[发明专利]样本集构建方法、装置、计算机设备和存储介质

说明书

本申请涉及一种样本集构建方法、装置、计算机设备和存储介质。所述方法涉及用于训练模型的样本生成，该样本集构建方法包括：获取根据证件图生成的不包括证件信息的证件模板图；按照证件图中各类证件信息的样式生成多组虚拟证件信息；将虚拟证件信息按照证件图中各类证件信息的位置写入证件模板图，生成电子证件图；对电子证件图对应的实体证件进行图像采集，得到的证件采集图；根据电子证件图和证件采集图构建图片样本集，图片样本集用于训练字符识别模型。采用本方法能够提高用于训练字符识别模型的样本的均衡性。

技术领域

本申请涉及计算机技术领域，特别是涉及一种样本集构建方法、装置、计算机设备和存储介质。

背景技术

在证件信息自动识别的技术领域中，需要大量的证件图片对字符识别模型进行训练，可以提高字符识别模型对证件信息识别的准确性。但是在训练字符识别模型时所需的图片数量非常多，通常也无法获取到大量的真实的证件图片。

目前，在训练字符识别模型时所使用的证件图片大多数是通过模板批量生成电子证件图得到的，这样得到的电子证件图虽然较为清晰，但随机性不强，会导致证件图片作为样本图片存在分布不均衡的问题。当直接利用大量不均衡的证件图片对字符识别模型进行训练，得到的字符识别模型的模型参数就会不够准确，使用训练后的字符识别模型对证件信息进行识别时，得到的识别结果也就不太准确。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高用于训练字符识别模型的样本的均衡性的样本集构建方法、装置、计算机设备和存储介质。

一种样本集构建方法，所述方法包括：

获取根据证件图生成的不包括证件信息的证件模板图；

按照所述证件图中各类所述证件信息的样式生成多组虚拟证件信息；

将所述虚拟证件信息按照所述证件图中各类证件信息的位置写入所述证件模板图，生成电子证件图；

对所述电子证件图对应的实体证件进行图像采集，得到的证件采集图；

根据所述电子证件图和所述证件采集图构建图片样本集，所述图片样本集用于训练字符识别模型。

在其中一个实施例中，所述按照所述证件图中各类证件信息的样式生成多组虚拟证件信息，包括：

按照证件号码的数字串长度获取多个数字，生成虚拟证件号码；对生成的所有虚拟证件号码进行去重处理，得到预设数量的虚拟证件号码；重复执行从汉字库中获取未被标记的汉字，生成虚拟姓名；根据已生成的全部虚拟姓名，统计当前生成的所述虚拟姓名所包括的各个汉字的使用次数；当所述使用次数达到预设上限值时，对相应的汉字进行标记的步骤，直至得到预设数量的虚拟姓名；将得到的所述虚拟证件号码、所述虚拟姓名随机组合，得到多组虚拟证件信息。

在其中一个实施例中，所述将所述虚拟证件信息按照所述证件图中各类证件信息的位置写入所述证件模板图，生成电子证件图包括：

获取所述虚拟证件信息中虚拟证件号码、虚拟姓名各自对应的字符格式；

确定所述证件图中各类证件信息的位置；

根据各类证件信息的位置，按照所述字符格式分别将每组所述虚拟证件信息写入所述证件模板图的相应位置，得到电子证件图。

在其中一个实施例中，所述对所述电子证件图对应的实体证件进行图像采集，得到的证件采集图包括：

确定图像采集参数；所述图像采集参数包括光线强度、焦距、采集角度和采集背景中的至少一种；在各所述图像采集参数对应不同的参数值时，对所述电子证件图对应的实体证件进行图像采集，得到预设数量的证件采集图。