[发明专利]基于opencv和深度学习的社保卡识别方法及系统

权利要求书

1.基于opencv和深度学习的社保卡识别方法，其特征在于包括：

以仅显示摆正放置的社会保障卡的图像为模板图像，通过模板匹配方法矫正待识别图像，并提取待识别图像中的文字区域；

基于深度学习技术构建并训练CRNN模型，通过训练后CRNN模型对文字区域进行文字识别。

2.根据权利要求1所述的基于opencv和深度学习的社保卡识别方法，其特征在于通过模板匹配方法矫正待识别图像，包括：

通过SURF特征提取算法分别提取模板图像和待识别图像的特征描述子；

通过最近邻匹配算法计算模板图像与待识别图像的相似特征点；

通过Homography单应性变换计算模板图像和待识别图像之间的映射矩阵，并通过映射矩阵对待识别图像进行矫正。

3.根据权利要求2所述的基于opencv和深度学习的社保卡识别方法，其特征在于通过模板匹配方法提取待识别图像中的文字区域，包括：

从模板图像中截取感兴趣的文字区域为模板区域；

通过matchTemplate模版匹配算法将模板区域与矫正后的待识别图像进行匹配，从待识别图像中选取与模板区域相似度最高的区域为文字区域。

4.根据权利要求1、2或3所述的基于opencv和深度学习的社保卡识别方法，其特征在于基于深度学习技术构建并训练CRNN模型，通过训练后CRNN模型对文字区域进行文字识别，包括：

构建CRNN模型，所述CRNN模型包括卷积层、循环层和转录层；

以具有文字的图像数据集为训练样本，通过训练样本对构建的CRNN模型进行训练，得到训练后CRNN模型；

通过训练后CRNN模型对文字区域进行文字识别。

5.根据权利要求1、2或3所述的基于opencv和深度学习的社保卡识别方法，其特征在于通过模板匹配方法矫正待识别图像之前，对选取的待识别图像进行图像预处理，用于消除因光照和/或拍摄角度形成的干扰。

6.根据权利要求5所述的基于opencv和深度学习的社保卡识别方法，其特征在于对待识别图像进行预处理包括：

对待识别图像进行滤波处理；

对待识别图像进行二值化处理。

7.基于opencv和深度学习的社保卡识别系统，其特征在于包括：

图像采集模块，用于获取模板图像和待识别图像，并对待识别图像进行预处理；

矫正模块，用于从图像采集模块获取模板图像和待识别图像，并通过模板匹配方法矫正待识别图像；

文字区域提取模块，用于获取矫正后待识别图像以及从模板图像中截取模板区域，并用于通过模板匹配方法提取待识别图像中的文字区域；

文字识别模块，用于基于深度学习技术构建并训练CRNN模型，并用于通过训练后CRNN模型对文字区域进行文字识别，所述CRNN模型包括卷积层、循环层和转录层；

所述模板图像为仅显示摆正放置的社会保障卡的图像。

8.根据权利要求7所述的基于opencv和深度学习的社保卡识别系统，其特征在于矫正模块通过其模板匹配子模块矫正待识别图像，模板匹配子模块为具有如下功能的子模块：

通过SURF特征提取算法分别提取模板图像和待识别图像的特征描述子；

通过最近邻匹配算法计算模板图像与待识别图像的相似特征点；

通过Homography单应性变换计算模板图像和待识别图像之间的映射矩阵，并通过映射矩阵对待识别图像进行矫正。

9.根据权利要求7或8所述的基于opencv和深度学习的社保卡识别系统，其特征在于文字区域提取模块为具有如下功能的模块：

从矫正模块获取模板图像和矫正后待识别图像，并从模板图像中截取感兴趣的文字区域为模板区域；

通过matchTemplate模版匹配算法将模板区域与矫正后的待识别图像进行匹配，从待识别图像中选取与模板区域相似度最高的区域为文字区域。

10.根据权利要求7所述的基于opencv和深度学习的社保卡识别系统，其特征在于文字识别模块为具有如下功能的模块：

构建CRNN模型，所述CRNN模型包括卷积层、循环层和转录层；

以具有文字的图像数据集为训练样本，通过训练样本对构建的CRNN模型进行训练，得到训练后CRNN模型；

通过训练后CRNN模型对文字区域进行文字识别。