[发明专利]一种证件圆弧点检测和定位的方法及系统

权利要求书

1.一种证件圆弧点检测和定位的方法，其特征在于，所述方法包括：

对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据；

将所述样本图像数据划分为训练集、测试集和验证集；

构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型；

利用所述训练集对所述初始证件检测模型进行训练，并利用所述测试集和所述验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型；

利用所述最优证件检测模型对待检测证件图像进行圆弧点检测。

2.根据权利要求1所述的证件圆弧点检测和定位的方法，其特征在于，所述对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据，具体包括：

采用图像标注软件标注出所述证件图像的拐角点的标签和位置，并且存入XML文件中，得到标注图像数据；

将标注图像数据进行图像偏移操作，得到偏移图像数据；

将所述偏移图像数据进行图像切割操作，所述偏移图像数据的RGB的数值，得到样本图像数据。

3.根据权利要求1所述的证件圆弧点检测和定位的方法，其特征在于，所述将所述样本图像数据划分为训练集、测试集和验证集，具体包括：

按照设定比例将所述样本图像数据划分为训练集、验证集、测试集；

将所述训练集、验证集、测试集中的图像、标注数据的文件地址分别写入相应的txt文档。

4.根据权利要求1所述的证件圆弧点检测和定位的方法，其特征在于，所述构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型，具体包括：

下载Darknet深度神经网络框架的源码，配置显卡驱动，对Darknet深度神经网络框架的源码进行编译；

加载神经网络模型后设置超参数：设置学习率、迭代计算次数、每批次训练的图像数目batch，图像数目batch的训练分组数subdivisions、衰减率decay、类别classes和filters参数；

将所述类别classes、所述训练集对应的文件地址、所述深度神经网络框架中的文件obj.names的地址和训练得到参数文件的地址写入所述深度神经网络框架中文件obj.data；

将标注后的图像的标签写入所述文件obj.names。

5.根据权利要求1所述的证件圆弧点检测和定位的方法，其特征在于，所述利用所述训练集对所述初始证件检测模型进行训练，并利用所述测试集和所述验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型，具体包括：

在训练命令中加入生成log日志的语句；

将所述训练集的数据载入所述初始证件检测模型，开始训练；

提取所述log日志中的loss，accuracy和迭代次数，并绘制Loss曲线；

根据所述Loss曲线的收敛状况判断所述Loss曲线的收敛状况是否满足预设收敛条件，得到收敛判断结果；

当所述收敛判断结果表示是时，载入训练后的初始证件检测模型和所述测试集的数据，进行测试，得到测试图像数据；

根据所述测试图像数据的标签和位置的准确度，得出相应的mAP指标，生成测试报告；

根据所述测试报告确定最优证件检测模型。

6.一种证件圆弧点检测和定位的系统，其特征在于，所述系统包括：

标注增强单元，用于对证件图像进行图像标注，并将标注后的图像进行图像增强处理，得到样本图像数据；

数据集划分单元，用于将所述样本图像数据划分为训练集、测试集和验证集；

初始模型构建单元，用于构建深度神经网络框架，加载神经网络模型，再设置超参数，得到初始证件检测模型；

模型训练测试单元，用于利用所述训练集对所述初始证件检测模型进行训练，并利用所述测试集和所述验证集对训练后的初始证件检测模型进行测试和验证，得到最优证件检测模型；

检测单元，用于利用所述最优证件检测模型对待检测证件图像进行圆弧点检测。