基于深度学习的银行卡号识别系统

发布时间：2021-07-15 13:15

　　随着移动支付技术的快速发展,许多移动支付场景需要绑定银行卡号,手动输入绑定的方式,速度很慢、易出错。本文设计实现了一个基于深度学习的银行卡号识别系统,首先将银行卡卡身提取,并通过透视变换对银行卡进行倾斜校正以达到更好的检测效果;之后通过形态学方法进行一系列预处理,通过像素水平分布直方图获得卡号区域;最后,通过基于深度学习的Advanced East文本检测模型对银行卡号进行检测,并通过CRNN+CTC实现了对不定长的银行卡号进行识别,优雅简洁地直接实现了端到端的银行卡号文本识别。本文提出的银行卡号识别方法,能够实现对不同类型银行卡的自动识别,且具有较高的识别率和准确率。 

【文章来源】：信息技术与信息化. 2020,(10)

【文章页数】：4 页

【部分图文】：

测试银行卡灰度图

同时考虑到图像的获取会存在许多冗余的干扰信息,这些噪声会对银行卡的检测造成很大的影响[6]。中值滤波器是非线性数字滤波技术,经常用于从图像中去除噪声[7]。本文采用中值滤波去除噪声。为了获取卡身的边缘信息,并同时保证噪声抑制和检测的准确性、完整性[8]。本系统采用具有抑制噪声性质的Sobel算子获取检测到的图像边缘。为了区分边缘检测后图像的前后景信息,系统对图像进行了二值化操作,在银行卡定位图像二值化操作中,采用了自适应阈值进行二值化,其根据像素附近像素值的分布来确定该像素位置上的阈值,可以取得更好的二值化效果。经过上述滤波及边缘检测后测试银行卡图像如图2所示。2.2 卡身的倾斜校正

通过二值化后的银行卡图像我们可以看到一个很明显的银行卡轮廓,另外虽然在前面我们对测试银行卡图像进行了滤波,但是仍具有很多噪点,在轮廓提取过程中这些噪点也可能会被提取出来,因此一副二值化图像我们可能提取到很多轮廓,通过对轮廓进行筛选,筛选出最符合条件的轮廓如图3所示。根据图3可以对卡身进行定位,定位效果如图4所示。

【参考文献】：
期刊论文
[1]中值滤波在数字图像去噪中的应用[J]. 燕红文,邓雪峰.  计算机时代. 2020(02)
[2]基于OpenCV的银行卡号识别系统[J]. 刘振飞.  电子技术与软件工程. 2019(11)
[3]TensorFlow平台下基于深度学习的数字识别[J]. 靳涛,张永爱.  信息技术与网络安全. 2018(04)
[4]基于改进的soble算子和zernike矩遥感图像边缘检测[J]. 陈竹安,胡志峰,杨希鹏.  湖北民族学院学报(自然科学版). 2017(02)
[5]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)
[6]视频文本检测和识别技术研究[J]. 朱成军,李超,熊璋.  计算机工程. 2007(10)

博士论文
[1]图像去噪中几种优化算法的相关研究[D]. 杨昊.电子科技大学 2016

硕士论文
[1]基于深度学习的银行卡识别系统设计开发[D]. 赵慧敏.华北电力大学(北京) 2019



本文编号：3285775