基于YOLOv3和MobileNetv2的银行卡号识别方法

针对当前银行卡号识别易受复杂背景、环境光线等因素干扰导致识别率低、不稳定的问题,提出基于YOLOv3和MobileNetv2的银行卡号识别方法.首先预处理数据集,收集多样式银行卡图片,批量进行拉普拉斯锐化及部分图像增强处理,标注图像;然后构建YOLOv3区域分割网络结构,将已标注好的数据集输入YOLOv3网络,优化目标尺寸损失和focal loss优化置信度损失,控制迭代计算,分割字码区域,输出初步识别模型,计算初步识别结果;再构建改进后的YOLOv3网络和基础MobileNetv2网络,输入预处理数据集进行训练,输出联合识别模型,计算联合识别结果;最后比对初步识别结果和联合识别结果,输出准确率最高的结果.实验时,整合扩建中软杯与和鲸科技银行卡数据集,根据字码形态分为4种类型,分别进行定位识别及准确率对比实验.结果表明,在字码区域定位效果方面,所提方法优于传统CNN和基础YOLOv3方法;在字码识别准确率方面,所提方法在4种类型银行卡上的准确率达93.74%,93.21%,95.14%和99.10%,皆优于改进的YOLOv3和YOLOv3-MobileNetv2等方法.实验证明,所提方法可以识别复杂背景下不同字码形态的银行卡字码,克服了环境因素对卡号识别的影响,提升了识别准确率,具有良好的鲁棒性,且在设计实现的验证系统和应用平台上运行稳定、可靠.

基于支付标记化技术的电子支付信息保护方案及应用

个人信息保护是信息时代的重要命题.支付信息安全关系着银行、支付机构、商户和持卡人的切身利益.以往普遍采用的支付信息安全保护手段从一定程度上减少了信息泄露和交易欺诈的发生.为了应对日益严峻的网络安全形势,基于支付标记化技术的支付信息保护方案从根本上解决了支付信息泄露的问题,对持卡人、发卡机构、收单机构等支付产业各方都提供了便捷性和安全性的支付体验.

基于改进PCA_CNN的银行卡号识别模型

为降低图像噪声及PCA_CNN网络计算量,将彩色图像采用灰度化处理,利用Canny算子进行边缘处理,采用大津算法、轮廓提取算法完成银行卡数字区域识别,使该模型对图像的背景、光照、对比度有较强适应能力与抗干扰性。利用主成分分析法(PCA)选取卷积神经网络(CNN)模型卷积核,从而避免大量迭代造成时间及算力浪费,对Sig⁃moid激活函数进行改进使其分段单调递增,从而提高识别准确率。改进后的PCA_CNN模型识别率为98.53%,与CNN模型、传统BP神经网络、SVM模型、Bytes模型、暹罗网络模型相比,在准确率与收敛速度方面均有一定优势。实验结果表明,改进后的PCA_CNN模型可以从手机等非专业摄影设备在自然光下拍摄的银行卡照片中有效提取银行卡号。

基于Luhn算法的银行卡号正确性验证

日常工作中经常会出现银行卡号码填写错误的情况,经研究发现银行卡号遵循Luhn算法规则。通过ExcelVBA和Excel公式实现Luhn算法对银行卡号码的验证,可以避免一些打印核对等中间环节,提高工作效率。

复杂背景下银行卡号识别方法研究

针对复杂背景下的银行卡号提取及识别问题提出一种基于深度学习和传统光学字符识别(optical character recognition,OCR)方法相结合的自动提取并识别卡号的算法。算法采用改进的深度学习文本检测模型对文本内容进行检测,然后利用OCR方法对数字部分图像进行分割,最后通过改进的神经网络识别数字得到连续的银行卡号。实验结果表明,改进了卷积核的神经网络对复杂背景下的银行卡号字符识别效果有显著提升,能较好提取图像中的字符特征信息,在浅色背景数据集下准确率可达到98.87%。该系统能有效识别复杂背景下的银行卡号,平均时效约为6.3 s。

基于Sobel算子的银行卡号识别研究

随着互联网移动业务的飞速发展,银行卡越来越多的用在移动端支付,将银行卡和各种手机app进行绑定,输入银行卡号也成为了必不可少的步骤。银行卡号的自动识别技术将会使银行卡的绑定等操作过程带来极大的方便,大大提升用户体验。论文针对银行卡卡号自动识别,首先用基于Sobel的边缘检测方法提取银行卡的轮廓信息,然后对银行卡号的数字区域进行定位,最后用模板匹配法对每一个数字进行识别。