基于kers框架的身份證號(hào)識(shí)別算法

基于kers框架的身份證號(hào)識(shí)別算法

0基于深度學(xué)習(xí)的反思維分析作為證明中國(guó)公民身份的憑證，第二代證書包括證書人的出生日期、出生日期和其他信息。近年來，神經(jīng)網(wǎng)絡(luò)技術(shù)發(fā)展迅速，在圖像識(shí)別方面取得不錯(cuò)的成績(jī)，尤其深度學(xué)習(xí)受到了研究者們的青睞，深度學(xué)習(xí)具有快速、準(zhǔn)確率高等優(yōu)勢(shì)。卷積神經(jīng)網(wǎng)絡(luò)本文利用CNN中的Keras框架來實(shí)現(xiàn)身份證號(hào)碼識(shí)別。1kera的結(jié)構(gòu)1.1基于非線性卷積的網(wǎng)絡(luò)篩選卷積神經(jīng)網(wǎng)絡(luò)是應(yīng)用較為廣泛的一種神經(jīng)網(wǎng)絡(luò)，在圖像識(shí)別方面取得了令人滿意的效果。CNN是一個(gè)真正成功地采用多層次結(jié)構(gòu)網(wǎng)絡(luò)的深度學(xué)習(xí)方法，除了輸入輸出層外、一般還包括卷積層、激活函數(shù)、池化層、全連接層(1）卷積層卷積層是指卷積核與圖像做卷積操作，即卷積核滑動(dòng)到圖像上所有位置，在每個(gè)位置上與圖像做模板卷積運(yùn)算。每層卷積層可生成一組特征圖，其中第一層卷積層可能只能提取一些邊緣、線條等低階特征，而之后各卷積的網(wǎng)絡(luò)提取特征能力明顯高于第一層網(wǎng)絡(luò)，能夠提取第一層所不能提取的更復(fù)雜高階的特征卷積層的計(jì)算式為：式中K卷積核進(jìn)行卷積計(jì)算(2）激勵(lì)函數(shù)由于樣本不一定是線性可分的，因此用激活函數(shù)來加入非線性因素，以克服線性模型的不足。在通常情況下，使用非線性卷積函數(shù)作為激活函數(shù)，不同的非線性函數(shù)對(duì)網(wǎng)絡(luò)的參數(shù)有不同的影響(3）池化層池化層對(duì)提取到的特征進(jìn)行采樣，使特征圖變小，降低網(wǎng)絡(luò)復(fù)雜度。池化層的運(yùn)算一般有最大值池化、高斯池化、均值池化和可訓(xùn)練池化。本文選擇最大值池化(4）全連接層全連接層是經(jīng)過多個(gè)卷積、池化層后的一層。全連接層能夠?qū)η懊鎺讓拥臄?shù)據(jù)進(jìn)行整合，用適合的函數(shù)提升自身性能。前一層的所有激活數(shù)據(jù)都是全連接層的輸入，全連接對(duì)輸入加權(quán)求和并通過激活函數(shù)得到相應(yīng)輸出。(5）輸出層對(duì)所得信息用諸如邏輯回歸（softmaxregression）的方法進(jìn)行分類，需要注意選擇恰當(dāng)?shù)膿p失函數(shù)。1.2kras框架Keras是一個(gè)開放源碼的高級(jí)深度學(xué)習(xí)程序庫(kù)，它的設(shè)計(jì)參考了Torch，用Python語言編寫，支持GPU和CPU，是一個(gè)高度模塊化的神經(jīng)網(wǎng)絡(luò)庫(kù)。目前Keras提供了Theano與TensorFlow兩種后端引擎。Keras框架是用Python語言編寫的高度模塊化的神經(jīng)網(wǎng)絡(luò)庫(kù)，支持GPU和CPU。Keras框架與Tensorflow比較，Keras提供了可以讓用戶更專注于模型設(shè)計(jì)并更快進(jìn)行模型實(shí)驗(yàn)的API，代碼易讀，搭建新的網(wǎng)絡(luò)結(jié)構(gòu)時(shí)能夠節(jié)約更多的時(shí)間本文基于Keras框架，以TensorFlow為后端，采用Python3.6進(jìn)行程序設(shè)計(jì)，實(shí)現(xiàn)身份證號(hào)碼的識(shí)別與讀取。2預(yù)處理特點(diǎn)檢測(cè)為了更好地把身份證號(hào)碼區(qū)域分割出來，對(duì)待檢測(cè)身份證圖像進(jìn)行了預(yù)處理根據(jù)標(biāo)出的矩形框，從二值化圖像中分割出身份證號(hào)碼區(qū)域，如圖6所示。接著對(duì)身份證號(hào)碼區(qū)域圖像反轉(zhuǎn)、分割3基于keris框架的身份號(hào)碼識(shí)別3.1數(shù)字身份本文采用Keras框架的Sequential順序模型搭建17層卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練前，對(duì)數(shù)據(jù)集進(jìn)行處理，數(shù)據(jù)集的標(biāo)簽以數(shù)字0-10命名，其中10代表字符X。先加載數(shù)據(jù)集，調(diào)用train＿test＿split（）函數(shù)按照交叉驗(yàn)證的原則劃分?jǐn)?shù)據(jù)集，其中驗(yàn)證集和測(cè)試集比例分別為0.3和0.5，再對(duì)類別標(biāo)簽進(jìn)行one-hot編碼，對(duì)圖像的像素值進(jìn)行歸一化處理。3.2損失函數(shù)的選擇完成CNN網(wǎng)絡(luò)搭建后，進(jìn)行樣本訓(xùn)練。本文采用SGD+momentum的優(yōu)化器進(jìn)行訓(xùn)練，設(shè)置batch＿size=32,nb＿epoch=13，訓(xùn)練中選用categorical＿crossentropy作為損失函數(shù)。對(duì)訓(xùn)練集中的140個(gè)樣本訓(xùn)練13次，訓(xùn)練過程中準(zhǔn)確度和損失函數(shù)的數(shù)據(jù)如表1所示。隨著訓(xùn)練次數(shù)的增加，損失函數(shù)由2.3747降到0.1247，訓(xùn)練準(zhǔn)確率由18.33%升高到98.33%，整體來看訓(xùn)練準(zhǔn)確率為99%。經(jīng)多次驗(yàn)證，訓(xùn)練準(zhǔn)確率均在90%以上，所需時(shí)間短，訓(xùn)練效果較好。3.3出身份證號(hào)碼運(yùn)行識(shí)別程序，先讀取保存在文件夾num中分割好的字符；再調(diào)用訓(xùn)練學(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)，對(duì)分割好的字符依次識(shí)別，識(shí)別過程中與數(shù)據(jù)庫(kù)中11類標(biāo)簽的字符進(jìn)行比對(duì)，返回結(jié)果result是待識(shí)別字符屬于每個(gè)標(biāo)簽的概率，選概率大的標(biāo)簽作為字符識(shí)別值；最終顯示識(shí)別出的身份證號(hào)碼。返回結(jié)果result值及識(shí)別出的身份證號(hào)碼如圖9所示。經(jīng)比較，與待檢測(cè)身份證原圖像中的身份證號(hào)碼一致，識(shí)別準(zhǔn)確率較高。4改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)本文在Keras框架上搭建了17層的卷積神經(jīng)網(wǎng)絡(luò)，利用該網(wǎng)絡(luò)對(duì)身份證圖像進(jìn)行身份證號(hào)碼識(shí)別，操作簡(jiǎn)單直觀，訓(xùn)練和識(shí)別速度較快。對(duì)現(xiàn)有的120張身份證圖