房产证识别方法、装置、设备及存储介质.pdf

《房产证识别方法、装置、设备及存储介质.pdf》由会员分享，可在线阅读，更多相关《房产证识别方法、装置、设备及存储介质.pdf（15页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910047886.8 (22)申请日 2019.01.17 (71)申请人 平安城市建设科技 （深圳） 有限公司 地址 518000 广东省深圳市前海深港合作 区前湾一路1号A栋201室(入驻深圳市 前海商务秘书有限公司) (72)发明人 杨军洪明伟 (74)专利代理机构 深圳市世纪恒程知识产权代 理事务所 44287 代理人 胡海国 (51)Int.Cl. G06K 9/00(2006.01) G06K 9/62(2006.01) (54)发明名称 房产证识别方法、 装。

2、置、 设备及存储介质 (57)摘要 本发明涉及图像处理， 公开一种房产证识别 方法、 装置、 设备及存储介质， 该方法包括： 获取 待识别房产证图片， 将待识别房产证图片输入至 预设图片分类模型以获取图片分类结果； 然后根 据图片分类结果确定待识别房产证图片所属的 目标图片类型并获取对应的图片识别区域； 再根 据图片识别区域对待识别房产证图片进行图像 内容识别， 获取待识别房产证图片对应的房产证 内容。 由于本发明是通过将房产证图片输入至预 先训练好的图片分类模型中， 然后根据图片分类 结果确定图像内容识别的图片识别区域， 再基于 图片识别区域来进行图像内容识别获取房产证 内容， 进而能够有效。

3、识别解析各类型的房产证图 片内容， 为房产证内容信息的录入提供了方便。 权利要求书2页 说明书9页 附图3页 CN 109871770 A 2019.06.11 CN 109871770 A 1.一种房产证识别方法， 其特征在于， 所述方法包括： 获取待识别房产证图片， 将所述待识别房产证图片输入至预设图片分类模型以获取图 片分类结果； 根据所述图片分类结果确定所述待识别房产证图片所属的目标图片类型， 并获取所述 目标图片类型对应的图片识别区域； 根据所述图片识别区域对所述待识别房产证图片进行图像内容识别， 获取所述待识别 房产证图片对应的房产证内容。 2.如权利要求1所述的方法， 其特征在于。

4、， 所述获取待识别房产证图片， 将所述待识别 房产证图片输入至预设图片分类模型以获取图片分类结果的步骤之前， 所述方法还包括： 按预设图片类型从图片库中选取对应的房产证图片， 并根据选取的房产证图片构建模 型验证图片集和预设数量的模型训练图片集； 将各模型训练图片集中的训练图片输入至初始图片分类模型进行模型训练， 获取各模 型训练图片集对应的待验证图片分类模型； 根据所述模型验证图片集中包含的验证图片分别对所述待验证图片分类模型进行验 证， 并根据验证结果从所述待验证图片分类模型中筛选出预设图片分类模型。 3.如权利要求2所述的方法， 其特征在于， 所述验证结果包括所述待验证图片分类模型 对所。

5、述验证图片分类后的准确率和召回率； 所述根据验证结果从所述待验证图片分类模型中筛选出预设图片分类模型的步骤， 包 括： 根据所述准确率和所述召回率对各待验证图片分类模型进行评分， 获取评分结果； 根据所述评分结果从所述待验证图片分类模型中筛选出预设图片分类模型。 4.如权利要求3所述的方法， 其特征在于， 所述根据所述准确率和所述召回率对各待验 证图片分类模型进行评分， 获取评分结果的步骤， 包括： 根据所述准确率和所述召回率， 通过预设公式对各待验证图片分类模型进行评分， 获 取评分结果； 其中， 所述预设公式为： Fscore(2*precision*recall)/(precision+。

6、recall) 式中， Fscore为评分结果， precision为准确率， recall为召回率。 5.如权利要求4所述的方法， 其特征在于， 所述根据所述评分结果从所述待验证图片分 类模型中筛选出预设图片分类模型的步骤， 包括： 将所述评分结果按从高到低的顺序进行排序， 并根据排序结果将排序第一的评分结果 作为目标评分结果； 将所述目标评分结果对应的待验证图片分类模型作为预设图片分类模型。 6.如权利要求1至5任一项所述的方法， 其特征在于， 所述图片分类结果中包含所述待 识别房产证图片对应不同图片类型的图片分类概率； 所述根据所述图片分类结果确定所述待识别房产证图片所属的目标图片类型，。

7、 并获取 所述目标图片类型对应的图片识别区域的步骤， 包括： 从所述图片分类概率中选取概率最大的图片分类概率作为目标图片分类概率； 根据所述目标图片分类概率确定所述待识别房产证图片对应的目标图片类型， 在预先 权利要求书 1/2 页 2 CN 109871770 A 2 构建的映射关系表中查找所述目标图片类型对应的图片识别区域。 7.如权利要求6所述的方法， 其特征在于， 所述获取待识别房产证图片， 将所述待识别 房产证图片输入至预设图片分类模型以获取图片分类结果的步骤之前， 所述方法还包括： 接收映射构建指令， 读取所述映射构建指令中包含的待关联图片类型和所述待关联图 片类型对应的图片识别区。

8、域； 将所述待关联图片类型与所述待关联图片类型对应的图片识别区域进行关联， 并将关 联结果保存至映射关系表。 8.一种房产证识别装置， 其特征在于， 所述装置包括： 图片分类模块， 用于获取待识别房产证图片， 将所述待识别房产证图片输入至预设图 片分类模型以获取图片分类结果； 区域获取模块， 用于根据所述图片分类结果确定所述待识别房产证图片所属的目标图 片类型， 并获取所述目标图片类型对应的图片识别区域； 内容识别模块， 用于根据所述图片识别区域对所述待识别房产证图片进行图像内容识 别， 获取所述待识别房产证图片对应的房产证内容。 9.一种房产证识别设备， 其特征在于， 所述设备包括： 存储器。

9、、 处理器及存储在所述存 储器上并可在所述处理器上运行的房产证识别程序， 所述房产证识别程序配置为实现如权 利要求1至7中任一项所述的房产证识别方法的步骤。 10.一种存储介质， 其特征在于， 所述存储介质上存储有房产证识别程序， 所述房产证 识别程序被处理器执行时实现如权利要求1至7任一项所述的房产证识别方法的步骤。 权利要求书 2/2 页 3 CN 109871770 A 3 房产证识别方法、 装置、 设备及存储介质 技术领域 0001 本发明涉及图像识别技术领域， 尤其涉及一种房产证识别方法、 装置、 设备及存储 介质。 背景技术 0002 房产证(Premises Permit)是指购。

10、房者通过交易， 取得房屋的合法所有权， 可依法 对所购房屋行使占有、 使用、 收益和处分的权利的证件。 在房产交易时， 房产证是不可或缺 的证件， 尤其是在二手房交易过程中工作人员和买房者都会反复查看房产证信息， 然后将 房产证信息填写到不同订单中。 0003 然而在传统的房地产行业， 并没有任何一款产品能够做到房产证的信息采集， 房 产证信息的采集还是采用 “肉眼识别， 手动录入” 进行信息的获取； 传统的录入方式具有以 下缺点： 1.效率低下， 2.准确率低， 3.不方便数据转接。 同时， 由于房产证件在不同地域具有 不同版本的信息， 其全国的房产证种类繁多， 给识别带来不便， 因此， 有。

11、必要针对不同的房 产证特点， 设计出一种能够有效识别解析各版本房产证照片内容的方法。 0004 上述内容仅用于辅助理解本发明的技术方案， 并不代表承认上述内容是现有技 术。 发明内容 0005 本发明的主要目的在于提供了一种房产证识别方法、 装置、 设备及存储介质， 旨在 解决现有技术无法有效识别解析各版本房产证内容的技术问题。 0006 为实现上述目的， 本发明提供了一种房产证识别方法， 所述方法包括以下步骤： 0007 获取待识别房产证图片， 将所述待识别房产证图片输入至预设图片分类模型以获 取图片分类结果； 0008 根据所述图片分类结果确定所述待识别房产证图片所属的目标图片类型， 并获。

12、取 所述目标图片类型对应的图片识别区域； 0009 根据所述图片识别区域对所述待识别房产证图片进行图像内容识别， 获取所述待 识别房产证图片对应的房产证内容。 0010 优选地， 所述获取待识别房产证图片， 将所述待识别房产证图片输入至预设图片 分类模型以获取图片分类结果的步骤之前， 所述方法还包括： 0011 按预设图片类型从图片库中选取对应的房产证图片， 并根据选取的房产证图片构 建模型验证图片集和预设数量的模型训练图片集； 0012 将各模型训练图片集中的训练图片输入至初始图片分类模型进行模型训练， 获取 各模型训练图片集对应的待验证图片分类模型； 0013 根据所述模型验证图片集中包含。

13、的验证图片分别对所述待验证图片分类模型进 行验证， 并根据验证结果从所述待验证图片分类模型中筛选出预设图片分类模型。 0014 优选地， 所述验证结果包括所述待验证图片分类模型对所述验证图片分类后的准 说明书 1/9 页 4 CN 109871770 A 4 确率和召回率； 0015 所述根据验证结果从所述待验证图片分类模型中筛选出预设图片分类模型的步 骤， 包括： 0016 根据所述准确率和所述召回率对各待验证图片分类模型进行评分， 获取评分结 果； 0017 根据所述评分结果从所述待验证图片分类模型中筛选出预设图片分类模型。 0018 优选地， 所述根据所述准确率和所述召回率对各待验证图片。

14、分类模型进行评分， 获取评分结果的步骤， 包括： 0019 根据所述准确率和所述召回率， 通过预设公式对各待验证图片分类模型进行评 分， 获取评分结果； 0020 其中， 所述预设公式为： 0021 Fscore(2*precision*recall)/(precision+recall) 0022 式中， Fscore为评分结果， precision为准确率， recall为召回率。 0023 优选地， 所述根据所述评分结果从所述待验证图片分类模型中筛选出预设图片分 类模型的步骤， 包括： 0024 将所述评分结果按从高到低的顺序进行排序， 并根据排序结果将排序第一的评分 结果作为目标评分结。

15、果； 0025 将所述目标评分结果对应的待验证图片分类模型作为预设图片分类模型。 0026 优选地， 所述图片分类结果中包含所述待识别房产证图片对应不同图片类型的图 片分类概率； 0027 所述根据所述图片分类结果确定所述待识别房产证图片所属的目标图片类型， 并 获取所述目标图片类型对应的图片识别区域的步骤， 包括： 0028 从所述图片分类概率中选取概率最大的图片分类概率作为目标图片分类概率； 0029 根据所述目标图片分类概率确定所述待识别房产证图片对应的目标图片类型， 在 预先构建的映射关系表中查找所述目标图片类型对应的图片识别区域。 0030 优选地， 所述获取待识别房产证图片， 将所。

16、述待识别房产证图片输入至预设图片 分类模型以获取图片分类结果的步骤之前， 所述方法还包括： 0031 接收映射构建指令， 读取所述映射构建指令中包含的待关联图片类型和所述待关 联图片类型对应的图片识别区域； 0032 将所述待关联图片类型与所述待关联图片类型对应的图片识别区域进行关联， 并 将关联结果保存至映射关系表。 0033 此外， 为实现上述目的， 本发明还提出一种房产证识别装置， 所述装置包括： 0034 图片分类模块， 用于获取待识别房产证图片， 将所述待识别房产证图片输入至预 设图片分类模型以获取图片分类结果； 0035 区域获取模块， 用于根据所述图片分类结果确定所述待识别房产证。

17、图片所属的目 标图片类型， 并获取所述目标图片类型对应的图片识别区域； 0036 内容识别模块， 用于根据所述图片识别区域对所述待识别房产证图片进行图像内 容识别， 获取所述待识别房产证图片对应的房产证内容。 0037 此外， 为实现上述目的， 本发明还提出一种房产证识别设备， 所述设备包括： 存储 说明书 2/9 页 5 CN 109871770 A 5 器、 处理器及存储在所述存储器上并可在所述处理器上运行的房产证识别程序， 所述房产 证识别程序配置为实现如上文所述的房产证识别方法的步骤。 0038 此外， 为实现上述目的， 本发明还提出一种存储介质， 所述存储介质上存储有房产 证识别程序。

18、， 所述房产证识别程序被处理器执行时实现如上文所述的房产证识别方法的步 骤。 0039 本发明通过获取待识别房产证图片， 将待识别房产证图片输入至预设图片分类模 型以获取图片分类结果； 然后根据图片分类结果确定待识别房产证图片所属的目标图片类 型并获取对应的图片识别区域； 再根据图片识别区域对待识别房产证图片进行图像内容识 别， 获取待识别房产证图片对应的房产证内容。 由于本发明是通过将房产证图片输入至预 先训练好的图片分类模型中， 然后根据图片分类结果确定图像内容识别的图片识别区域， 再基于图片识别区域来进行图像内容识别获取房产证内容， 进而能够有效识别解析各类型 的房产证图片内容， 为房产。

19、证内容信息的录入提供了方便。 附图说明 0040 图1是本发明实施例方案涉及的硬件运行环境的房产证识别设备的结构示意图； 0041 图2为本发明房产证识别方法第一实施例的流程示意图； 0042 图3为本发明房产证识别方法第二实施例的流程示意图； 0043 图4为本发明房产证识别方法第三实施例的流程示意图； 0044 图5为本发明房产证识别装置第一实施例的结构框图。 0045 本发明目的的实现、 功能特点及优点将结合实施例， 参照附图做进一步说明。 具体实施方式 0046 应当理解， 此处所描述的具体实施例仅用以解释本发明， 并不用于限定本发明。 0047 参照图1， 图1为本发明实施例方案涉及。

20、的硬件运行环境的房产证识别设备结构示 意图。 0048 如图1所示， 该房产证识别设备可以包括： 处理器1001， 例如中央处理器(Central Processing Unit， CPU)， 通信总线1002、 用户接口1003， 网络接口1004， 存储器1005。 其中， 通信总线1002用于实现这些组件之间的连接通信。 用户接口1003可以包括显示屏 (Display)、 输入单元比如键盘(Keyboard)， 可选用户接口1003还可以包括标准的有线接 口、 无线接口。 网络接口1004可选的可以包括标准的有线接口、 无线接口(如无线保真 (WIreless-FIdelity， WI。

21、-FI)接口)。 存储器1005可以是高速的随机存取存储器(Random Access Memory， RAM)存储器， 也可以是稳定的非易失性存储器(Non-Volatile Memory， NVM)， 例如磁盘存储器。 存储器1005可选的还可以是独立于前述处理器1001的存储装置。 0049 本领域技术人员可以理解， 图1中示出的结构并不构成对房产证识别设备的限定， 可以包括比图示更多或更少的部件， 或者组合某些部件， 或者不同的部件布置。 0050 如图1所示， 作为一种存储介质的存储器1005中可以包括操作系统、 数据存储模 块、 网络通信模块、 用户接口模块以及房产证识别程序。 0。

22、051 在图1所示的房产证识别设备中， 网络接口1004主要用于与网络服务器进行数据 通信； 用户接口1003主要用于与用户进行数据交互； 本发明房产证识别设备中的处理器 说明书 3/9 页 6 CN 109871770 A 6 1001、 存储器1005可以设置在房产证识别设备中， 所述房产证识别设备通过处理器1001调 用存储器1005中存储的房产证识别程序， 并执行本发明实施例提供的房产证识别方法。 0052 本发明实施例提供了一种房产证识别方法， 参照图2， 图2为本发明房产证识别方 法第一实施例的流程示意图。 0053 本实施例中， 所述房产证识别方法包括以下步骤： 0054 步骤S。

23、10： 获取待识别房产证图片， 将所述待识别房产证图片输入至预设图片分类 模型以获取图片分类结果； 0055 需要说明的是， 本发明方法的执行主体可以是具有图像数据处理、 程序运行以及 网络通信功能的计算机或终端设备(以下简称识别终端)。 所述预设图片分类模型可以是预 先训练好的用于对房产证图片进行分类的卷积神经网络(Convolutional Neural Network， CNN)模型。 0056 进一步地， 考虑到实际应用中， 完全对一个新的CNN模型进行图片分类训练需要基 于大型图像数据库(例如ImageNet)来实现， 这种方式无疑将会耗费大量的人力物力。 因此， 本实施例中可直接基。

24、于改进的Inception模型来实现图像分类。 当然， 本实施例中改进的 Inception模型可以是根据房产证的图像特征来对Inception模型(其本质为CNN模型)进行 针对性训练后得出的模型(即所述预设图片分类模型)。 0057 可理解的是， Inception模型最后一层的输出为softmax概率值的集合， 通常情况 下某一图片类型对应的softmax概率值越高就表明该图片越可能属于这一图片类型。 例如 将房产证图片A输入至预设图片分类模型后， 获得的图片分类结果为(图片类型160， 图 片类型230， 图片类型310)， 则表明房产证图片A的图片类型大概率属于图片类型 1。 005。

25、8 在具体实现中， 识别终端在获取到当前需要进行内容识别的房产证图片时， 可将 待识别房产证图片输入至预先训练好的图片分类模型中获取图片分类结果。 0059 步骤S20： 根据所述图片分类结果确定所述待识别房产证图片所属的目标图片类 型， 并获取所述目标图片类型对应的图片识别区域； 0060 需要说明的是， 所述图片类型， 即根据房产证的地域/时段划分的图片类型， 例如 上海的老证/新证， 广州的老证/新证， 南京的新证/老证等。 0061 应理解的是， 由于不同的地域不同时段的房产证图片有可能存在较大的差异， 因 此不同的房产证图片对应的房产证信息(例如房地产权利人、 身份证名称、 身份证号。

26、码、 房 屋坐落地址、 共有情况、 登记时间、 房屋状况等)在房产证中所处的位置区域也可能不相同， 工作人员可预先根据房产证的图片类型为每一类型的房产证图片配置相应的图片识别区 域， 以便于识别终端在确定待识别房产证图片所属的图片类型后， 根据该图片类型快速的 确定对应的图片识别区域。 0062 在具体实现中， 识别终端在获取到预设图片分类模型输出的图片分类结果后， 即 可根据所述图片分类结果确定所述待识别房产证图片所属的目标图片类型， 然后获取所述 目标图片类型对应的图片识别区域。 0063 步骤S30： 根据所述图片识别区域对所述待识别房产证图片进行图像内容识别， 获 取所述待识别房产证图。

27、片对应的房产证内容。 0064 应理解的是， 所述图像内容识别(Image content recognition)是一项从图片中 说明书 4/9 页 7 CN 109871770 A 7 识别出图像内容(即事物对象)的计算机技术， 这些对象包括人物、 风景、 建筑、 物品、 设备 等。 0065 在具体实现中， 识别终端可基于确定出的图片识别区域对待识别房产证图片进行 图像内容识别， 从而获取待识别房产证图片对应的房产证内容， 然后使用获取到的房产证 内容进行后续的信息录入。 0066 本实施例通过获取待识别房产证图片， 将待识别房产证图片输入至预设图片分类 模型以获取图片分类结果； 然后根。

28、据图片分类结果确定待识别房产证图片所属的目标图片 类型并获取对应的图片识别区域； 再根据图片识别区域对待识别房产证图片进行图像内容 识别， 获取待识别房产证图片对应的房产证内容。 由于本实施例是通过将房产证图片输入 至预先训练好的图片分类模型中， 然后根据图片分类结果确定图像内容识别的图片识别区 域， 再基于图片识别区域来进行图像内容识别获取房产证内容， 进而能够有效识别解析各 类型的房产证图片内容， 为房产证内容信息的录入提供了方便。 0067 参考图3， 图3为本发明房产证识别方法第二实施例的流程示意图。 0068 基于上述第一实施例， 在本实施例中， 所述步骤S10之前， 所述方法还包括。

29、： 0069 步骤S01： 按预设图片类型从图片库中选取对应的房产证图片， 并根据选取的房产 证图片构建模型验证图片集和预设数量的模型训练图片集； 0070 应理解的是， 所述图片库中预先存放有大量不同地域不同时段的房产证图片。 所 述模型训练图片集有多个， 且每个模型训练图片集中每种类型的房产证图片的数量相同， 但各模型训练图片集之间房产证图片数量不同， 例如第一模型训练图片集中上海的新证/ 老证、 广州的新证/老证各1000张， 第二模型训练图片集中上海的新证/老证、 广州的新证/ 老证各2000张。 0071 此外， 本实施例中模型验证图片集的数量优选为一个， 且所述模型验证图片集中 包。

30、含了所有类型的房产证图片且数量相同， 例如500张上海的新证， 500张上海的老证， 500 张广州的新证， 500张广州的老证等。 0072 在具体实现中， 识别终端可根据预设图片类型从图片库中分别挑选不同数量不同 类型的房产证图片构建模型验证图片集和模型训练图片集。 0073 步骤S02： 将各模型训练图片集中的训练图片输入至初始图片分类模型进行模型 训练， 获取各模型训练图片集对应的待验证图片分类模型； 0074 需要说明的是， 所述初始图片分类模型可以是CNN模型， 也可以是采用上述实施例 中所述的Inception模型。 0075 在具体实现中， 识别终端可从模型训练图片集中读取不同。

31、类型的房产证图片， 然 后将读取到的图片依次输入到Inception模型中进行模型训练， 获取每一个模型训练图片 集对应的待验证图片分类模型。 其中， 所述待验证图片分类模型的数量与所述模型训练图 片集的数量相同。 0076 步骤S03： 根据所述模型验证图片集中包含的验证图片分别对所述待验证图片分 类模型进行验证， 并根据验证结果从所述待验证图片分类模型中筛选出预设图片分类模 型。 0077 可理解的是， 为保证模型训练结果的准确性， 识别终端可从模型验证图片集中随 机选取验证图片， 然后将选取的图片分别输入到所述待验证图片分类模型中进行验证， 并 说明书 5/9 页 8 CN 109871。

32、770 A 8 获取验证结果。 0078 进一步地， 本实施例中验证结果包括待验证图片分类模型对模型验证图片集中的 验证图片分类后的准确率和召回率。 应理解的是， 在信息检索、 分类、 识别、 翻译等领域两个 最基本指标是召回率(Recall Rate)和准确率(Precision Rate)， 召回率也叫查全率， 准确 率也叫查准率。 0079 在具体实现中， 识别终端可根据验证结果中的所述准确率和所述召回率对各待验 证图片分类模型进行评分获取评分结果， 然后再根据所述评分结果从所述待验证图片分类 模型中筛选出预设图片分类模型。 0080 考虑到实际情况下， 召回率和准确率是此消彼长、 难以。

33、兼顾的， 本实施例考虑采用 一个能够综合两种指标的数学公式来衡量待验证图片分类模型的优劣。 具体的， 识别终端 可根据所述准确率和所述召回率， 通过预设公式对各待验证图片分类模型进行评分， 获取 评分结果； 其中， 所述预设公式为： 0081 Fscore(2*precision*recall)/(precision+recall) 0082 式中， Fscore为评分结果， precision为准确率， recall为召回率。 0083 需要说明的是， 上述公式中Fscore既不是算术平均值， 也不是几何平均值， 可以理解 为几何平均值的平方除以算术平均值。 0084 在具体实现中， 识别终。

34、端在根据上述预设公式计算出各待验证图片分类模型对应 的评分结果后， 还可将所述评分结果按从高到低的顺序进行排序， 并根据排序结果将排序 第一的评分结果作为目标评分结果； 将所述目标评分结果对应的待验证图片分类模型作为 预设图片分类模型。 例如， 识别终端计算出的待验证图片分类模型a、 b、 c分别对应的评分结 果为98.8、 99.1、 97.9， 经过从高到低的顺序排序后得知排序第一的评分结果为 99.1， 从而可以确定出最优的待验证图片分类模型为待验证图片分类模型b， 此时即可将 待验证图片分类模型b作为所述预设图片分类模型。 0085 本实施例通过模型训练图片集对初始图片分类模型进行模型。

35、训练， 然后通过模型 验证图片集对训练后的待验证图片分类模型进行验证， 再根据验证结果筛选出最优的预设 图片分类模型， 保证了用于房产证图片分类的模型的准确性。 0086 参考图4， 图4为本发明房产证识别方法第三实施例的流程示意图。 0087 基于上述各实施例， 本实施例中所述图片分类结果中包含所述待识别房产证图片 对应不同图片类型的图片分类概率； 0088 相应地， 所述步骤S20可具体包括： 0089 步骤S201： 从所述图片分类概率中选取概率最大的图片分类概率作为目标图片分 类概率； 0090 应理解的是， 所有的Inception模型最后一层的输出为softmax概率值集合(即所 。

36、有图片分类概率的集合， 且所有的概率值的和为100)。 通常情况下， Inception模型只取 概率值靠前的前5位进行分类结果显示。 例如向Inception模型输入一张 “美洲豹” 的图片， 经Inception模型分类计算后， 最终获得概率值集合为(leopard “美洲豹” 70、 cheetah “猎豹” 18、 jaguar “美洲虎” 3、 snow leopard “雪豹” 1)， 此时即可从所述图片 分类概率中选取概率最大的图片分类概率 “70” 作为目标图片分类概率， 然后再根据该目 标图片分类概率确定图片类型。 说明书 6/9 页 9 CN 109871770 A 9 0。

37、091 在本步骤中， 识别终端可从图片分类结果中获取待识别房产证图片的图片分类概 率集合， 然后根据该集合从中选取概率最大的图片分类概率作为目标图片分类概率。 0092 步骤S202： 根据所述目标图片分类概率确定所述待识别房产证图片对应的目标图 片类型， 在预先构建的映射关系表中查找所述目标图片类型对应的图片识别区域。 0093 需要说明的是， 在执行本步骤之前， 本实施例房产证识别方法还包括： 接收映射构 建指令， 读取所述映射构建指令中包含的待关联图片类型和所述待关联图片类型对应的图 片识别区域； 将所述待关联图片类型与所述待关联图片类型对应的图片识别区域进行关 联， 并将关联结果保存至。

38、映射关系表。 0094 应理解的是， 不同类型的房产证图片对应的图片识别区域不同， 为提高房产证的 识别效率， 本实施例中工作人员可预先通过识别终端将每一类型的房产证图片对应的特征 区域与图片类型进行关联， 例如将北京的新证和北京的新证对应的图片识别区域进行关 联， 然后将关联结果保存至映射关系表， 以使识别终端在确定出待识别房产证图片对应的 图片类型时， 根据该映射关系表查找对应的图片识别区域。 0095 在具体实现中， 识别终端根据选取出的目标图片分类概率确定所述待识别房产证 图片对应的目标图片类型， 然后在预先构建的映射关系表中查找所述目标图片类型对应的 图片识别区域， 以便后续根据图片。

39、识别区域对待识别房产证图片进行图像内容识别。 0096 本实施例通过从图片分类结果包含的图片分类概率中选取概率最大的图片分类 概率作为目标图片分类概率； 然后根据目标图片分类概率确定待识别房产证图片对应的目 标图片类型， 在预先构建的映射关系表中查找目标图片类型对应的图片识别区域， 简化了 房产证识别流程， 提高了识别效率。 0097 此外， 本发明实施例还提出一种存储介质， 所述存储介质上存储有房产证识别程 序， 所述房产证识别程序被处理器执行时实现如上文所述的房产证识别方法的步骤。 0098 参照图5， 图5为本发明房产证识别装置第一实施例的结构框图。 0099 如图5所示， 本发明实施例。

40、提出的房产证识别装置包括： 0100 图片分类模块501， 用于获取待识别房产证图片， 将所述待识别房产证图片输入至 预设图片分类模型以获取图片分类结果； 0101 区域获取模块502， 用于根据所述图片分类结果确定所述待识别房产证图片所属 的目标图片类型， 并获取所述目标图片类型对应的图片识别区域； 0102 内容识别模块503， 用于根据所述图片识别区域对所述待识别房产证图片进行图 像内容识别， 获取所述待识别房产证图片对应的房产证内容。 0103 本实施例通过获取待识别房产证图片， 将待识别房产证图片输入至预设图片分类 模型以获取图片分类结果； 然后根据图片分类结果确定待识别房产证图片所。

41、属的目标图片 类型并获取对应的图片识别区域； 再根据图片识别区域对待识别房产证图片进行图像内容 识别， 获取待识别房产证图片对应的房产证内容。 由于本实施例是通过将房产证图片输入 至预先训练好的图片分类模型中， 然后根据图片分类结果确定图像内容识别的图片识别区 域， 再基于图片识别区域来进行图像内容识别获取房产证内容， 进而能够有效识别解析各 类型的房产证图片内容， 为房产证内容信息的录入提供了方便。 0104 基于本发明上述房产证识别装置第一实施例， 提出本发明房产证识别装置的第二 实施例。 说明书 7/9 页 10 CN 109871770 A 10 0105 在本实施例中， 所述房产证识。

42、别装置还包括模型训练模块， 所述模型训练模块， 用 于按预设图片类型从图片库中选取对应的房产证图片， 并根据选取的房产证图片构建模型 验证图片集和预设数量的模型训练图片集； 将各模型训练图片集中的训练图片输入至初始 图片分类模型进行模型训练， 获取各模型训练图片集对应的待验证图片分类模型； 根据所 述模型验证图片集中包含的验证图片分别对所述待验证图片分类模型进行验证， 并根据验 证结果从所述待验证图片分类模型中筛选出预设图片分类模型。 0106 进一步地， 所述模型训练模块， 还用于根据所述准确率和所述召回率对各待验证 图片分类模型进行评分， 获取评分结果； 根据所述评分结果从所述待验证图片分。

43、类模型中 筛选出预设图片分类模型。 0107 进一步地， 所述模型训练模块， 还用于根据所述准确率和所述召回率， 通过预设公 式对各待验证图片分类模型进行评分， 获取评分结果； 其中， 所述预设公式为： 0108 Fscore(2*precision*recall)/(precision+recall) 0109 式中， Fscore为评分结果， precision为准确率， recall为召回率。 0110 进一步地， 所述模型训练模块， 还用于将所述评分结果按从高到低的顺序进行排 序， 并根据排序结果将排序第一的评分结果作为目标评分结果； 将所述目标评分结果对应 的待验证图片分类模型作为预。

44、设图片分类模型。 0111 进一步地， 所述区域获取模块502， 还用于从所述图片分类概率中选取概率最大的 图片分类概率作为目标图片分类概率； 根据所述目标图片分类概率确定所述待识别房产证 图片对应的目标图片类型， 在预先构建的映射关系表中查找所述目标图片类型对应的图片 识别区域。 0112 进一步地， 所述房产证识别装置还包括映射构建模块， 所述映射构建模块， 用于接 收映射构建指令， 读取所述映射构建指令中包含的待关联图片类型和所述待关联图片类型 对应的图片识别区域； 将所述待关联图片类型与所述待关联图片类型对应的图片识别区域 进行关联， 并将关联结果保存至映射关系表。 0113 本发明房。

45、产证识别装置的其他实施例或具体实现方式可参照上述各方法实施例， 此处不再赘述。 0114 需要说明的是， 在本文中， 术语 “包括” 、“包含” 或者其任何其他变体意在涵盖非排 他性的包含， 从而使得包括一系列要素的过程、 方法、 物品或者系统不仅包括那些要素， 而 且还包括没有明确列出的其他要素， 或者是还包括为这种过程、 方法、 物品或者系统所固有 的要素。 在没有更多限制的情况下， 由语句 “包括一个” 限定的要素， 并不排除在包括该 要素的过程、 方法、 物品或者系统中还存在另外的相同要素。 0115 上述本发明实施例序号仅仅为了描述， 不代表实施例的优劣。 0116 通过以上的实施方。

46、式的描述， 本领域的技术人员可以清楚地了解到上述实施例方 法可借助软件加必需的通用硬件平台的方式来实现， 当然也可以通过硬件， 但很多情况下 前者是更佳的实施方式。 基于这样的理解， 本发明的技术方案本质上或者说对现有技术做 出贡献的部分可以以软件产品的形式体现出来， 该计算机软件产品存储在一个存储介质 (如只读存储器/随机存取存储器、 磁碟、 光盘)中， 包括若干指令用以使得一台终端设备(可 以是手机， 计算机， 服务器， 空调器， 或者网络设备等)执行本发明各个实施例所述的方法。 0117 以上仅为本发明的优选实施例， 并非因此限制本发明的专利范围， 凡是利用本发 说明书 8/9 页 11 CN 109871770 A 11 明说明书及附图内容所作的等效结构或等效流程变换， 或直接或间接运用在其他相关的技 术领域， 均同理包括在本发明的专利保护范围内。 说明书 9/9 页 12 CN 109871770 A 12 图1 图2 说明书附图 1/3 页 13 CN 109871770 A 13 图3 图4 说明书附图 2/3 页 14 CN 109871770 A 14 图5 说明书附图 3/3 页 15 CN 109871770 A 15 。