【技术实现步骤摘要】
本专利技术涉及机器视觉，尤其涉及一种基于dbnet多分类网络的身份证识别方法及系统。
技术介绍
1、目前，随着计算机和互联网的快速发展，越来越多的用户选择在网上购物，例如购买旅行产品、火车票、飞机票等。现有技术中，用户在下单的过程中需要人工填写身份信息，例如姓名、身份证号码等，存在耗时长、错误率高等缺点。为了解决现有技术中的上述问题，目前有一种自动识别身份证的方法，具体地，首先由客户端接收身份证图像，例如用户将身份证图像上传至客户端，或者利用客户端对身份证进行拍摄得到身份证图像；其次客户端将身份证图像发送至服务端；最后由服务端对身份证图像中的内容进行识别。但是上述方法针对的是汉族的身份证，对于少数民族的身份证来说，由于身份证上具有其民族专属文字，直接使用ocr技术去识别，识别出来的文字有很多干扰，提取的时候这些文字严重影响识别精度，识别的效率和准确率就会下降，甚至还可能出现无法识别的情况。
技术实现思路
1、针对上述所显示出来的问题，本专利技术提供了一种基于dbnet多分类网络的身份证识别方法及系统用以解决
技术介绍
中提到的由于身份证上具有其民族专属文字，直接使用ocr技术去识别，识别出来的文字有很多干扰，提取的时候这些文字严重影响识别精度，识别的效率和准确率就会下降，甚至还可能出现无法识别情况的问题。
2、一种基于dbnet多分类网络的身份证识别方法，包括以下步骤：
3、对原始dbnet多分类网络进行网络参数修改，获取修改后的目标dbnet多分类网络；>
4、采集带有数据标注的多张第一身份证图片并生成模型训练数据集；
5、获取初始深度学习网络模型并配置模型分类标签，利用目标dbnet多分类网络基于模型训练数据集对初始深度学习网络模型进行训练，根据训练结果生成身份证识别模型；
6、利用身份证识别模型对后续用户进行身份证识别。
7、优选的，所述对原始dbnet多分类网络进行网络参数修改，获取修改后的目标dbnet多分类网络，包括：
8、在原始dbnet多分类网络基础上添加用于计算分类的类别平均像素准确率和平均交并比；
9、macc＝(tp+tn)/(tp+fp+fn+tn)
10、其中，macc表示为类别平均像素准确率，tp表示真阳性(预测正确的正例数)，tn表示真阴性(预测正确的负例数)，fp表示假阳性(实际为负例但被错误预测为正例的数)，fn表示假阴性(实际为正例但被错误预测为负例的数)；
11、平均交并比指预测结果与真实标签之间的交集与并集之间的比例，计算公式如下：
12、iou＝tp/(tp+fp+fn)
13、miou＝(iou 1+iou 2+...+iou n)/n
14、其中，miou表示为平均交并比，n表示标签类别数，iou_1表示第一个标签类别的iou，iou_2表示第二个类别的iou，iou n表示为第n个标签类别的iou；
15、获取修改后的目标dbnet多分类网络。
16、优选的，所述采集带有数据标注的多张第一身份证图片并生成模型训练数据集，包括：
17、从相关大数据平台获取带有数据标注的多张第一身份证图片并对其进行对比度增强的预处理；
18、将每张带有数据标注的第一身份证图片进行数据标签区域划分，获取划分结果；
19、根据划分结果将数据标签区域相同的类图片进行整合，将类图片按照使用比例进行排序；
20、根据排序结果将多张第一身份证图片进行整合生成模型训练数据集。
21、优选的，所述获取初始深度学习网络模型并配置模型分类标签，包括：
22、获取与图像识别业务相关的多个神经网络架构，在多个神经网络架构中选择卷积神经网络架构；
23、根据卷积神经网络架构构建初始深度学习网络模型并设置其损失函数；
24、确定不同类型身份证上的多个显示数据标签，根据显示数据标签配置模型分类标签。
25、优选的，所述利用目标dbnet多分类网络基于模型训练数据集对初始深度学习网络模型进行训练，根据训练结果生成身份证识别模型，包括：
26、通过目标dbnet多分类网络设置对于每个模型分类标签的识别指标和训练逻辑；
27、利用目标dbnet多分类网络通过对每个模型分类标签的识别指标和训练逻辑基于模型训练数据集对初始深度学习网络模型进行训练，获取训练模型；
28、从模型训练数据集中随机抽取n张第一身份证图片并构建验证集；
29、利用验证集对训练模型进行识别验证，根据验证结果生成身份证识别模型。
30、优选的，在利用身份证识别模型对后续用户进行身份证识别之前，还包括：
31、获取未带数据标注的多张第二身份证照片并构建测试集；
32、利用测试集对身份证识别模型进行精度测试，根据测试结果确定模型识别精度和模型分类精度；
33、确定模型识别精度和模型分类精度是否符合预设标准，若是，确定模型合格，若否，确定模型不合格；
34、在确定模型不合格时，确定识别精度和分类精度小于预设阈值的目标模型分类标签，获取目标模型分类标签的超参数，对超参数进行参数修正并进行重复测试直到符合预设标准为止。
35、优选的，利用身份证识别模型对后续用户进行身份证识别，包括：
36、根据模型训练数据集确定身份证识别模型的待识别身份证的标准格式和图片边界参数；
37、根据待识别身份证的标准格式和图片边界参数对后续用户上传的身份证图片进行统一处理；
38、将处理后的身份证图片输入到身份证识别模型中利用一个模型分支检测文字区域，利用另一个模型分支对每个文字区域进行模型分类标签划分，获取模型输出结果；
39、根据模型输出结果获取每个后续用户的身份识别信息。
40、优选的，所述根据模型输出结果获取每个后续用户的身份识别信息，包括：
41、根据模型输出结果获取每个后续用户的身份证图片中每项分类标签对应的识别文字内容；
42、将每项分类标签对应的识别文字内容输入到ocr组件中获取提取文字字符；
43、根据提取文字字符与其和分类标签的对应关系确定每个后续用户在每项分类标签内的描述信息；
44、根据每个后续用户在每项分类标签内的描述信息获取每个后续用户的身份识别信息。
45、一种基于dbnet多分类网络的身份证识别系统，该系统包括：
46、修改模块，用于对原始dbnet多分类网络进行网络参数修改，获取修改后的目标dbnet多分类网络；
47、生成模块，用于采集带有数据标注的多张第一身份证图片并生成模型训练数据集；
48、训练模块，用于获取初始深度学习网络模型并配置模型分类标签，利用目标dbnet多分类网络基于模型训练数据集对初始深本文档来自技高网...
【技术保护点】
1.一种基于DBNet多分类网络的身份证识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于DBNet多分类网络的身份证识别方法，其特征在于，所述对原始DBNet多分类网络进行网络参数修改，获取修改后的目标DBNet多分类网络，包括：
3.根据权利要求1所述基于DBNet多分类网络的身份证识别方法，其特征在于，所述采集带有数据标注的多张第一身份证图片并生成模型训练数据集，包括：
4.根据权利要求1所述基于DBNet多分类网络的身份证识别方法，其特征在于，所述获取初始深度学习网络模型并配置模型分类标签，包括：
5.根据权利要求1所述基于DBNet多分类网络的身份证识别方法，其特征在于，所述利用目标DBNet多分类网络基于模型训练数据集对初始深度学习网络模型进行训练，根据训练结果生成身份证识别模型，包括：
6.根据权利要求1所述基于DBNet多分类网络的身份证识别方法，其特征在于，在利用身份证识别模型对后续用户进行身份证识别之前，还包括：
7.根据权利要求1所述基于DBNet多分类网络的身份证识别方法
8.根据权利要求7所述基于DBNet多分类网络的身份证识别方法，其特征在于，所述根据模型输出结果获取每个后续用户的身份识别信息，包括：
9.一种基于DBNet多分类网络的身份证识别系统，其特征在于，该系统包括：
...【技术特征摘要】
1.一种基于dbnet多分类网络的身份证识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于dbnet多分类网络的身份证识别方法，其特征在于，所述对原始dbnet多分类网络进行网络参数修改，获取修改后的目标dbnet多分类网络，包括：
3.根据权利要求1所述基于dbnet多分类网络的身份证识别方法，其特征在于，所述采集带有数据标注的多张第一身份证图片并生成模型训练数据集，包括：
4.根据权利要求1所述基于dbnet多分类网络的身份证识别方法，其特征在于，所述获取初始深度学习网络模型并配置模型分类标签，包括：
5.根据权利要求1所述基于dbnet多分类网络的身份证识别方法，其特征在于...
【专利技术属性】
技术研发人员：金震，张京日，万俊，杨晗，
申请(专利权)人：北京三维天地科技股份有限公司，
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。