[发明专利]一种基于深度神经网络的票据数量识别方法及系统

权利要求书

1.一种基于深度神经网络的票据数量识别方法，其特征在于，所述方法包括：

获取多组不同的混合票据中每组混合票据对应的混拍票据原始图像，并对获取的每个混拍票据原始图像进行预处理，以获取每个混拍票据原始图像对应的混拍票据处理图像；

基于深度神经网络构建一维卷积票据分类OCTC模型，并利用获取的每个混拍票据处理图像对所述OCTC模型进行训练，以确定OCTC最优模型；

获取待测的混拍票据原始图像，并对所述待测的混拍票据原始图像进行处理，以获取待测的混拍票据处理图像；

利用所述OCTC最优模型对所述待测的混拍票据处理图像进行票据数量识别，以获取票据数量识别结果。

2.根据权利要求1所述的方法，其特征在于，所述混合票据的类型包括：增值税发票、火车票、定额票、营业执照、卷票、身份证、出租车票、机动车销售和航空行程单。

3.根据权利要求1所述的方法，其特征在于，所述方法利用如下方式对混拍票据原始图像进行预处理，以获取与混拍票据原始图像对应的混拍票据处理图像，包括：

对混拍票据原始图像依次进行灰度化处理、二值化处理、归一化处理和二维图像映射一维数据处理，以获取与混拍票据原始图像对应的混拍票据处理图像。

4.根据权利要求3所述的方法，其特征在于，所述归一化处理和二维图像映射一维数据处理，包括：

其中，X_i,j为混拍票据原始图像的原像素值，μ_i为混拍票据原始图像中行像素值的均值，σ_i为对应的方差，为按行归一化后的像素值；将归一化后的像素累加得到映射后的一维行向量，即一维映射数据

5.根据权利要求1所述的方法，其特征在于，所述一维卷积票据分类OCTC模型，包括：三个卷积层、三个最大池化层、两个全连接层和一个softmax层；其中，每层使用五种卷积核分别对输入数据进行计算，以获取卷积特征图像数据，各层卷积核的个数分别为[64,128,256]；采用两层全连接神经网络的结构实现混拍票据数量的识别分类，两个全连接层的神经元个数为[512,128]，利用第一个全连接层对卷积层计算得到的特征图像数据进行线性整合，并利用ReLU激活函数进行非线性转换，利用第二个全连接层进行高维特征的计算；最后通过softmax层激活函数预测图像类别概率，并返回当前图片中的票据数量结果。

6.一种基于深度神经网络的票据数量识别系统，其特征在于，所述系统包括：

第一数据处理单元，用于获取多组不同的混合票据中每组混合票据对应的混拍票据原始图像，并对获取的每个混拍票据原始图像进行预处理，以获取每个混拍票据原始图像对应的混拍票据处理图像；

最优模型确定单元，用于基于深度神经网络构建一维卷积票据分类OCTC模型，并利用获取的每个混拍票据处理图像对所述OCTC模型进行训练，以确定OCTC最优模型；

第二数据处理单元，用于获取待测的混拍票据原始图像，并对所述待测的混拍票据原始图像进行处理，以获取待测的混拍票据处理图像；

票据数量识别单元，用于利用所述OCTC最优模型对所述待测的混拍票据处理图像进行票据数量识别，以获取票据数量识别结果。

7.根据权利要求6所述的系统，其特征在于，所述混合票据的类型包括：增值税发票、火车票、定额票、营业执照、卷票、身份证、出租车票、机动车销售和航空行程单。

8.根据权利要求6所述的系统，其特征在于，所述第一数据处理单元和第二数据处理单元，利用如下方式对混拍票据原始图像进行预处理，以获取与混拍票据原始图像对应的混拍票据处理图像，包括：

对混拍票据原始图像依次进行灰度化处理、二值化处理、归一化处理和二维图像映射一维数据处理，以获取与混拍票据原始图像对应的混拍票据处理图像。