CN119478956A 基于ai的自动身份证切图与ocr识别方法及系统 （江苏人加信息科技有限公司）

基于AI的自动身份证切图与OCR识别方法及本发明提供一种基于AI的自动身份证切图意力姿态估计和投影矩阵优化实现图像透视校动态记忆更新网络基于时序注意力模块和对比合自注意力增强单元和上下文推理单元提升识2基于深度相机阵列，采集多角度深度图像数据和可见光图像数据将所述标准化图像数据输入双流记忆神经网络，所述双流记忆神经将多个信息子图像输入多分支特征增强网络，所述多分支特征增强基于深度相机阵列，采集多角度深度图像数据和可见光图像数据，所述深度将所述多角度深度图像数据输入三维点云配准网络，所述三维点云在所述身份证表面三维模型上提取三维特征点，并构建对描述符，基于所述加权特征描述符建立所述身份证表面三维模型与标准模板的对应关系，将所述空间姿态参数输入投影矩阵优化网络，通过残差结构预测3对所述身份证表面三维模型进行网格采样得到采样点集，计算所述基于每个所述三维特征点的局部邻域信息，根据局部曲率变化确定特征支撑域半径，将所述三维特征描述符输入空间变换网络，通过构建特征图，将所述空间编码特征输入注意力姿态估计网络，通过空间注意将所述加权特征描述符与标准模板特征进行欧氏距离计算得到将所述加权特征描述符与标准模板特征进行欧氏距离计算，得将所述特征匹配矩阵中的每个元素减去对应行的最小值，得通过对所述特征标记矩阵中的零元素进行标记，选择最小行数基于所述特征点匹配方案建立所述加权特征描述符与所述标准模板特征的一一对应4基于预设的分辨率衰减系数和通道扩展系数，按照分辨率逐渐降将所述多层级特征图分别划分为多个通道组，对每个通道组对所述第二重构特征分别在通道维度和空间维度执行多头注意力运算将所述通道加权特征与所述空间加权特征进行加权组合，得到将历史区域分割特征按照语义相似度进行在线聚类得到多个特述输入的历史区域分割特征与所述类别特征原型之间的距离大于预设阈值时在所述历史对当前帧的局部细节特征图执行非局部注意力运算，得到长程依赖特基于所述特征匹配得分、所述类内特征方差和时序距离衰减因子将所述第一特征融合权重与所述长程依赖特征图进行加权组合得到第一加权特征图，述第一加权特征图和所述第二加权特征图组合得到特对所述特征融合图施加时空平滑约束，得到目标特征图，所述时空平5将多个信息子图像输入多分支特征增强网络，将所述多个信息子图像划分为将所述特征增强图像输入上下文推理单元，所述上下文推理单元基将所述融合特征输入预训练的文字识别模型组，进行多模型集成识别适应温度系数的softmax函数对所述多组字符序列识别结果进行概率加权，得到初始文字8.基于AI的自动身份证切图与OCR识别系统，用于第二单元，用于将所述标准化图像数据输入双流记6第三单元，用于将多个信息子图像输入多分支特征化学习控制器动态调节所述自注意力增强单元的参数重新识别，直至可信度达到预设阈其中，所述处理器被配置为调用所述存储器存储的指令，以执行程序指令被处理器执行时实现权利要求1至7中任意7[0001]本发明涉及图像处理技术领域，尤其涉及一种基于AI的自动身份证切图与OCR识[0002]随着人工智能技术的快速发展，身份证信息的自动识别在多个领域得到广泛应特征增强和多模型集成识别提升字符识别效果；利用强化学习实现识别参数的动态优化，[0005]本发明实施例提供一种基于AI的自动身份证切图与OCR识别方法及系统，能够解提取主干网络和动态记忆更新网络；所述特征提取主干网络通过多尺度特征金字塔结构，8力增强单元首先提取字符区域特征分布图，基于所述特征分布图进行自适应对比[0015]在所述身份证表面三维模型上提取三维特征点，并构建[0016]将所述空间姿态参数输入投影矩阵优化网络，通过残差[0018]在所述身份证表面三维模型上提取三维特征点，并构建9[0026]将所述加权特征描述符与标准模板特征进行欧氏距离计算，得到特征相似度矩[0027]将所述特征匹配矩阵中的每个元素减去对应行的最小值[0029]基于所述特征点匹配方案建立所述加权特征描述符与所述标准模板特征的一一分割特征加权计算得到第一特征表示，所述动态更新率基于所述类内特征方差进行计算，当所述输入的历史区域分割特征与所述类别特征原型之间的距离大于预设阈值时在所述通道加权特征图分别与所述类别特征原型进行特征匹配得到第一匹配得分和第二匹配得[0042]将所述第一特征融合权重与所述长程依赖特征图进行加权组合得到第一加权特征图，将所述第二特征融合权重与所述通道加权特征图进行加权组合得到第二加权特征力增强单元首先提取字符区域特征分布图，基于所述特征分布图进行自适应对比度增强，用自适应温度系数的softmax函数对所述多组字符序列识别结果进行概率加权，得到初始注意力模块存储的历史区域分割特征字典，结合所述局部细节特征图和全局语义特征图，[0070]在一种可选的具体实施方式中，基于深度相机阵列采集[0076]S102.将所述标准化图像数据输入[0079]计算所述局部细节特征图和全局语义特征图与所述历史区域分割特征字典中各[0083]S013.将多个信息子图像输入多分[0088]在所述身份证表面三维模型上提取三维特征点，并构建[0089]将所述空间姿态参数输入投影矩阵优化网络，通过残差触发信号会同时触发8个深度相机进行图像采集，获取多角度的深度图像数据和对应的可够更精确地重建身份证表面三维模型和估计空间姿态参数，从而提高后续透视校正的精能够更有效地捕捉身份证表面三维模型的关键特征，从而提高姿态估计的精度和鲁棒性；[0109]将所述加权特征描述符与标准模板特征进行欧氏距离计算，得到特征相似度矩[0110]将所述特征匹配矩阵中的每个元素减去对应行的最小值[0112]基于所述特征点匹配方案建立所述加权特征描述符与所述标准模板特征的一一算每个特征点的加权特征描述符和标准模板特征。加权特征描述符可以包含多种特征信将第一行所有元素都减去0.5。假设第一列的最小值为0.2，则将第一列所有元素都减去如果最少行数和列数等于矩阵的阶数（即行数或列数则说明找到了一个完美的匹配方[0119]在一种可选的实施方式中，所述特征提取主干网络通过分割特征加权计算得到第一特征表示，所述动态更新率基于所述类内特征方差进行计算，当所述输入的历史区域分割特征与所述类别特征原型之间的距离大于预设阈值时在所述通道加权特征图分别与所述类别特征原型进行特征匹配得到第一匹配得分和第二匹配得[0136]将所述第一特征融合权重与所述长程依赖特征图进行加权组合得到第一加权特征图，将所述第二特征融合权重与所述通道加权特征图进行加权组合得到第二加权特征[0139]动态记忆更新网络的信息区域定位方法，用于视频中特依赖特征图和通道加权特征图分别与历史区域分割特征字典中每个类别的特征原型进行用自适应温度系数的softmax函数对所述多组字符序列识别结果进行概率加权，得到初始果及对应