一种多场景身份证号识别算法.docxVIP

一种多场景身份证号识别算法 0 身份证号码的识别 身份是最重要的个人识别工具。越来越多的行业要求认证和身份登记。快速提取身份信息是研究的重点领域。 本文使用OCR(Optical Character Recognition，光学字符识别）算法进行身份证号码提取和识别，该算法运行在Android移动客户端。识别步骤如下：首先进行身份证号码区域提取，利用拍摄图像的固定位置获取身份证号码大致位置；然后利用身份证特殊的颜色分布，选取合适的通道分量过滤颜色信息的干扰；再通过图像阈值分割采集证件号码信息；通过噪声处理减轻噪声的干扰，通过形态学处理寻找身份证号码的具体位置。同时针对拍摄过程中可能出现的图像倾斜问题，通过图像旋转和水平投影法进行水平矫正，最后通过垂直投影法将单个字符提取出来。得到单个字符图像后，使用卷积神经网络进行身份证号码的训练和识别。 1 图像数据提取 首先在显示屏幕上添加辅助框，将身份证号码放置在该框内。通过提取该区域图像，能够进一步减小待处理区域并获取准确的身份证号码位置。进一步提取蓝色分量可有效排除身份证文字信息和背景信息的干扰 最大类间方差法是一种自适应的阈值确定方法 其中，w 移动手机拍摄得到的数字图像会受到环境影响，或多或少带有噪声干扰 实际拍摄过程中，身份证会出现左右倾斜状态，对此需要通过仿射变换对图像进行水平矫正 其中，A为2′2大小的矩阵，B为2′1大小的向量，T为变换后的向量空间。通过仿射变换对图像进行左右旋转 2 神经网络转换设计 卷积神经网络模型LeNet-5在字符识别、图像分类等应用中效果很好 3 结果与分析 3.1 基于torch的卷积神经网络模型训练 测试样本集共有1 000张图像。身份证号码由数字0-9和字母x共11个字符随机组成。采集实验室成员身份证照片，利用上述图像处理方法剪切成单个字符图像，收集每类图像5 000张，共55 000张图像作为样本数据库。利用Torch深度学习框架进行卷积神经网络模型训练。硬件环境为Intel i7-7800X CPU和NVIDIA Titan X GPU，共剪切成991张图片，剪切成功率为99.1%。未剪切成功的图像如图9所示，剪切失败原因有图像拍摄模糊、高曝光和低亮度等。 识别精度如图10所示。当训练迭代次数超过60次后，生成的参数能够实现接近100%的测试精度。 3.2 lenet-5提效网络 基于移动端的身份证号码识别算法运行在Android移动端，测试手机为小米MIX2，其配置为1 200万像素后置摄像头，6G内存，骁龙835 CPU。提取身份证号码时间为76ms；测试LeNet-5网络和改进LeNet-5网络的识别耗时如表1所示。LeNet-5网络识别一次身份证号码图像共18张号码字符图像花费104ms，而改进LeNet-5网络仅花费80ms，相比之下检测时间提高23.1%，所以使用改进LeNet-5网络进行身份证号码识别总时间为156ms。 4 算法验证性测试 为实现多场景下居民身份证号码快速识别，本文设计了基于移动端的身份证号码识别算法。测试表明，本文算法达到99.1%的准确率，单次检测时间为156ms，能够满足鲁棒性和实时性要求。但在低亮度、高曝光或者模糊情况下，本文算法还不能很好地完成，需要进一步研究和调试。