[发明专利]预测模型构建方法、装置、系统及银行卡卡号识别方法

说明书

本发明公开一种预测模型构建方法、装置、系统及银行卡卡号识别方法，属于计算机技术领域。预测模型构建方法包括：获取银行卡的银行卡样本图像并对银行卡样本图像进行计算处理以得到候选区域；将银行卡样本图像以及候选区域输入一Fast‑R‑CNN模型，根据预设的分类标签、与分类标签对应的回归位置以及Fast‑R‑CNN模型输出的分类预测结果、与分类预测结果对应的回归位置预测结果对Fast‑R‑CNN模型进行训练，将训练后的Fast‑R‑CNN模型确定为预测模型。本发明不同于大多数OCR的方法，无需额外进行字符分割、图像处理等工作，是一种端到端的方法，可以避免图像切割等过程带来的识别误差。

技术领域

本发明属于计算机技术领域，尤其涉及一种预测模型构建方法、装置、系 统及银行卡卡号识别方法。

背景技术

线上支付已经成为大多数人的首选，而很多具有支付功能的金融机构APP 会需要用户绑定银行卡。手动地输入银行卡号在用户体验上并不是最优，而银 行卡光学字符识别(Optical Character Recognition，以下简称OCR)功能能提 供给用户一个快捷、方便的输入银行卡卡号的功能，用户只需要对着银行卡进 行扫描，即可自动识别卡号，很好的提升了用户体验。然而，传统的OCR的方 法，通常都需要预先进行字符分割及图像处理工作，获得的银行卡卡号受到银 行卡组织标记四边形、相对位置等限制，容易被图像分割等过程影响从而造成 识别误差。

发明内容

为了解决现有技术的问题，本发明提出一种预测模型构建方法、装置、系 统及银行卡卡号识别方法，本发明不同于大多数OCR的方法，无需额外进行字 符分割、图像处理等工作，是一种端到端的方法，可以避免图像切割等过程带 来的识别误差。

本发明实施例提供的具体技术方案如下：

第一方面，本发明提供一种预测模型构建方法，所述方法包括：

获取银行卡的银行卡样本图像并对所述银行卡样本图像进行计算处理以得 到候选区域；

将所述银行卡样本图像以及候选区域输入一Fast-R-CNN模型，根据预设的 分类标签、与所述分类标签对应的回归位置以及所述Fast-R-CNN模型输出的分 类预测结果、与所述分类预测结果对应的回归位置预测结果对所述Fast-R-CNN 模型进行训练，将训练后的Fast-R-CNN模型确定为预测模型。

在一些实施例中，将所述银行卡样本图像以及候选区域输入一Fast-R-CNN 模型，根据预设的分类标签、与所述分类标签对应的回归位置以及所述 Fast-R-CNN模型输出的分类预测结果、与所述分类预测结果对应的回归位置预 测结果对所述Fast-R-CNN模型进行训练，将训练后的Fast-R-CNN模型确定为 预测模型具体包括：

提取输入的所述银行卡样本图像的特征以得到特征图像；

将输入的所述候选区域映射至所述特征图像上并对所述候选区域进行池化， 得到固定大小的候选区域的特征图像；

对所述候选区域的特征图像进行分类及回归预测，得到分类预测结果、与 所述分类预测结果对应的回归位置预测结果；

根据预设的分类标签、与所述分类标签对应的回归位置以及所述分类预测 结果、与所述分类预测结果对应的回归位置预测结果对所述Fast-R-CNN模型进 行更新，将更新后的Fast-R-CNN模型确定为预测模型。

在一些实施例中，提取输入的所述银行卡的银行卡样本图像的特征以得到 特征图像包括：

提取输入的所述银行卡样本图像的特征，结合上下文特征信息，对所述银 行卡样本图像的特征进行特征增强以得到特征图像。

在一些实施例中，所述方法还包括：

对所述银行卡的银行卡样本图像进行去均值处理。