Advertisement

Card-CRNN-CTPN：结合CTPN和CRNN的银行卡号识别（基于约90%的数据测试图片）

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本研究提出了一种结合CTPN与CRNN技术的新型银行卡号识别模型Card-CRNN-CTPN，针对近90%数据集中的测试图像进行效果验证。 更多问题参考HOW TO USE setup环境配置： Ubuntu 18.04 + CUDA 8.0.61 + GeForce GTX 960M + NVIDIA Driver 430.14 + Python3.6 + Tensorflow-gpu git clone https://github.com/bay1/card-crnn-ctpn.git python3 -m virtualenv venv source venv/bin/activate # 激活虚拟环境 pip install -r requirements.txt some-package # 安装项目依赖，指定清华源 配置warpctc-pytorch项目中用到了，需要我们手动安装。注意这里的命令需要在Python虚拟环境中执行。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Card-CRNN-CTPN：结合CTPN和CRNN的银行卡号识别（基于约90%的数据测试图片）
    优质
    本研究提出了一种结合CTPN与CRNN技术的新型银行卡号识别模型Card-CRNN-CTPN，针对近90%数据集中的测试图像进行效果验证。 更多问题参考HOW TO USE setup环境配置： Ubuntu 18.04 + CUDA 8.0.61 + GeForce GTX 960M + NVIDIA Driver 430.14 + Python3.6 + Tensorflow-gpu git clone https://github.com/bay1/card-crnn-ctpn.git python3 -m virtualenv venv source venv/bin/activate # 激活虚拟环境 pip install -r requirements.txt some-package # 安装项目依赖，指定清华源 配置warpctc-pytorch项目中用到了，需要我们手动安装。注意这里的命令需要在Python虚拟环境中执行。
     
  • 银行卡号识别系统BankCardOCR：采用CTPN与CRNN技术的源码实现
    优质
    简介：BankCardOCR是一款高效的银行卡号识别系统，运用了CTPN和CRNN先进技术，能够准确提取图像中的卡号信息，并提供完整源代码供开发者参考学习。 银行卡OCR基于CTPN和CRNN实现的银行卡号识别系统。 一、开发与运行环境：Windows 10操作系统； 二、开发工具及软件介绍： 1. PyCharm； 2. Python3.5； 3. TensorFlow 1.13.1 / 张量流 GPU 版本 1.13.1，cuDNN7.4，CUDA 10.0； 4. Jupyter笔记本； 5.WebStorm。 三、运行环境配置： 1. 安装Python3.5及以上版本，并设置系统环境变量。可以通过pip命令安装第三方库，从而可以在cmd命令行中执行python命令。 2. 使用pip命令安装以下Python第三方库：TensorFlow 1.13.1或tensorflow-gpu（1.13.1），cuDNN7.4，CUDA 10.0，matplotlib 3.0.3，easydict 1.9，pyyaml 5.1以及opencv-python 4.0。
     
  • 基于YOLOv3、CTPN和CRNN的自然场景OCR检测
    优质
    本研究结合YOLOv3目标检测、CTPN文本行检测及CRNN文字识别技术，提出了一种高效的自然场景光学字符识别（OCR）系统，有效提升复杂背景下的文字检测与识别精度。 自然场景OCR（YOLOv3+CTPN+CRNN），附带整个项目代码及详细代码注释。
     
  • 基于YOLOv3、CTPN和CRNN的自然场景OCR检测
    优质
    本研究结合了YOLOv3目标检测框架与CTPN文本边界框定位及CRNN文字识别技术，旨在提高自然场景中OCR系统的准确性和效率。 自然场景OCR系统采用YOLOv3+CTPN+CRNN技术，并附带整个项目的代码及详细注释，包含我对代码的理解。
     
  • 基于CTPN(Tensorflow)+CRNN(PyTorch)+CTC的不定长文本检测与识别.zip
    优质
    本项目结合了CTPN和CRNN模型，利用Tensorflow和PyTorch框架实现图像中不定长文本区域的精准定位及字符识别，并采用CTC损失函数优化训练过程。 人工智能领域的深度学习技术使用TensorFlow框架可以实现高效的模型训练和应用开发。
     
  • 自然场景中的OCR检测（结合YOLOv3、CTPN和CRNN技术).zip
    优质
    本项目集成了YOLOv3目标检测、CTPN文本行检测及CRNN文字识别技术，针对自然场景下的OCR任务进行优化与应用。通过整合多模态算法框架，实现了高效准确的文字检测与识别功能。 自然场景OCR项目采用YOLOv3+CTPN+CRNN技术，附带详细代码注释的完整项目代码，亲测可用。如果有需要的话，请尽快下载吧！
     
  • CRNN_Chinese_Characters_Rec：基于CRNN的汉字识别
    优质
    本项目采用CRNN模型进行汉字识别研究与开发，旨在提高汉字图像的序列标注能力。适用于手写及印刷体汉字，支持大规模字符集的应用需求。 基于卷积递归网络的汉字识别库。 性能： - 识别图片中的字符 开发环境： - Windows 10 或 Ubuntu 16.04 - 使用 CUDA 10.0 的 PyTorch 1.2.0（可能会修复 CTC 损失） 依赖项： - YAML - Easydict - Tensorboard 数据集： 使用合成中文字符串数据集。 配置说明： 将 `lib/config/360CC_config.yaml` 中的 `DATA:ROOT` 编辑为您自己的图像路径。同时，将 `char_std_5990.txt` 文件放入 `lib/dataset/txt` 目录中。
     
  • CRNN：基于图像的序列识别卷积递归神经网络（CRNN）
    优质
    CRNN是一种用于图像序列识别的深度学习模型，结合了卷积神经网络和循环神经网络的优势，广泛应用于文本检测与识别等领域。 卷积递归神经网络（CRNN）软件结合了CNN、RNN 和CTC损失函数，适用于基于图像的序列识别任务，例如场景文本识别和光学字符识别(OCR)。请参阅相关论文获取更多详情。 2017年3月14日更新：项目中添加了一个Docker文件。 2017年5月1日更新：PyTorch版本已发布。 2017年6月19日更新：对于端到端文本检测器+识别器，请通过相应操作进行签出。此软件仅在Ubuntu 14.04 (x64)上经过测试，需要启用CUDA的GPU支持。 安装步骤包括首先安装最新版本的相关库和LMDB数据库。 在Ubuntu系统中，可以使用apt-get install liblmdb-dev命令来安装LMDB。 为了构建项目，请转到src/目录并执行sh build_cpp.sh以构建C++代码。成功后，在src/目录下会生成一个名为libcrnn.so的文件。 演示程序可以在src/demo.lua找到。在运行演示之前，需要从指定位置下载预训练模型，并将其放置于model/crnn_demo/ 目录中作为crnn_demo_model.t7 文件使用。
     
  • 卡号数据识别__银行卡号检测
    优质
    本工具用于快速准确地识别和验证银行卡号的有效性及所属银行机构，确保金融交易安全与便捷。 文件包含两部分：一部分是银行卡号截图，每个文件名对应一个卡号，共有1000多条记录；另一部分是数据增强代码，并生成相应的图片路径及标签文件。
     
  • 基于YOLOv7-plate与CRNN的车牌号检测识别项目.zip
    优质
    本项目采用YOLOv7-plate模型进行高效精准的车牌定位，并结合CRNN技术实现复杂环境下车牌字符的准确识别，适用于多种应用场景。 基于YOLOv7-plate和CRNN的车牌号检测识别项目包含了利用YOLOv7-plate进行高效准确的车牌位置检测以及使用CRNN模型完成复杂环境下车牌字符序列的精确识别，旨在提供一套完整的解决方案来应对不同的应用场景需求。