卷积神经网络在身份证号识别中的应用.docxVIP

卷积神经网络在身份证号识别中的应用 识别号是我们每个人的独特标志，在我们的日常生活中极为重要。在很多场合都需要将我们的身份证信息扫描或拍摄录入电脑中, 例如过关签证, 订购车票, 宾馆住宿, 参加考试等。因此是否能够高效精准识别录入电脑中的身份证图像意义重大。 1 神经网络聚集 1.1 积极神经网络的基本内容 卷积神经网络主要用三种结构来实现对输入的局部平移不变性 1.2 子采样层的生成 在卷积层中, 前一层的特征图被一个可学习的卷积核进行卷积, 再通过一个激活函数, 就可以得到这一层的输出特征图。通常地, 卷积层的形式如式 (1) 所示: l代表卷积神经网络结构层数, k是卷积核, 这里M 在子采样层中, 如果有N个输入特征图, 就有N个输出特征图, 只是每个输出特征图都变小了。一般地, 子采样层的形式如式 (2) 所示: down (.) 表示一个子采样函数。该操作是对输入图像的一个n*n大小的区域进行求和。这样输出图像在两个维度上都缩小了n倍。每个输出特征图都对一个乘性偏置β和一个加性偏置b。 1.3 网络输出算法 卷积网络在本质上是一种输入到输出的映射, 它能够学习大量的输入与输出之间的映射关系, 而不需要任何输入和输出之间精确的数学表达式, 只要用已知的模式对卷积网络加以训练, 网络就具有输入输出对之间的映射能力 训练算法主要包括4步, 这4步被分为两个阶段: 第一阶段, 向前传播阶段: a.从样本集中取一个样本 (X, Yp) , 将X输入网络; b.计算相应的实际输出Op。 在此阶段, 信息从输入层经过逐级的变换, 传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中, 网络执行的是计算 (实际上就是输入与每层的权值矩阵相点乘, 得到最后的输出结果) : 第二阶段, 向后传播阶段: a.计算实际输出Op与相应的理想输出Yp的差; b.按极小化误差的方法反向传播调整权矩阵。 2 复杂网络难以能力 结构设计。卷积神经网络设计主要要考虑网络层数, 卷积层神经元数和子采样层神经元数, 以及最后输出层的神经元数, 因为输出层代表的是进行识别分类的总数。 卷积神经网络的层数并不是越多越好, 虽然网络的层数增加, 可以提高识别精度, 降低误差, 但是也增加了网络结构的复杂度, 从而增加网络权值参数的训练时间。该卷积神经网络层数设计为7层, 输入层Input为48*48的图像, 卷积核大小为5*5, 3个卷积层C1, C3, C5;2个子采样层S2, S4;1个全连接F6和一个输出层Output。 一般地, 身份证号码通常是由0-9和“X”等11个字符组成, 因此输出层Output的神经元数必须不少于11个, 否则将无法识别某些字符。考虑到以后便于扩展, 将输出层Output的神经元数设置为20个。这样卷积神经网络足以识别11个字符, 足够用于身份证号码识别。卷积层C5的神经元数设置为160个, 全连接层神经元数为84。设计的卷积神经网络结构如图1所示。 C1, C3, C5是卷积层, 通过卷积运算, 可以使原信号特征增强, 并且降低噪声。S2, S4是子采样层, 利用图像局部相关性的原理, 对图像进行子抽样, 可以减少数据处理量同时保留有用信息。 3 实验模拟与分析 3.1 真实身份证号码 根据身份证号码是由0-9和X等11个字符组成的, 因此只要图像包含这11个字符, 那么同样可以达到相同的效果。所以不用特定收集真实的身份证号码, 有一种工具可以在线自动生成序列号, 同样只包含这11种字符, 且生成的序列号和身份证号码位数是一样的。利用这种工具, 我们得到的身份证号码和现实没有差别, 都是由11个字符组成的, 对于实验的测试没有产生任何影响。因此可以代替真实的身份证号码进行实验训练和测试。收集到的身份证号码图像进行图像去噪处理和图像增强, 字符分割, 所有字符都归一化为48*48大小。 3.2 建立数据集和测试数据集 利用在线生成序列号工具生成1200个数据, 将这些图片上的字符归一化为48*48大小, 建立训练数据集和测试数据集。其中分为两套数据, 第一套800个数据用于训练, 第二套400个数据用于测试。训练集和测试集是不相交的。以下是利用在线生成序列号工具收集到的一部分数据。 3.3 训练数据识别率分析 在此次实验中, 不管是训练样本还是测试样本, 随着训练次数的增加, 卷积神经网络的识别率都随着提高。 训练数据识别率和训练次数关系如图2所示: 由图3可知, 随着训练次数的增加, 训练样本的识别率也随着提高。 测试数据识别率和训练次数关系如图3所示: 由图3可知, 随着训练次数的增加, 测试样本的识别率也随着提高。实验表明, 卷积神经网络对身份证号码识别率高, 具有良好的识别性能。 4 神经网络