反光、模糊检测问题，传统图像处理技术对身份证质检时需调整多个指标阈值，难以在正负样本召回指标上达成均衡；此外，传统的图像处理技术更多用亮度、梯度、色偏等技术指标对图像质量进行评估，但因审核标准较难用上述指标量化，且身份证质检反光的定义为位于关键区域文字导致身份信息识别不清的情况下才能将图像判断为反光图像，不影响文字识别的图像一律判断为正常图像，除此之外二代身份证正面长城水印导致文字识别失败不能被判断为反光，因此用亮度来分离反光与非反光区域等传统图像处理方法在此条件下已不适用。

技术实现思路

[0005]本专利技术提供一种基于深度学习的身份证质检方法及系统，解决传统图像处理技术对身份证质检时需调整多个指标阈值，难以在正负样本召回指标上达成均衡；以及用亮度、梯度、色偏来分离反光与非反光区域的传统图像处理方法，无法区分身份证关键区域，如文字、头像等与非关键区域反光和无法识别类似反光的长城水印无法识别的问题。
[0006]本专利技术一个实施例提供一种基于深度学习的身份证质检方法，包括：
[0007]获取第一图像；其中，所述第一图像包含身份证图像及背景图像；
[0008]对所述第一图像进行预处理，得到第二图像；其中，所述第二图像仅包含身份证图像；
[0009]将所述第二图像输入设定的反光质检模型进行反光质检，得到第三图像；其中，所述设定的反光质检模型为根据SqueezeNet的基本结构得到；
[0010]将所述第三图像输入设定的模糊质检模型进行模糊质检，得到第四图像；其中，所述设定的模糊质检模型为根据SqueezeNet的基本结构得到。
[0011]进一步地，所述设定的反光质检模型为根据SqueezeNet的基本结构得到，包括：
[0012]将标记为反光审核通过的身份证图像和标记为反光审核未通过的身份证图像分别作为反光正样本数据和反光负样本数据输入至反光质检模型；其中，所述反光正样本数据的数量和所述反光负样本数据的数量相同；
[0013]基于caffe深度学习框架根据所述反光正样本数据和反光负样本数据进行反光质检模型的训练。
[0014]进一步地，所述设定的模糊质检模型为根据SqueezeNet的基本结构得到，包括：
[0015]将标记为模糊审核通过的身份证图像和标记为模糊审核未通过的身份证图像分别作为模糊正样本数据和模糊负样本数据输入至模糊质检模型；其中，所述模糊正样本数据的数量和所述模糊负样本数据的数量相同；
[0016]基于caffe深度学习框架根据所述模糊正样本数据和模糊负样本数据进行模糊质检模型的训练。
[0017]进一步地，所述SqueezeNet的基本结构，包括：
[0018]将3*3卷积核更改为3*3-2空洞卷积核以增加特征信息数量；
[0019]将最后一个普通的最大池化层更改为空间金字塔池化结构层以合并末尾数层中不同尺度的特征信息；
[0020]连接最前与最后几层的特征图相连接，使得网络最后数层还能提供浅层的纹理细节特征，即文字笔画和边缘特征；
[0021]使用L1范数来约束权重，使得大部分权重变为0，提升模型使用速度；
[0022]对中部最大池化层的位置及卷积核个数进行调整，以使得最后连续数层卷积操作能保留更多特征信息。
[0023]进一步地，所述对所述第一图像进行预处理，得到第二图像，包括：
[0024]通过高斯模糊算法对所述第一图像进行处理，得到第一特征图像；
[0025]对所述第一特征图像进行灰度化及二值化处理，得到第二特征图像；
[0026]通过Isotropic Sobel算子处理所述第二特征图像，以分离身份证图像及背景图像，得到第二图像。
[0027]本专利技术一个实施例提供一种基于深度学习的身份证质检系统，包括：
[0028]第一图像获取模块，用于获取第一图像；其中，所述第一图像包含身份证图像及背景图像；
[0029]第一图像预处理模块，用于对所述第一图像进行预处理，得到第二图像；其中，所述第二图像仅包含身份证图像；
[0030]反光质检模块，用于将所述第二图像输入设定的反光质检模型进行反光质检，得到第三图像；其中，所述设定的第一模型为根据SqueezeNet的基本结构得到；
[0031]模糊质检模块，用于将所述第三图像输入设定的模糊质检模型进行模糊质检，得到第四图像；其中，所述设定的模糊质检模型为根据SqueezeNet的基本结构得到。
[0032]进一步地，所述反光质检模块，包括：
[0033]反光样本输入模块，用于将标记为反光审核通过的身份证图像和标记为反光审核未通过的身份证图像分别作为反光正样本数据和反光负样本数据输入至反光质检模型；其中，所述反光正样本数据的数量和所述反光负样本数据的数量相同；
[0034]反光质检模型训练模块，用于基于caffe深度学习框架根据所述反光正样本数据和反光负样本数据进行反光质检模型的训练。
[0035]进一步地，所述模糊质检模块，包括：
[0036]模糊样本输入模块，用于将标记为模糊审核通过的身份证图像和标记为模糊审核未通过的身份证图像分别作为模糊正样本数据和模糊负样本数据输入至模糊质检模型；其中，所述模糊正样本数据的数量和所述模糊负样本数据的数量相同；
[0037]模糊质检模型训练模块，用于基于caffe深度学习框架根据所述模糊正样本数据和模糊负样本数据进行模糊质检模型的训练。
[0038]进一步地，所述第一图像预处理模块，包括：
[0039]高斯模糊算法处理子模块，用于通过高斯模糊算法对所述第一图像进行处理，得到第一特征图像；
[0040]灰度化及二值化处理子模块，用于对所述第一特征图像进行灰度化及二值化处理，得到第二特征图像；
[0041]分离图像子模块，用于通过Isotropic Sobel算子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的身份证质检方法，其特征在于，包括：获取第一图像；其中，所述第一图像包含身份证图像及背景图像；对所述第一图像进行预处理，得到第二图像；其中，所述第二图像仅包含身份证图像；将所述第二图像输入设定的反光质检模型进行反光质检，得到第三图像；其中，所述设定的反光质检模型为根据SqueezeNet的基本结构得到；将所述第三图像输入设定的模糊质检模型进行模糊质检，得到第四图像；其中，所述设定的模糊质检模型为根据SqueezeNet的基本结构得到。2.如权利要求1所述的一种基于深度学习的身份证质检方法，其特征在于，所述设定的反光质检模型为根据SqueezeNet的基本结构得到，包括：将标记为反光审核通过的身份证图像和标记为反光审核未通过的身份证图像分别作为反光正样本数据和反光负样本数据输入至反光质检模型；其中，所述反光正样本数据的数量和所述反光负样本数据的数量相同；基于caffe深度学习框架根据所述反光正样本数据和反光负样本数据进行反光质检模型的训练。3.如权利要求1所述的一种基于深度学习的身份证质检方法，其特征在于，所述设定的模糊质检模型为根据SqueezeNet的基本结构得到，包括：将标记为模糊审核通过的身份证图像和标记为模糊审核未通过的身份证图像分别作为模糊正样本数据和模糊负样本数据输入至模糊质检模型；其中，所述模糊正样本数据的数量和所述模糊负样本数据的数量相同；基于caffe深度学习框架根据所述模糊正样本数据和模糊负样本数据进行模糊质检模型的训练。4.如权利要求2或3所述的一种基于深度学习的身份证质检方法，其特征在于，所述SqueezeNet的基本结构，包括：将3*3卷积核更改为3*3-2空洞卷积核以增加特征信息数量；将最后一个普通的最大池化层更改为空间金字塔池化结构层以合并末尾数层中不同尺度的特征信息；连接最前与最后几层的特征图相连接，使得网络最后数层还能提供浅层的纹理细节特征，即文字笔画和边缘特征；使用L1范数来约束权重，使得大部分权重变为0，提升模型使用速度；对中部最大池化层的位置及卷积核个数进行调整，以使得最后连续数层卷积操作能保留更多特征信息。5.如权利要求1所述的一种基于深度学习的身份证质检方法，其特征在于，所述对所述第一图像进行预处理，得到第二图像，包括：通过高斯模糊算法对所述第一图像进行处理，得到第一特征图像；对所述第一特征图像进行灰度化及二值化处理，得到第二特征图像；通过Isotropic Sobel...

【专利技术属性】
技术研发人员：范轲，张磊，林康，谭则涛，张汉林，柯学，
申请(专利权)人：广发证券股份有限公司，
类型：发明
国别省市：