2018113682153银行卡识别模型的训练方法,银行卡识别方法以及装置.pdf

(19)中华人民共和国国家知识产权局

(12)发明专利申请

(10)申请公布号CN111199240A
(43)申请公布日2020.05.26
(21)申请号201811368215.3
(22)申请日2018.11.16
(71)申请人马上消费金融股份有限公司
地址401120重庆市渝北区黄山大道中段
52号渝兴广场B2栋4至8楼
(72)发明人沈程隆赵立军
(74)专利代理机构深圳市威世博知识产权代理
事务所(普通合伙)44280
代理人何倚雯
(51)Int.Cl.
G06K9/62(2006.01)

权利要求书2页说明书9页附图2页
(54)发明名称
银行卡识别模型的训练方法、银行卡识别方
法以及装置
(57)摘要
本申请公开了一种银行卡识别模型的训练
方法、银行卡识别方法以及装置，银行卡识别方
法包括：获取到待检测图像；通过银行卡识别模
型检测待检测图像是否为具有银联标志的银行
卡卡片图像；如果待检测图像为具有银联标志的
银行卡卡片图像，输出所述银行卡的位置信息以
及图像类别预测概率。通过上述方式，能够快速
的对银行卡进行定位与识别。
CN111199240A
CN111199240A权利要求书1/2页

1.一种银行卡识别模型的训练方法，其特征在于，所述训练方法包括：
将已标注的图像输入到深度学习回归模型中，其中，所述已标注的图像为对所述图像
中的银行卡以及银联标志的位置信息以及图像类别进行标注的图像；
通过所述深度学习回归模型对所述图像中的银行卡以及银联标志进行预测，得到所述
银行卡以及所述银联标志的预测位置信息以及图像类别预测概率；
将所述预测位置信息与所述图像的银行卡以及银联标志的标注位置信息进行比对，通
过损失函数确定对所述深度学习回归模型是否进行再训练，并得到所述银行卡识别模型，
所述银行卡识别模型为训练完成的所述深度学习回归模型。
2.一种银行卡的识别方法，其特征在于，所述识别方法基于银行卡识别模型，包括：
获取到待检测图像；
通过所述银行卡识别模型检测所述待检测图像是否为具有银联标志的银行卡卡片图
像；
如果所述待检测图像为具有银联标志的银行卡卡片图像，输出所述银行卡的位置信息
以及图像类别预测概率。
3.根据权利要求2所述的识别方法，其特征在于，所述通过所述银行卡识别模型检测所
述待检测图像是否为具有银联标志的银行卡卡片图像的步骤具体包括：
通过所述银行卡识别模型对所述待检测图像中的卡片以及银联标志进行定位，得到所
述卡片以及所述银联标志的位置信息以及图像类型预测概率；
判断所述卡片的图像类型预测概率以及所述银联标志的图像类型预测概率是否均大
于对应的概率阈值；
如果均大于所述对应的概率阈值，则确定所述待检测图像为具有银联标志的银行卡卡
片图像。
4.根据权利要求2所述的识别方法，其特征在于，所述识别方法还包括：
如果所述待检测图像为具有银联标志的银行卡卡片图像，对所述银行卡上的文字进行
识别，确定所述银行卡的卡号。
5.根据权利要求3所述的识别方法，其特征在于，所述通过所述银行卡识别模型对卡片
以及银联标志进行定位，得到所述卡片以及所述银联标志的位置信息以及图像类型预测概
率的步骤具体包括：
对所述待检测图像按照所述银行卡识别模型的设定参数进行特征提取，确定所述卡片
以及所述银联标志的中心点所在的网格；
通过所述卡片以及所述银联标志的中心点所在的网格来确定所述卡片以及所述银联
标志的预测位置信息以及图像类型预测概率。
6.根据权利要求2所述的识别方法，其特征在于，所述银行卡识别模型是通过权利要求
1所述的训练方法训练得到的。
7.一种智能装置，其特征在于，所述智能装置包括图像获取模块、检测模块以及输出模
块，
所述图像获取模块用于获取到待检测图像；
所述检测模块用于通过银行卡识别模型检测所述待检测图像是否为具有银联标志的
银行卡卡片图像；

2
CN111199240A权利要求书2/2页
所述输出模块用于输出所述银行卡的位置信息以及图像类别预测概率。
8.一种银行卡识别模型的训练装置，其特征在于，所述训练装置包括图像输入模块，预
测模块以及训练模块，
所述图像输入模块用于将已标注的图像输入到深度学习回归模型中，其中，所述已标
注的图像为对所述图像中的银行卡以及银联标志的位置信息以及图像类别进行标注的图
像；
所述预测模块用于通过所述深度学习回归模型对所述图像中的银行卡以及银联标志
进行预测，得到所述银行卡以及所述银联标志的预测位置信息以及图像类型预测概率；
所述训练模块用于将所述预测位置信息与所述图像的银行卡以及银联标志的标注位
置信息进行比对，通过损失函数确定对所述深度学习回归模型是否进行再训练，并得到所
述银行卡识别模型，所述银行卡识别模型为训练完成的所述深度学习回归模型。
9