System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及人工智能技术及金融科技领域,特别是涉及一种卡面信息识别方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
1、随着计算机技术及金融科技的发展,计算机的图像识别能力得到提高,随之在金融科技领域出现了使用图像采集设备获取银行卡图像,并利用计算机辅助卡面信息录入的技术,该技术被广泛应用于银行等金融机构,有助于提高用户办理相关金融业务的效率。
2、然而,目前的图像识别技术仅能够处理背景和前景简单的图像,对于银行卡图像,由于其存在背景复杂、字体形态多样以及用户拍摄角度和光照条件不同的情况,使得银行卡的识别会受到尺度、亮度和清晰度等因素的干扰,导致目前技术中存在银行卡卡面信息的识别准确率较低的问题。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种卡面信息识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面,本申请提供了一种卡面信息识别方法,包括:
3、获取待识别的银行卡图像,通过基于视觉注意机制的目标检测算法,定位所述银行卡图像中的字符信息所在区域,以获取包含所述字符信息的输入特征图;
4、根据所述输入特征图,生成包含所述字符信息的注意特征图;
5、通过预设的卷积循环神经网络模型的卷积层,对所述注意特征图进行特征提取,得到所述注意特征图中包含所述字符信息的深度特征;
6、通过所述卷积循环神经网络模型的循环层,对所述深度特征对应的特征序列进行序列分析,得到所述字符信息
7、通过所述卷积循环神经网络模型的转录层,对所述卡号序列进行序列解码,得到所述银行卡图像中所述卡号序列对应的银行卡卡号信息。
8、在其中一个实施例中,所述根据所述输入特征图,生成包含所述字符信息的注意特征图,包括:
9、将所述输入特征图拆分为第一分支、第二分支和第三分支;对所述第一分支进行形状调整和维度转换,对所述第二分支进行最大池化和形状调整,并对所述第三分支进行最大池化、形状调整和维度转换,得到第一目标分支、第二目标分支和第三目标分支;将所述第一目标分支和第二目标分支进行初次矩阵相乘,并将初次矩阵相乘结果与所述第三目标分支进行二次矩阵相乘;对二次矩阵相乘结果进行维度转换、形状调整和批归一化处理,得到初始注意特征图,并将所述初始注意特征图与所述输入特征图像中包含的输入特征进行逐元素相加,得到所述注意特征图。
10、在其中一个实施例中,所述根据所述输入特征图,生成包含所述字符信息的注意特征图,还包括:
11、对所述输入特征图进行全局最大池化和全局平均池化,得到池化处理后的输入特征图;将所述池化处理后的输入特征图与所述输入特征图像中包含的输入特征进行逐元素加权求和,得到结果特征图;对所述结果特征图进行预设卷积核对应的卷积操作,得到所述注意特征图。
12、在其中一个实施例中,所述通过预设的卷积循环神经网络模型的卷积层,对所述注意特征图进行特征提取,得到所述注意特征图中包含所述字符信息的深度特征,包括:
13、通过所述卷积层,识别所述注意特征图中包含的字符信息;根据所述字符信息,对所述注意特征图进行特征提取,得到包含所述深度特征的卷积特征图;根据所述卷积特征图,得到所述深度特征。
14、在其中一个实施例中,在通过预设的卷积循环神经网络模型的卷积层,对所述注意特征图进行特征提取,得到所述注意特征图中包含所述字符信息的深度特征之后,还包括:
15、通过所述循环层,基于所述卷积特征图,对所述深度特征进行逐帧预测,得到特征预测结果;根据所述特征预测结果,将所述深度特征中的所述字符信息标注成序列,得到所述深度特征对应的特征序列。
16、在其中一个实施例中,所述方法还包括:
17、获取所述卷积层的反馈数据,通过所述循环层对所述反馈数据进行分析,得到所述卷积层的误差微分;根据所述误差微分,对所述卷积层的权重参数进行更新,得到更新后的卷积层。
18、在其中一个实施例中,所述通过所述卷积循环神经网络模型的转录层,对所述卡号序列进行序列解码,得到所述银行卡图像中所述卡号序列对应的银行卡卡号信息,包括:
19、将所述卡号序列输入所述转录层中的束搜索解码模型,得到多个候选输出序列;通过所述束搜索解码模型,在多个所述候选输出序列中筛选出概率最高的目标输出序列;将所述目标输出序列转录成所述银行卡卡号信息。
20、第二方面,本申请还提供了一种卡面信息识别装置,包括:
21、区域定位模块,用于获取待识别的银行卡图像,通过基于视觉注意机制的目标检测算法,定位所述银行卡图像中的字符信息所在区域,以获取包含所述字符信息的输入特征图;
22、图片转换模块,用于根据所述输入特征图,生成包含所述字符信息的注意特征图;
23、特征提取模块,用于通过预设的卷积循环神经网络模型的卷积层,对所述注意特征图进行特征提取,得到所述注意特征图中包含所述字符信息的深度特征;
24、序列分析模块,用于通过所述卷积循环神经网络模型的循环层,对所述深度特征对应的特征序列进行序列分析,得到所述字符信息对应的卡号序列;
25、序列解码模块,用于通过所述卷积循环神经网络模型的转录层,对所述卡号序列进行序列解码,得到所述银行卡图像中所述卡号序列对应的银行卡卡号信息。
26、第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
27、获取待识别的银行卡图像,通过基于视觉注意机制的目标检测算法,定位所述银行卡图像中的字符信息所在区域,以获取包含所述字符信息的输入特征图;根据所述输入特征图,生成包含所述字符信息的注意特征图;通过预设的卷积循环神经网络模型的卷积层,对所述注意特征图进行特征提取,得到所述注意特征图中包含所述字符信息的深度特征;通过所述卷积循环神经网络模型的循环层,对所述深度特征对应的特征序列进行序列分析,得到所述字符信息对应的卡号序列;通过所述卷积循环神经网络模型的转录层,对所述卡号序列进行序列解码,得到所述银行卡图像中所述卡号序列对应的银行卡卡号信息。
28、第四方面,本申请还提供了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以下步骤:
29、获取待识别的银行卡图像,通过基于视觉注意机制的目标检测算法,定位所述银行卡图像中的字符信息所在区域,以获取包含所述字符信息的输入特征图;根据所述输入特征图,生成包含所述字符信息的注意特征图;通过预设的卷积循环神经网络模型的卷积层,对所述注意特征图进行特征提取,得到所述注意特征图中包含所述字符信息的深度特征;通过所述卷积循环神经网络模型的循环层,对所述深度特征对应的特征序列进行序列分析,得到所述字符信息对应的卡号序列;通过所述卷积循环神经网络模型的转录层,对所述卡本文档来自技高网...
【技术保护点】
1.一种卡面信息识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述根据所述输入特征图,生成包含所述字符信息的注意特征图,包括:
3.根据权利要求1所述的方法,其特征在于,所述根据所述输入特征图,生成包含所述字符信息的注意特征图,包括:
4.根据权利要求1所述的方法,其特征在于,所述通过预设的卷积循环神经网络模型的卷积层,对所述注意特征图进行特征提取,得到所述注意特征图中包含所述字符信息的深度特征,包括:
5.根据权利要求4所述的方法,其特征在于,在通过预设的卷积循环神经网络模型的卷积层,对所述注意特征图进行特征提取,得到所述注意特征图中包含所述字符信息的深度特征之后,还包括:
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
7.根据权利要求1至6任一项所述的方法,其特征在于,所述通过所述卷积循环神经网络模型的转录层,对所述卡号序列进行序列解码,得到所述银行卡图像中所述卡号序列对应的银行卡卡号信息,包括:
8.一种卡面信息识别装置,其特征在于,所述装置包
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种卡面信息识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述根据所述输入特征图,生成包含所述字符信息的注意特征图,包括:
3.根据权利要求1所述的方法,其特征在于,所述根据所述输入特征图,生成包含所述字符信息的注意特征图,包括:
4.根据权利要求1所述的方法,其特征在于,所述通过预设的卷积循环神经网络模型的卷积层,对所述注意特征图进行特征提取,得到所述注意特征图中包含所述字符信息的深度特征,包括:
5.根据权利要求4所述的方法,其特征在于,在通过预设的卷积循环神经网络模型的卷积层,对所述注意特征图进行特征提取,得到所述注意特征图中包含所述字符信息的深度特征之后,还包括:
6.根据权利要求1所述的方法,其特征在于,所述方法...
【专利技术属性】
技术研发人员:张晓茜,郑培龙,余小娟,黄越,
申请(专利权)人:中国工商银行股份有限公司,
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。