前言

1.之前在PC端做過身份證檢測識別相關的項目，用的環境是Caffe-SSD訓練的VGG16,模型大小大概為90M左右，在PC下，不調用GPU加速的話，處理檢測速度并不理想。之后想把這個項目移植到移動端，然后在IPhone XR Max 上做了測試，速度比PC端更慢了，而且體積巨大，根本沒有辦法應用到項目上。
2.為了能在移動端運行目標檢測模型，那只能重新訓練，看了一堆資料和測試各種官方Demo，之后選了MobileNetv2-SSDLite，訓練框架還是用Caffe。

模型訓練

1.關于前期的數據準備與數據樣本標注，可以看我之前身份證識別的博客，我訓練時還是用VOC2007這種數據格式。
2.MobileNetv2-SSDLite什么訓練自己的數據集，可以看這個博客
，博主寫得很詳細。
3.在訓練過程中發現，同樣的數據集，同樣的迭代次數，caffe-ssd訓練出來的模型精度要高出MobileNetv2-SSDLite幾個百分點，而且MobileNetv2-SSDLite對特征弱的物體識別很容易出現誤檢的現象，為了精度能達到可用的級別，唯一的辦法是加樣本，但身份證這種數據集又比較敏感，很不好收集，想了各種辦法，才收集了一萬張左右的數據，再寫個仿真算法，把數據擴增到十萬張左右，迭代20萬代左右，精度可以達99.5%。
4.最終的模型大小在14M左右，我放了6個類型在里面，在真機下檢測一張圖像的速度大概在0.02秒左右，基本上可以達到實時。

應用代碼

1.在OpenCV3之后的版本都有dnn這個模塊，很好的對接深度學習的模型，我這里用的是OpenCV4.2這個版本，iOS是不支持直接顯示OpenCV的Mat這種圖像格式的，要把Mat轉成UIImage才能在iOS上顯示，關于轉換的代碼可以看我之前的博客。
2.OC是可以直接與C++交互的，所以檢測的代碼我直接用C++寫的。
代碼：

bool idDetection(cv::Mat &cv_src, cv::Mat &cv_dst, std::string &model_path, std::string &proto_path, std::vector<std::string> &label) {if (cv_src.empty()){return false;}cv_dst = cv_src.clone();cv::Size reso(300, 300);cv::dnn::Net net = cv::dnn::readNet(model_path,proto_path);if (net.empty()){return false;}cv::Mat blob = cv::dnn::blobFromImage(cv_src, 1.0, reso, cv::Scalar(0, 0, 0), true, false);net.setInput(blob);cv::Mat out = net.forward();cv::Mat detectionMat(out.size[2], out.size[3], CV_32F, out.ptr<float>());float confThreshold = 0.25f;float nmsThreshold = 0.5f;std::vector<int> classIds;std::vector<float> confidences;std::vector<cv::Rect> boxes;for (int i = 0; i < detectionMat.rows; i++){float confidence = detectionMat.at<float>(i, 2);if (confidence > confThreshold){size_t objectClass = (size_t)(detectionMat.at<float>(i, 1));int left = static_cast<int>(detectionMat.at<float>(i, 3) * cv_src.cols);int top = static_cast<int>(detectionMat.at<float>(i, 4) * cv_src.rows);int right = static_cast<int>(detectionMat.at<float>(i, 5) * cv_src.cols);int bottom = static_cast<int>(detectionMat.at<float>(i, 6) * cv_src.rows);int width = right - left + 1;int height = bottom - top + 1;classIds.push_back(objectClass);boxes.push_back(cv::Rect(left, top, width, height));confidences.push_back(confidence);}}std::vector<int> indices;cv::dnn::NMSBoxes(boxes, confidences, confThreshold, nmsThreshold, indices);std::vector<int> id;for (size_t i = 0; i < indices.size(); ++i){int idx = indices[i];cv::Rect box = boxes[idx];rectangle(cv_dst, filter_ida.at(i).tl(), filter_ida.at(i).br(), cv::Scalar(0, 0, 255), 2, 8, 0);//id.push_back(classIds[idx]);} }

3.在Xcode里面，把要與C++交互的源碼文件.m更改成.mm，定義一個點擊事件，然后添加代碼：

-(void)idDetectioBtn {NSString* const model_file_name = @"inference";NSString* const model_file_type = @"caffemodel";NSString* const proto_file_name = @"inference";NSString* const proto_file_type = @"prototxt";NSString* model_path = [[NSBundle mainBundle] pathForResource:model_file_name ofType:model_file_type];NSString* prototxt_path = [[NSBundle mainBundle] pathForResource:proto_file_name ofType:proto_file_type];std::string str_proto = [prototxt_path UTF8String];std::string str_model = [model_path UTF8String];cv::Mat cv_src,cv_dst;UIImageToMat(self.ui_selected_image, cv_src);std::vector<std::string> id_label;idDetection(cv_src, cv_dst, str_model, str_proto, id_label);UIImage *ui_image = MatToUIImage(cv_dst);self.ui_show_view.image = ui_image; }

4.運行效果


注：
對圖像處理有興趣的可以可以加

總結

以上是生活随笔為你收集整理的身份证识别——iOS端实现身份证检测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。