卷積神經(jīng)網(wǎng)絡(luò)在身份證號(hào)識(shí)別中的應(yīng)用

識(shí)別號(hào)是我們每個(gè)人的獨(dú)特標(biāo)志，在我們的日常生活中極為重要。在很多場(chǎng)合都需要將我們的身份證信息掃描或拍攝錄入電腦中,例如過(guò)關(guān)簽證,訂購(gòu)車票,賓館住宿,參加考試等。因此是否能夠高效精準(zhǔn)識(shí)別錄入電腦中的身份證圖像意義重大。1神經(jīng)網(wǎng)絡(luò)聚集1.1積極神經(jīng)網(wǎng)絡(luò)的基本內(nèi)容卷積神經(jīng)網(wǎng)絡(luò)主要用三種結(jié)構(gòu)來(lái)實(shí)現(xiàn)對(duì)輸入的局部平移不變性1.2子采樣層的生成在卷積層中,前一層的特征圖被一個(gè)可學(xué)習(xí)的卷積核進(jìn)行卷積,再通過(guò)一個(gè)激活函數(shù),就可以得到這一層的輸出特征圖。通常地,卷積層的形式如式(1)所示:l代表卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)層數(shù),k是卷積核,這里M在子采樣層中,如果有N個(gè)輸入特征圖,就有N個(gè)輸出特征圖,只是每個(gè)輸出特征圖都變小了。一般地,子采樣層的形式如式(2)所示:down(.)表示一個(gè)子采樣函數(shù)。該操作是對(duì)輸入圖像的一個(gè)n*n大小的區(qū)域進(jìn)行求和。這樣輸出圖像在兩個(gè)維度上都縮小了n倍。每個(gè)輸出特征圖都對(duì)一個(gè)乘性偏置β和一個(gè)加性偏置b。1.3網(wǎng)絡(luò)輸出算法卷積網(wǎng)絡(luò)在本質(zhì)上是一種輸入到輸出的映射,它能夠?qū)W習(xí)大量的輸入與輸出之間的映射關(guān)系,而不需要任何輸入和輸出之間精確的數(shù)學(xué)表達(dá)式,只要用已知的模式對(duì)卷積網(wǎng)絡(luò)加以訓(xùn)練,網(wǎng)絡(luò)就具有輸入輸出對(duì)之間的映射能力訓(xùn)練算法主要包括4步,這4步被分為兩個(gè)階段:第一階段,向前傳播階段:a.從樣本集中取一個(gè)樣本(X,Yp),將X輸入網(wǎng)絡(luò);b.計(jì)算相應(yīng)的實(shí)際輸出Op。在此階段,信息從輸入層經(jīng)過(guò)逐級(jí)的變換,傳送到輸出層。這個(gè)過(guò)程也是網(wǎng)絡(luò)在完成訓(xùn)練后正常運(yùn)行時(shí)執(zhí)行的過(guò)程。在此過(guò)程中,網(wǎng)絡(luò)執(zhí)行的是計(jì)算(實(shí)際上就是輸入與每層的權(quán)值矩陣相點(diǎn)乘,得到最后的輸出結(jié)果):第二階段,向后傳播階段:a.計(jì)算實(shí)際輸出Op與相應(yīng)的理想輸出Yp的差;b.按極小化誤差的方法反向傳播調(diào)整權(quán)矩陣。2復(fù)雜網(wǎng)絡(luò)難以能力結(jié)構(gòu)設(shè)計(jì)。卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)主要要考慮網(wǎng)絡(luò)層數(shù),卷積層神經(jīng)元數(shù)和子采樣層神經(jīng)元數(shù),以及最后輸出層的神經(jīng)元數(shù),因?yàn)檩敵鰧哟淼氖沁M(jìn)行識(shí)別分類的總數(shù)。卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)并不是越多越好,雖然網(wǎng)絡(luò)的層數(shù)增加,可以提高識(shí)別精度,降低誤差,但是也增加了網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度,從而增加網(wǎng)絡(luò)權(quán)值參數(shù)的訓(xùn)練時(shí)間。該卷積神經(jīng)網(wǎng)絡(luò)層數(shù)設(shè)計(jì)為7層,輸入層Input為48*48的圖像,卷積核大小為5*5,3個(gè)卷積層C1,C3,C5;2個(gè)子采樣層S2,S4;1個(gè)全連接F6和一個(gè)輸出層Output。一般地,身份證號(hào)碼通常是由0-9和“X”等11個(gè)字符組成,因此輸出層Output的神經(jīng)元數(shù)必須不少于11個(gè),否則將無(wú)法識(shí)別某些字符?？紤]到以后便于擴(kuò)展,將輸出層Output的神經(jīng)元數(shù)設(shè)置為20個(gè)。這樣卷積神經(jīng)網(wǎng)絡(luò)足以識(shí)別11個(gè)字符,足夠用于身份證號(hào)碼識(shí)別。卷積層C5的神經(jīng)元數(shù)設(shè)置為160個(gè),全連接層神經(jīng)元數(shù)為84。設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。C1,C3,C5是卷積層,通過(guò)卷積運(yùn)算,可以使原信號(hào)特征增強(qiáng),并且降低噪聲。S2,S4是子采樣層,利用圖像局部相關(guān)性的原理,對(duì)圖像進(jìn)行子抽樣,可以減少數(shù)據(jù)處理量同時(shí)保留有用信息。3實(shí)驗(yàn)?zāi)M與分析3.1真實(shí)身份證號(hào)碼根據(jù)身份證號(hào)碼是由0-9和X等11個(gè)字符組成的,因此只要圖像包含這11個(gè)字符,那么同樣可以達(dá)到相同的效果。所以不用特定收集真實(shí)的身份證號(hào)碼,有一種工具可以在線自動(dòng)生成序列號(hào),同樣只包含這11種字符,且生成的序列號(hào)和身份證號(hào)碼位數(shù)是一樣的。利用這種工具,我們得到的身份證號(hào)碼和現(xiàn)實(shí)沒(méi)有差別,都是由11個(gè)字符組成的,對(duì)于實(shí)驗(yàn)的測(cè)試沒(méi)有產(chǎn)生任何影響。因此可以代替真實(shí)的身份證號(hào)碼進(jìn)行實(shí)驗(yàn)訓(xùn)練和測(cè)試。收集到的身份證號(hào)碼圖像進(jìn)行圖像去噪處理和圖像增強(qiáng),字符分割,所有字符都?xì)w一化為48*48大小。3.2建立數(shù)據(jù)集和測(cè)試數(shù)據(jù)集利用在線生成序列號(hào)工具生成1200個(gè)數(shù)據(jù),將這些圖片上的字符歸一化為48*48大小,建立訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。其中分為兩套數(shù)據(jù),第一套800個(gè)數(shù)據(jù)用于訓(xùn)練,第二套400個(gè)數(shù)據(jù)用于測(cè)試。訓(xùn)練集和測(cè)試集是不相交的。以下是利用在線生成序列號(hào)工具收集到的一部分?jǐn)?shù)據(jù)。3.3訓(xùn)練數(shù)據(jù)識(shí)別率分析在此次實(shí)驗(yàn)中,不管是訓(xùn)練樣本還是測(cè)試樣本,隨著訓(xùn)練次數(shù)的增加,卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別率都隨著提高。訓(xùn)練數(shù)據(jù)識(shí)別率和訓(xùn)練次數(shù)關(guān)系如圖2所示:由圖3可知,隨著訓(xùn)練次數(shù)的增加,訓(xùn)練樣本的識(shí)別率也隨著提高。測(cè)試數(shù)據(jù)識(shí)別率和訓(xùn)練次數(shù)關(guān)系如圖3所示:由圖3可知,隨著訓(xùn)練次數(shù)的增加,測(cè)試樣本的識(shí)別率也隨著提高。實(shí)驗(yàn)表明,卷積神經(jīng)網(wǎng)絡(luò)對(duì)身份證號(hào)碼識(shí)別率高,具有良好的識(shí)別性能。4神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)本文進(jìn)行了卷積神經(jīng)網(wǎng)絡(luò)對(duì)身份證號(hào)碼識(shí)別的研