深度學習在身份證字符識別中的應用研究

胡胤 黃啟權 廣東工業大學自動化學院

1 引言

受CNN模型成功應用于手寫數字識別、交通信號識別及人臉識別等的啟發，本文將漢字特征提取和特征降維過程相結合，提出一種基于CNN的漢字識別方法和另外一種成熟的基于CNN的數字識別方法應用到身份證識別中。

隨著互聯網的發展，需要網絡實名認證的場景越來越多。當人們在享受互聯網帶來便利的同時，卻不得不考慮到個人信息的甄別問題。將深度學習應用在字符識別場景中，能夠快速準確的識別出數字和字符，也為錄入身份證、行駛證、駕駛證等證件信息提供了便利。

2 了解 CNN

卷積神經網絡類似于一般的神經網絡，由可學習的權重和誤差組成，每 一個神經元接受一些輸入，完成一些非線性的操作。整個神經網絡完成了一個可微的打分函數，從圖像點到分類得分。在全連接或者最后一層他們也有一個損失函數。

卷積神經網絡通常包含以下幾層：

卷積層（Convolutional layer），卷積神經網路中每層卷積層由若干卷積單元組成，每個卷積單元的參數都是通過反向傳播算法優化得到的。卷積運算的目的是提取輸入的不同特征，第一層卷積層可能只能提取一些低級的特征如邊緣、線條和角等層級，更多層的網絡能從低級特征中提取更復雜的特征。

線 性 整 流 層（Rectified Linear Units layer， ReLU layer），這一層神經的活性化函數（Activation function）使用線性整流（Rectified Linear Units， ReLU）f(x)=max(0，x)。

池化層（Pooling layer），通常在卷積層之后會得到維度很大的特征，將特征切成幾個區域，取其最大值或平均值，得到新的、維度較小的特征。

全連接層（Fully-Connected layer），把所有局部特征結合變成全局特征，用來計算最后每一類的得分。

以下是一個簡單的LeNet-5卷積神經網絡模型：

圖1 LeNet-5網絡模型

3 獲取訓練數據

3.1 阿拉伯數字

數字0～9一共分為10類，考慮類別少的因素，用MATLAB腳本生成數字數據時候使用二值圖片，像素為48*48大小，對文字圖片做隨機旋轉、隨機裁剪、隨機腐蝕膨脹核腐蝕膨脹、隨機resize處理。

3.2 中文漢字

GB2312標準共收錄6763個常用漢字，使用覆蓋率在99.75%以上。用身份證的底色隨機剪切作為訓練圖片的底色，然后用opencv生成隨機底色、隨機旋轉、隨機裁剪、隨機腐蝕膨脹核腐蝕膨脹、隨機resize，隨機模糊噪點圖片等作為訓練數據。

圖2 訓練底色圖

圖3 訓練數據

4 卷積網絡訓練模型

Google Inception Net首次出現在ILSVRC 2014的比賽中，以較大優勢取得了第一名。那屆比賽中的Inception Net通常被稱為Inception V1，它最大的特點是控制了計算量和參數量的同時，獲得了非常好的分類性能——top-5錯誤率6.67%。

本文在GoogleNet的基礎上結合本文任務進行了網絡結構改造，改造后的網絡模型IDNet如圖所示：

圖4 IDNet網絡模型結構

5 結論

訓練使用GTX1080設備，數字和漢字訓練都使用48*48的原始圖片，crop_size為45*45的網絡訓練圖片。

漢字訓練圖片為超參數學習率設為0.01，最大迭代次數設為30萬次，batch_size設為128，stepsize設為100000，訓練所用時間花費9個多小時，測試集使用一萬張剪切的真實字符數據，最后測試得到的數字識別的正確率為99.91%，漢字識別的的正確率為99.82%。

[1]孫華，張航.字識別方法綜述[J].Computer Engineering，2010，36(20).

[2]王有旺.深度學習及其在手寫漢字識別中的應用研究[D].華南理工大學，2014.

[3]嚴曲.身份證識別系統的原理及算法研究[D].中南大學.2005.3

[4]倪桂博.印刷體文字識別技術的研究[D].華北電力大學.2008

[5]Romero R D，Touretzky D，Thibadeaun R H.Optical Chinese character recognition using probabilistic neural networks[J].Pattern Recognition，1997，30(8)：127-129．

[6]Liu C L，Sako H，Fujisawa H.Handwritten Chinese Character Recognition：

Alternatives to Nonlinear Normalization[C].ICDAR. 2003， 3：524-528.