Python基于深度学习的银行卡号识别与定位系统

迷南。 2024-02-20 10:07 49阅读 0赞

[资源下载地址][Link 1]：https://download.csdn.net/download/sheziqiong/88482315  
[资源下载地址][Link 1]：https://download.csdn.net/download/sheziqiong/88482315

## 基于深度学习的银行卡号识别 ##

### 一、实现工具及平台 ###

*  Windows 10 x64
 *  Python 3.6（Anaconda）
 *  Tensorflow-gpu 1.8.0
 *  Keras 2.1.6
 *  NVIDIA GeForce GTX 1050

### 二、实现功能与方法 ###

*  卡号识别（CNN-BLSTM-CTC）
 *  卡号定位 （EAST）
 *  交互界面 （PyQt5）

### 三、使用方法 ###

*  下载源码
 *  下载模型，CRNN 提取码：6eqw， EAST 提取码：qiw5
 *  卡号识别模型放置于crnn/model（建立model文件夹），卡号定位模型放置于east/model
 *  使用PyCharm打开（或其他IDE），或者直接执行python demo.py
 *  出现GUI后即可使用（操作见下文）

### 四、功能介绍 ###

#### 卡号识别 ####

在这里因为给定的数据集都是每一个上有四个数字（有些为空格），但是所识别的最终目标——银行卡号有不定的长度。现在比较流行的解决方案是CRNN和CTC损失函数。于是我就这么做吧，CNN部分参考自VGG网络，RNN则使用的是双向LSTM（简称BLSTM），使用GRU也可以实现，可以自己试试。

这个模型不好的地方是训练。训练参数可以在crnn/cfg.py中设置（推荐使用默认设置），性能较为一般的显卡推荐使用默认设置，性能卓越的显卡可以增大BATCH\_SIZE，以加快训练速度。识别效果如下图：

![在这里插入图片描述][ab85e4c91de9405aa422981b4e08d3a0.gif_pic_center]

模型的训练方法如下：

*  python crnn/preprocess.py
 *  python crnn/run.py
 *  注1：模型训练的数据集是由子数据集（4-6个）拼凑而成的不定长度的数据，crnn/cfg.py中的MAX\_LABEL\_LENGTH用来设置数据的最大长度。这部分数据是通过运行crnn/preprocess.py生成，可以通过AUG\_NBR设置生成数据集个数。其效果如下:

![在这里插入图片描述][88e830fcb8de4cca8cdf9ad72e0690d7.png_pic_center]  
![在这里插入图片描述][9df7998868984d2bb319d1686d9dfc46.png_pic_center]

*  注2： crnn/preprocess.py直接将可训练数据分开打包到.npz文件中（文件中所容纳最大数据数量可在crnn/cfg.py中的PACK\_NBR\_MAX设置）。训练数据虽然对我们来说是透明的，但可减少训练时部分重复操作、系统所做I/O，进而增大训练速度和GPU利用率。
 *  注3：模型训练在EPOCH=10以内就已经收敛。最终loss和val\_loss值近似在1.73左右。
 *  注4：训练数据集下载链接：CRNN训练数据集 提取码:1jax
 *  注5：此模型不识别卡号中的空格

#### 卡号定位 ####

这一部分是重中之重，考虑到自己还没有能力去研究新的图像字符定位算法，就参考了许多这类算法。现在比较成功的莫过于CTPN了，其次也有Faster-RCNN，EAST，Seg-Link等等。而偏偏选用EAST的原因可能是一见钟情吧（名字好听）。  
此部分引用的是EAST的Keras实现，但此EAST并非原生的EAST，而是改进的AdvancedEAST（链接见原文Reference）。

![在这里插入图片描述][1a688f74e5844f7a9dd64e87dde386b5.png_pic_center]

这个模型特点之一就是方便训练，直观也简练。训练方法及更多原理参见原文部分。

特别值得提起的是数据集，是我自己从互联网上搜罗来的，然后还进行了标注。过程比较痛苦。面临的问题是，几百张数据可能训练不出好的模型，所以后期使用自动定位不成功的，可能原因之一就是数据集太小（我…尽力了…）。但是用于这样的小系统开发，还是有一定的使用价值。

如果你有更多的数据的话，若想进行标注。懂的同学可以标注直接标注为 ICDAR 2015的格式，不懂的同学则可以使用**dataset/tagger.py**简陋的标注器来标注，标注方法：以目标区域左上角开始，顺时针的点击物体的角点，直到最后一个点，可在数据同目录的**txt**下看到形如**x1,y1,x2,y2,x3,y3,x4,y4,\#\#\#的值\#\#\#表示忽略目标内容。如果成功标注完成，在east目录下运行python east/preprocess.py**得到形如以下形式的图像，就代表成功了。

![在这里插入图片描述][58a2931e6d734e4c8a4c94fc0737c888.png_pic_center]

模型的训练方法如下：

*  python east/preprocess.py(可选，若数据集有变更则运行)
 *  python east/run.py
 *  注1：部分参数可以在east/cfg.py中设置，推荐使用默认。
 *  注2：EAST训练数据集下载 提取码：pqba
 *  注3：最终训练下来，loss值在0.09左右。

#### 交互界面 ####

使用了Qt对Python的接口PyQt5来完成，UI设计使用QtDesigner来完成。整体效果如下：（且不说美，起码能看，中规中矩吧）

![在这里插入图片描述][6d5f0b53fd864af682e3e8ec9bff6524.png_pic_center]

除了读取（Load）和识别（Identify）两个按钮外，还有复制（Copy）和一些调整视图的按钮，旋转和缩放，基本够用了。  
把定位和识别功能都集成在了Identify按钮上，点击Load读取照片后，直接点击这个按钮就好。效果如下：

![在这里插入图片描述][4eee2565eeb142de8c4c630f48037944.gif_pic_center]

但是也想之前所述，因为训练数据的贫乏，导致部分测试数据无法定位。后期可通过增大训练数据集解决。目前自动定位失败主要集中在卡号和卡片背景颜色相近的情况，例如都偏暗，或者都偏亮。可以在定位之前，给测试数据加上若干预处理操作，如提高亮度，增加对比度等（那要如果把该有的功能都加上，那岂不是自己自制了一个Photoshop…）

![在这里插入图片描述][52a735fd0c3541019931c22f94f76dd6.gif_pic_center]

如果自动识别失败或定位效果不理想，可以启动手动定位，使用方法是：在图片显示部分鼠标双击左键，即可激活矩形选框，再进行选择就好了。（如果非要选择不是银行卡的部分，那也拿你没办法，你开心就好：）  
下面是一些手动定位操作的GIF图：

![在这里插入图片描述][540b3ceb99b94194a26f4dbe10677a3e.gif_pic_center]  
![在这里插入图片描述][cfccce7d33f3485e9448b009bff16f4a.gif_pic_center]

[资源下载地址][Link 1]：https://download.csdn.net/download/sheziqiong/88482315  
[资源下载地址][Link 1]：https://download.csdn.net/download/sheziqiong/88482315

[Link 1]: https://download.csdn.net/download/sheziqiong/88482315
[ab85e4c91de9405aa422981b4e08d3a0.gif_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/20/a47724bc06434842a3ec39db1bf44b99.png
[88e830fcb8de4cca8cdf9ad72e0690d7.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/20/a79961857a1f43348eb001745f4152ab.png
[9df7998868984d2bb319d1686d9dfc46.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/20/713be8efc94d4849bffbe59f2d6e71cc.png
[1a688f74e5844f7a9dd64e87dde386b5.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/20/614a9234bb9346ffa0853f6e911fbfbf.png
[58a2931e6d734e4c8a4c94fc0737c888.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/20/f5149a05940848f2a2c5d8c15a88729e.png
[6d5f0b53fd864af682e3e8ec9bff6524.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/20/ef8c062f19f94679a31f9440f572e50c.png
[4eee2565eeb142de8c4c630f48037944.gif_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/20/911c57c6151b441994a58cc0d244d62b.png
[52a735fd0c3541019931c22f94f76dd6.gif_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/20/ce0810323a0e4386b11c869e05ab60c2.png
[540b3ceb99b94194a26f4dbe10677a3e.gif_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/20/23f1ab0944e04360a47b2201a1ac0490.png
[cfccce7d33f3485e9448b009bff16f4a.gif_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/20/15f40214f2634a4d8ffe2b595c5b77a6.png