基于kers框架的身份證號識別算法

基于kers框架的身份證號識別算法

0基于深度學習的反思維分析作為證明中國公民身份的憑證，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)絡技術發(fā)展迅速，在圖像識別方面取得不錯的成績，尤其深度學習受到了研究者們的青睞，深度學習具有快速、準確率高等優(yōu)勢。卷積神經(jīng)網(wǎng)絡本文利用CNN中的Keras框架來實現(xiàn)身份證號碼識別。1kera的結構1.1基于非線性卷積的網(wǎng)絡篩選卷積神經(jīng)網(wǎng)絡是應用較為廣泛的一種神經(jīng)網(wǎng)絡，在圖像識別方面取得了令人滿意的效果。CNN是一個真正成功地采用多層次結構網(wǎng)絡的深度學習方法，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，即卷積核滑動到圖像上所有位置，在每個位置上與圖像做模板卷積運算。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)絡提取特征能力明顯高于第一層網(wǎng)絡，能夠提取第一層所不能提取的更復雜高階的特征卷積層的計算式為：式中K卷積核進行卷積計算(2）激勵函數(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)對網(wǎng)絡的參數(shù)有不同的影響(3）池化層池化層對提取到的特征進行采樣，使特征圖變小，降低網(wǎng)絡復雜度。池化層的運算一般有最大值池化、高斯池化、均值池化和可訓練池化。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，全連接對輸入加權求和并通過激活函數(shù)得到相應輸出。(5）輸出層對所得信息用諸如邏輯回歸（softmaxregression）的方法進行分類，需要注意選擇恰當?shù)膿p失函數(shù)。1.2kras框架Keras是一個開放源碼的高級深度學習程序庫，它的設計參考了Torch，用Python語言編寫，支持GPU和CPU，是一個高度模塊化的神經(jīng)網(wǎng)絡庫。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)絡庫，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計并更快進行模型實驗的API，代碼易讀，搭建新的網(wǎng)絡結構時能夠節(jié)約更多的時間本文基于Keras框架，以TensorFlow為后端，采用Python3.6進行程序設計，實現(xiàn)身份證號碼的識別與讀取。2預處理特點檢測為了更好地把身份證號碼區(qū)域分割出來，對待檢測身份證圖像進行了預處理根據(jù)標出的矩形框，從二值化圖像中分割出身份證號碼區(qū)域，如圖6所示。接著對身份證號碼區(qū)域圖像反轉、分割3基于keris框架的身份號碼識別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)絡訓練前，對數(shù)據(jù)集進行處理，數(shù)據(jù)集的標簽以數(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)按照交叉驗證的原則劃分數(shù)據(jù)集，其中驗證集和測試集比例分別為0.3和0.5，再對類別標簽進行one-hot編碼，對圖像的像素值進行歸一化處理。3.2損失函數(shù)的選擇完成CNN網(wǎng)絡搭建后，進行樣本訓練。本文采用SGD+momentum的優(yōu)化器進行訓練，設置batch＿size=32,nb＿epoch=13，訓練中選用categorical＿crossentropy作為損失函數(shù)。對訓練集中的140個樣本訓練13次，訓練過程中準確度和損失函數(shù)的數(shù)據(jù)如表1所示。隨著訓練次數(shù)的增加，損失函數(shù)由2.3747降到0.1247，訓練準確率由18.33%升高到98.33%，整體來看訓練準確率為99%。經(jīng)多次驗證，訓練準確率均在90%以上，所需時間短，訓練效果較好。3.3出身份證號碼運行識別程序，先讀取保存在文件夾num中分割好的字符；再調(diào)用訓練學習好的神經(jīng)網(wǎng)絡，對分割好的字符依次識別，識別過程中與數(shù)據(jù)庫中11類標簽的字符進行比對，返回結果result是待識別字符屬于每個標簽的概率，選概率大的標簽作為字符識別值；最終顯示識別出的身份證號碼。返回結果result值及識別出的身份證號碼如圖9所示。經(jīng)比較，與待檢測身份證原圖像中的身份證號碼一致，識別準確率較高。4改進網(wǎng)絡結構和參數(shù)本文在Keras框架上搭建了17層的卷積神經(jīng)網(wǎng)絡，利用該網(wǎng)絡對身份證圖像進行身份證號碼識別，操作簡單直觀，訓練和識別速度較快。對現(xiàn)有的120張身份證圖