CN114581359B 一种证件图像缺陷检测方法及装置 （航天信息股份有限公司）

A,2020.11.03A,2020.03.20A,2019.12.27A,2019.06.25A,2020.11.27用与所述缺陷类型相匹配方法检测所述证件图2截取所述普通光源下从至少一个角度采集的证件图像的刻蚀区域对在普通光源下从至少一个角度采集的证件图像进行预处理，得到去提取去除背景的证件图像分别在CMYK颜色分量下的人像若每两个颜色分量下的人像轮廓的偏差均大于设定阈值，则确定所若所述证件图像的防伪区域图像与所述第一光源对应的标准防确定UV光源下至少一个角度采集的证件图像的UV防伪区域图像；防伪区域图像与标准UV防伪图像不一致，则确定UV光源下采集的证件图像存在UV防伪缺所述第一光源包括红外线IR光源，所述确定在第一光源下采集的证件图确定IR光源下从指定方向采集的证件图像的IR所述采用与所述缺陷类型相匹配方法检测所述证件图像的缺陷状态提取去除背景的证件图像中的个人信息，基于空白证件模板，根据所述个若待检测的证件图像与标准证件图像的缺陷程度大于设定阈3若置换前后差异图像的轮廓差异大于设定阈值，则确定所将在普通光源下采集的待检测证件图像以及标准证件图像输入到已训练好的特征提基于已训练好的特征提取网络的至少一个卷积层，提取所述基于已训练好的特征提取网络的至少一个全连接层，分别对根据融合后的所述待检测证件图像的图像特征以及融合后的所述标准证件图像的图7.如权利要求6所述的方法，其特征在于，根据下列方式对所述缺陷检测网络进行训将所述多个证件图像训练样本和每个证件图像训练样本对应的预先标注的缺陷类别根据每个证件图像训练样本对应的概率以及预先标注的缺陷类别根据所述检测损失值对所述初始的缺陷检测网络的模型参数进将新缺陷类型的证件图像训练样本和错误检测的证件图像训练样本作为新的训练样缺陷检测模块，用于确定需要检测的缺陷类型，并采用与所述缺陷类截取所述普通光源下从至少一个角度采集的证件图像的刻蚀区域4所述采用与所述缺陷类型相匹配方法检测所述证件图像的缺陷状态，所对在普通光源下从至少一个角度采集的证件图像进行预处理，得到去提取去除背景的证件图像分别在CMYK颜色分量下的人像若每两个颜色分量下的人像轮廓的偏差均大于设定阈值，则确定所5[0011]本申请的上述实施例将采集的证件图像的防伪区域图像与相应光源下的标准防防伪区域图像与标准UV防伪图像不一致，则确定UV光源下采集的证件图像存在UV防伪缺[0014]第一光源包括红外线IR光源，确定在第一光源下采集的证件图像的防伪区域图6[0020]若从每个角度对应的刻蚀区域图像中提取的刻蚀信息与标准激光图像的刻蚀信[0021]本申请的上述实施例将普通光源下从至少一个角度采集的证件图像的刻蚀信息[0027]本申请的上述实施例通过从采集的证件图像中提取的个人信息生成标准证件图[0039]本申请的上述实施例通过将CMYK4个颜色分量下的人像轮廓偏差与阈值的比较，7[0045]根据融合后的待检测证件图像的图像特征以及融合后的标准证件图像的图像特[0049]将多个证件缺陷训练样本和每个证件图像训练样本对应的预先标注的缺陷类别[0053]将新缺陷类型的证件图像训练样本和错误检测的证件图像训练样本作为新的训[0055]本申请的上述实施例根据新缺陷类型的证件图像训练样本和错误检测的证件图8[0071]缺陷检测模块，用于提取去除背景的证件图像分别在CMYK颜色分量下的人像轮像的图像特征以及标准证件图像的图像特征；基于已训练好的特征提取网络的全连接层，9独构成一个完整技术方案。膜划痕等缺陷无法准确识别。在多种光源下从多个角度采集证件图像采集，采用与缺陷类型相匹配的方法检测各类缺系统以及包括上述任何系统的分布式云计算技术环算机系统/服务器可以在分布式云计算环境中实施，通过通信网络链接的远程处理设备执[0100]图1示例性示出了本申请实施例的提供的图像采集装置结使用三个相机(101_1～101_3)分别在三种光源(102_1～102_3)下从至少一个角度采集待进行图像采集和缺陷检测时使用该参数对相机进行光源下多个角度采集的证件图像中，选取出防伪图案的清晰度大于设定阈值的证件图像，采用形态学变换和仿射变换方法，确定筛选出的证件图像的UV防伪区域图像(包含UV防伪样本图像)，采用孪生网络和模版匹配方法分析比较UV防伪区域图像与标准UV防伪图像是[0112]在一些实施例中，还可从普通光源下多个角度采集的证[0113]图3示例性示出了本申请实施例提供的证件图像缺陷检测方法流程图。如图3所测到的轮廓符合指定的长宽比时，且面积在指定的面积范围内的轮廓(因为相机与证件位在内容缺失缺陷；还可根据缺失内容的面积确定缺陷程度，比如若缺失内容的面积大于[0127]图4示例性示出了本申请实施例提供的证件图像缺陷检测方法流程图。如图4所将人像轮廓图像拆分为CMYK4个颜色分量，并使用Canny边缘检测算法分别CMYK4个颜色[0152]该步骤中，理论上标准人像图像在CMYK4个颜色分量下的人像轮廓应该是重合[0154]需要说明的是，还可以按设定权重计算每两个颜色分量下的人像轮廓偏差的总据CMYK4个颜色分量下人像轮廓的偏差与阈值的比较结果，实现证件图像重影缺陷的检[0159]基于训练好的缺陷检测网络，图6示例性示出了本申请实施例提供的证件图像缺CSPDarkNet53作为骨干网络提取图像特征，使用的激活函数为Mish激活函数，相对于SSD[0173]将多个证件缺陷训练样本和每个证件图像训练样本对应的预先标注的缺陷类别缺陷类型的证件图像训练样本和错误检测的证件图像训练样本作为新的训练样本以及对[0178]需要说明的是，缺陷检测网络可部署在服务器上，配合图形处理器(Graphics[0207]内容缺失缺陷检测模块801，用于根据个人信息生成标准证件图像，使用孪生网[0208]重影缺陷检测模块802，用于对普通光源下从至少一个角度采集证件图像进行预[0209]刻蚀缺陷检测模块803，用于截取普通光源下从至少一个角度采集的证件图像的[0210]防伪缺陷检测模块804，用于对UV光源下至少一个角度采集的证件图像与标准的[0214]深度学习检测模块808，用于用深度学习算法训练的缺陷检测网络检测待检测证防伪区域图像与标准UV防伪图像不一致，则确定UV光源下采集的证件图像存在UV防伪缺[0229]若从每个角度对应的刻蚀区域图像中提取的刻蚀信息与标准激光图像的刻蚀信[0257]将多个证件缺陷训练样本和每个证件图像训练样本对应的预先标注的缺陷类别[0261]将新缺陷类型的证件图像训练样本和错误检测的证件图像训练样本作为新的训程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功[0267]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一