本发明专利技术涉及人工智能技术领域，提供一种银行卡卡号识别方法，包括：定位银行卡卡号图像的文本字符的边缘点，得到边缘点的定位坐标；根据定位坐标对银行卡卡号图像进行图像变换，将银行卡卡号图像中的文本行映射为正矩形；提取进行图像变换后的银行卡卡号图像的特征图，包括：调用训练后的轻量级深度卷积神经网络；将进行图像变换后的银行卡卡号图像输入至轻量级深度卷积神经网络的卷积模块层；由卷积模块层中各个串联的卷积元组对银行卡卡号图像进行卷积操作和特征归一化，提取得到银行卡卡号图像的特征图；对特征图进行拉升转换为一维特征向量，根据一维特征向量预测银行卡卡号图像上的银行卡卡号。采用本方法能够提高识别速度和准确率。度和准确率。度和准确率。
【技术实现步骤摘要】
银行卡卡号识别方法、装置、计算机设备和存储介质
[0001]本专利技术属于人工智能
，尤其涉及一种银行卡卡号识别方法、装置、计算机设备和存储介质。
技术介绍
[0002]自2012年深度学习的概念被提出来后，深度卷积神经网络在图像检测、图像识别等领域得到了广泛的发展。同时，伴随着数字图像相关的软硬件技术在人们生活中的广泛使用，图像光学字符快速识别技术已成为当代社会图像内容信息获取的重要手段，各种深度学习模型的开创也不断促使该技术的革新。
[0003]银行卡卡号的识别作为一个典型的光学字符识别问题，其相比于其他的图像文本识别具有更简单的分类类型，仅包含0~9十种分类情况。但是，由于其格式的不统一，卡号的长短不定以及具有多种不同字体，尤其是浮雕等字体给光学字符识别技术带来了巨大的挑战。因此，采用传统的卷积神经网络对于银行卡识别来说很难达到有效的识别准确率。而采用模型庞大的基于深度的卷积神经网络虽然能够很好的拟合复杂的银行卡卡号类型，但是同时因为其庞大的模型又会带来巨大的运算量，从而难以做到实时的快速检测。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能够快速有效且确保准确率的银行卡卡号识别方法、装置、计算机设备和存储介质。
[0005]本专利技术提供一种银行卡卡号识别方法，包括以下步骤：定位银行卡卡号图像的文本字符的边缘点，得到所述边缘点的定位坐标；根据所述定位坐标对所述银行卡卡号图像进行图像变换，将所述银行卡卡号图像中的文本行映射为正矩形；提取进行图像变换后的所述银行卡卡号图像的特征图，包括：调用训练后的轻量级深度卷积神经网络；将进行图像变换后的所述银行卡卡号图像输入至所述轻量级深度卷积神经网络的卷积模块层；由所述卷积模块层中各个串联的卷积元组对所述银行卡卡号图像进行卷积操作和特征归一化，提取得到所述银行卡卡号图像的特征图；对所述特征图进行拉升转换为一维特征向量，根据所述一维特征向量预测所述银行卡卡号图像上的银行卡卡号。
[0006]在其中一个实施例中，所述定位银行卡卡号图像的文本字符的边缘点，得到所述边缘点的定位坐标，包括：利用小型卷积神经网络对所述银行卡卡号图像进行图像文本字符边缘点的定位，得到所述边缘点的定位坐标。
[0007]在其中一个实施例中，所述根据所述定位坐标对所述银行卡卡号图像进行图像变换，将所述银行卡卡号图像中的文本行映射为正矩形，包括：根据所述定位坐标计算形变函数参数，由所述形变函数参数构建形变函数；
利用所述形变函数对所述银行卡卡号图像进行映射变换，将所述银行卡卡号图像中的文本行拉直为正矩形。
[0008]在其中一个实施例中，所述对所述特征图进行拉升转换为一维特征向量，根据所述一维特征向量预测所述银行卡卡号图像上的银行卡卡号，包括：利用所述轻量级深度卷积神经网络中的最大池化层将所述特征图进行特征压缩之后输入至拉升变换层，由所述拉升变换层对所述特征图进行拉升转换为一维特征向量；将所述一维特征向量输入至所述轻量级深度卷积神经网络中的全连接层进行卡号识别预测，得到所述银行卡卡号图像上的银行卡卡号。
[0009]在其中一个实施例中，所述轻量级深度卷积神经网络的训练方法，包括：构建卡号图像数据集，并初始化轻量级深度卷积神经网络的模型参数；将所述卡号图像数据集输入至初始化后的轻量级深度卷积神经网络中进行训练，输出训练得到的预测结果；将所述预测结果与对应的真实标签采用CTC计算模型的误差损失，并根据所述误差损失反向的修改所述模型参数进行迭代训练。
[0010]在其中一个实施例中，所述构建卡号图像数据集，包括：生成包括不同样式和字体卡号的银行卡图像；预处理所述银行卡图像，所述预处理包括倾斜偏移、图像模糊和噪声添加、尺寸调整中的一种或多种；随机对预处理后的银行卡图像增加浮雕效果，得到卡号图像数据集。
[0011]一种银行卡卡号识别装置，包括：定位模块，用于定位银行卡卡号图像的文本字符的边缘点，得到所述边缘点的定位坐标；映射模块，用于根据所述定位坐标对所述银行卡卡号图像进行图像变换，将所述银行卡卡号图像中的文本行映射为正矩形；提取模块，用于提取进行图像变换后的所述银行卡卡号图像的特征图，包括：调用训练后的轻量级深度卷积神经网络；将进行图像变换后的所述银行卡卡号图像输入至所述轻量级深度卷积神经网络的卷积模块层；由所述卷积模块层中各个串联的卷积元组对所述银行卡卡号图像进行卷积操作和特征归一化，提取得到所述银行卡卡号图像的特征图；预测模块，用于对所述特征图进行拉升转换为一维特征向量，根据所述一维特征向量预测所述银行卡卡号图像上的银行卡卡号。
[0012]本专利技术还提供一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器存储由计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的银行卡卡号识别方法的步骤。
[0013]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的银行卡卡号识别方法的步骤。
[0014]上述银行卡卡号识别方法、装置、计算机设备和存储介质，首先通过定位银行卡卡号图像的文本字符的边缘点来得到边缘点的定位坐标，根据定位坐标对银行卡卡号图像进行图像变换，将银行卡卡号图像中的文本行映射为正矩形。然后再提取银行卡卡号图像的特征图，将特征图拉升转换为一维特征向量后根据一维特征向量预测银行卡卡号图像上的
银行卡卡号。该方法考虑到银行卡卡号不包含语义性质且长度有限，因此仅通过对图像提取特征并拉升为一维特征向量后进行卡号识别，从而能实现快速有效的卡号识别。同时，在进行特征提取之前，通过图像变换的处理将卡号文本映射为正矩形，能够解决卡号文本弯曲和形变的问题，进一步提高了识别的准确性。
附图说明
[0015]图1为一个实施例中银行卡卡号识别方法的应用环境图。
[0016]图2为一个实施例中银行卡卡号识别方法的流程示意图。
[0017]图3为一个实施例中轻量级深度卷积神经网络的结构示意图。
[0018]图4为一个实施例中卷积元组的结构示意图。
[0019]图5为一个实施例中银行卡卡号识别装置的结构框图。
具体实施方式
[0020]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0021]本申请提供的银行卡卡号识别方法，可以应用于如图1所示的应用环境中，该应用环境涉及终端102和服务器104。其中，终端102通过网络与服务器104进行通信。终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和携带式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0022]当终端102接收到待识别的银行卡卡号图像之后，可以由终端102单独实现上述银行卡卡号识别方法。也可以由终端102将待识别的银行卡卡号图像发送给通信的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种银行卡卡号识别方法，其特征在于，包括以下步骤：定位银行卡卡号图像的文本字符的边缘点，得到所述边缘点的定位坐标；根据所述定位坐标对所述银行卡卡号图像进行图像变换，将所述银行卡卡号图像中的文本行映射为正矩形；提取进行图像变换后的所述银行卡卡号图像的特征图，包括：调用训练后的轻量级深度卷积神经网络；将进行图像变换后的所述银行卡卡号图像输入至所述轻量级深度卷积神经网络的卷积模块层；由所述卷积模块层中各个串联的卷积元组对所述银行卡卡号图像进行卷积操作和特征归一化，提取得到所述银行卡卡号图像的特征图；对所述特征图进行拉升转换为一维特征向量，根据所述一维特征向量预测所述银行卡卡号图像上的银行卡卡号。2.根据权利要求1所述的方法，其特征在于，所述定位银行卡卡号图像的文本字符的边缘点，得到所述边缘点的定位坐标，包括：利用小型卷积神经网络对所述银行卡卡号图像进行图像文本字符边缘点的定位，得到所述边缘点的定位坐标。3.根据权利要求1所述的方法，其特征在于，所述根据所述定位坐标对所述银行卡卡号图像进行图像变换，将所述银行卡卡号图像中的文本行映射为正矩形，包括：根据所述定位坐标计算形变函数参数，由所述形变函数参数构建形变函数；利用所述形变函数对所述银行卡卡号图像进行映射变换，将所述银行卡卡号图像中的文本行拉直为正矩形。4.根据权利要求1所述的方法，其特征在于，所述对所述特征图进行拉升转换为一维特征向量，根据所述一维特征向量预测所述银行卡卡号图像上的银行卡卡号，包括：利用所述轻量级深度卷积神经网络中的最大池化层将所述特征图进行特征压缩之后输入至拉升变换层，由所述拉升变换层对所述特征图进行拉升转换为一维特征向量；将所述一维特征向量输入至所述轻量级深度卷积神经网络中的全连接层...
【专利技术属性】
技术研发人员：郭建京，周忠诚，黄九鸣，张圣栋，
申请(专利权)人：湖南星汉数智科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。