[发明专利]一种印章识别方法和装置以及设备有效

专利信息
申请号: 201910515734.6 申请日: 2019-06-14
公开(公告)号: CN110210503B 公开(公告)日: 2021-01-01
发明(设计)人: 赵毅峰;宋禹廷;曾志胤;曾建晟 申请(专利权)人: 厦门历思科技服务有限公司
主分类号: G06K9/46 分类号: G06K9/46;G06K9/62;G06T5/30;G06N3/04
代理公司: 厦门原创专利事务所(普通合伙) 35101 代理人: 徐东峰
地址: 361006 福建省厦门市中国(福建)*** 国省代码: 福建;35
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 印章 识别 方法 装置 以及 设备
【权利要求书】:

1.一种印章识别方法,其特征在于,包括:

利用数字扫描设备对企业的预留印鉴卡进行扫描,获得同一企业的不同预留印章数字图像;

将所述获得的同一企业的不同预留印章数字图像的样本集进行分类,并进行标定,形成训练样本;

利用尺度不变特征转换算法,以基准印章样本为标准,对每个企业的印章进行旋转,平移,移位变换后,形成新的印章,并对所述形成的新的印章进行两两组合形成同向样本对和反向样本对分类;

对所述形成的训练样本和所述形成的新的印章进行两两组合形成同向样本对和反向样本对分类进行图像的腐蚀或膨胀运算,以模拟盖章时墨浓淡的情况,并对所述经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对;

将所述经图像的腐蚀或膨胀运算后的所有印章数字图像重新两两组合形成同向样本对和反向样本对,输入深度孪生网络进行参数训练;

采用对比损失函数作为所述进行参数训练的深度孪生网络的损失函数;

将所述进行参数训练的训练样本划分成不同大小的梯度下降,在不同的梯度下降上利用随机梯度下降法训练深度孪生网络,完成对深度孪生网络的训练;

根据所述完成训练的深度孪生网络,对印章进行识别;

其中,所述同向样本对由基准印章样本和同一企业的预留印章样本组成,所述反向样本对由基准印章样本和不同企业的预留印章样本组成。

2.如权利要求1所述的印章识别方法,其特征在于,所述将所述获得的同一企业的不同预留印章数字图像的样本集进行分类,包括:

将同一企业的不同预留印章数字图像中的其中一个数字图像做为数字图像基准印章样本;

根据所述做为数字图像基准印章样本,所述将所述获得的同一企业的不同预留印章数字图像的样本集进行两两组合形成同向样本对和反向样本对分类。

3.如权利要求1所述的印章识别方法,其特征在于,所述作为所述进行参数训练的深度孪生网络的损失函数的对比损失函数的形式,包括:

其中,X1,X2为深度孪生网络的输入,Y为判别因子,说明X1和X2是否匹配的二值标签,如果X1和X2相似,则Y=0,如果不相似则Y=1,w表示深度孪生网络的参数,其中Dw为深度孪生网络输出的两个特征向量的欧式距离,其形式包括:

Dw(X1,X2)=||Fw(X1)-Fw(X2)||2

其中Fw(X1)表示输入为X1时深度孪生网络所输出的特征向量,Fw(X2)表示输入为X2时深度孪生网络所输出的特征向量,||||2表示2范数,这样的好处是能够实现将对比损失函数作为所述进行参数训练的深度孪生网络的损失函数。

4.如权利要求1所述的印章识别方法,其特征在于,假设所述深度孪生神经网络有K层,第k层,k=1,2,...,K,输入为:则第k层输出为:wk表示第k层的系数,bk为第k层的偏置向量,f()为S型生长曲线Sigmoid函数;其中,所述深度孪生神经网络的输出的特征向量,包括:

所述随机梯度下降法训练深度孪生网络参数过程,包括:

深度孪生网络的训练目标为最小化损失函数L(w,Y,X1,X1),训练参数wk和bk,使得当输入相似印章样本时的Dw单调递减,当输入不同的印章时的Dw单调递增,这样的好处是能够便于对所述深度孪生神经网络进行训练。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于厦门历思科技服务有限公司,未经厦门历思科技服务有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910515734.6/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top