基于Faster-RCNN的身份证复印件检测方法
专利汇可以提供基于Faster-RCNN的身份证复印件检测方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于Faster-RCNN的身份证复印件检测方法，包括：选择若干身份证复印件图像，制作Faster-RCNN模型的数据集，设置Faster-RCNN模型的参数，对身份证复印件测试图像进行预处理，基于数据集对Faster-RCNN模型进行训练，输入测试图像，利用训练好的Faster-RCNN模型进行检测。本发明方法对图像模糊、 角 度众多、边框不清晰的身份证复印件同样能够取得较好的检测结果，实用性强，检测效果较好，发展前景良好。，下面是基于Faster-RCNN的身份证复印件检测方法专利的具体信息内容。
1.一种基于Faster-RCNN的身份证复印件检测方法，其特征在于，包括以下步骤：
步骤S1：制作Faster-RCNN模型的数据集；
步骤S2：设置Faster-RCNN模型的参数；
步骤S3：对身份证复印件测试图像进行预处理；
步骤S4：基于数据集对Faster-RCNN模型进行训练；
步骤S5：输入测试图像，利用训练好的Faster-RCNN模型进行检测。
2.根据权利要求1所述的身份证复印件检测方法，其特征在于，所述步骤S1具体包括：
步骤S11：选择若干身份证复印件图像作为数据集样本；
步骤S12：将数据集样本缩放到统一大小，采用最近邻内插值法，利用如下公式：
dsty＝dstw/srcw*srcy dstx＝dsth/srch*srcx f(dstx,dsty)＝f(srcx,srcy)其中，dstx表示缩放后图像的横坐标，dsty表示缩放后图像的纵坐标，dstw表示缩放后图像的宽度，dsth表示缩放后图像的高度，srcx表示原图像的横坐标，srcy表示原图像的纵坐标，srcw表示原图像的宽度，srch表示原图像的高度，f(dstx,dsty)表示缩放后图像像素点(dstx,dsty)处的像素值，f(srcx,srcy)表示原图像素点(srcx,srcy)处的像素值；
步骤S13：利用标注工具获取数据集样本的图片名称、类别、身份证图片的左上角坐标、右下角坐标，并且将获取的数据保存到txt文件中；
步骤S14：将得到的txt文件，制作成VOC2007数据集Annotations文件中的xml文件；
步骤S15：根据xml文件生成VOC2007数据集中的训练集train.txt、验证集val.txt、训练验证集trainval.txt和测试集test.txt；格式为txt；
步骤S16：下载VOC2007数据集，用步骤S14得到的xml文件替换Annotations文件中的数据，用步骤S15得到的txt数据替换ImageSets文件中的数据，将数据集样本图片放在JPEGImages文件中。
3.根据权利要求2所述的身份证复印件检测方法，其特征在于，所述步骤S2具体包括：
步骤S21：根据数据集样本的类别总数修改Faster-RCNN模型中与类别总数相关的参数；
步骤S22：根据数据集样本类别修改Faster-RCNN模型的类别标签；
步骤S23：修改append_flipped_images(self)函数。
4.根据权利要求1所述的身份证复印件检测方法，其特征在于，所述步骤S3具体包括：
步骤S31：输入测试图像；
步骤S32：测试图像采用最近邻插值法缩放到统一大小；
步骤S33：将测试图像转化为灰度图，使用如下公式：
Gray(u,v)＝0.299*R(u,v)+0.587*G(u,v)+0.144*B(u,v)
其中，u表示测试图像上横坐标，v表示测试图像上纵坐标，R(u,v)表示像素点(u,v)处的红色通道值，G(u,v)表示像素点(u,v)处的绿色通道值，B(u,v)表示像素点(u,v)处的蓝色通道值，Gray(u,v)表示灰度图中像素点(u,v)处的灰度值；
步骤S34：测试图像中值滤波平滑，利用如下式子：
dst(u,v)＝median{src(u+k,v+l)|(k,l)∈H}
其中，dst(u,v)表示输出图像上像素点(u,v)处的像素值，H表示二维模板，k表示二维模板上的横坐标，l表示二维模板上的纵坐标，src(u+k,v+l)表示测试图像上像素点(u+k,v+l)处的像素值，median表示取中位数。
5.根据权利要求2所述的身份证复印件检测方法，其特征在于，所述步骤S4具体包括：
步骤S401：下载ImageNet数据集下预训练得到的模型参数，用于初始化；
步骤S402：输入数据集的图像；
步骤S403：通过卷积神经网络提取图像特征图；
步骤S404：RPN通过分类函数判断anchors是否是检测目标；
步骤S405：计算预测框的缩放尺度与平移尺度，利用如下式子：
tw＝log(w/wa) th＝log(h/ha) tx＝(x-xa)/wa ty＝(y-ya)/ha
其中，x表示预测框的中心横坐标，y表示预测框的中心纵坐标，w表示预测框的宽，h表示预测框的高，xa表示anchor box的中心横坐标，ya表示anchor box的中心纵坐标，wa表示anchor box的宽，ha表示anchor box的高，tx表示预测框横坐标方向的位置平移尺度，ty表示预测框纵坐标方向的位置平移尺度，tw表示预测框宽的缩放尺度，th表示预测框高的缩放尺度；
步骤S406：计算标定框的缩放尺度与平移尺度，利用如下式子：
* * * *
其中，x 表示标定框的中心横坐标，y表示标定框的中心纵坐标，w表示标定框的宽，h表示标定框的高，表示标定框横坐标方向的位置平移尺度，表示标定框纵坐标方向的位置平移尺度， 表示标定框宽的缩放尺度，表示标定框高的缩放尺度；
步骤S407：通过平移尺度与缩放尺度对检测目标进行位置修正，获取建议框，同时剔除太小和超出边界的建议框；
步骤S408：计算RPN的整体损失以便RPN训练，利用如下式子：
其中，i为整数，pi表示第i个anchor预测为目标的概率， 表示第i个anchor对应的GT预测概率，ti＝{tx,ty,tw,th}表示预测框的四个参数化坐标的向量， 是与positive anchor对应的标定框的坐标向量， 表示分类损失， 表示回归损失，R表示Smooth L1函数，Ncls表示cls项的归一化值为mini-batch的大小，Nreg表示reg项归一化为anchor位置的数量，L({pi},{ti})表示损失函数；
步骤S409：将建议框映射到卷积神经网络的最后一层卷积特征图上；
步骤S410：通过RoI Pooling层使得每个矩形框生成尺寸大小相同的特征图；
步骤S411：获取RoI Pooling层生成的特征图，进行分类并输出类别的概率；
步骤S412：再次计算平移尺度与缩放尺度，并进行位置精修，获取目标检测框；
步骤S413：根据训练结果调整学习率和迭代次数，重新训练，得到身份证复印件检测模型。
6.根据权利要求1所述的身份证复印件检测方法，其特征在于，所述步骤S5具体包括：
步骤S51：输入测试图像；
步骤S52：利用卷积神经网络提取测试图像的特征图；
步骤S53：使用滑动窗口在特征图上滑动，将其映射到一个维度更低的图像上；
步骤S54：利用RPN在每个滑动窗口上生成多个建议窗口；
步骤S55：将建议窗口映射到卷积神经网络最后一层卷积特征图上；
步骤S56：利用RoI Pooling层使得每个矩形框生成尺寸大小相同的特征图；
步骤S57：根据特征图进行分类并输出结果。
基于Faster-RCNN的身份证复印件检测方法
技术领域
背景技术
发明内容
附图说明
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种引入对抗训练的基于内容的实例检索方法 | 2021-01-08 | 2 |
| 一种基于人工智能的消化内镜检查质量自动评估方法和系统 | 2021-04-02 | 2 |
| 一种面向嵌入式应用的深度对抗网络优化方法 | 2022-12-14 | 1 |
| 一种基于改进卷积神经网络的焊缝缺陷识别方法 | 2022-09-21 | 1 |
| 卷积神经网络压缩方法及人脸检测方法 | 2022-10-24 | 0 |
| 一种面向智慧社区的多摄像机联动多目标追踪方法及系统 | 2020-09-04 | 0 |
| 一种实现神经网络模型的装置及方法 | 2023-06-24 | 0 |
| 神经网络分类 | 2020-09-03 | 1 |
| 一种无切分的脱机手写汉字文本识别方法 | 2023-07-25 | 0 |
| 关键点检测、图像处理方法、装置、电子设备及存储介质 | 2020-05-27 | 1 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
