使用终端设备来识别信用卡号码和到期日期的系统和方法

摘要

本发明公开了用于使用终端设备来识别信用卡的信用卡号码和到期日期的系统和方法。更具体地，方法可以包括以下步骤：(a)通过相机获得卡的图像；(b)对在步骤(a)处获得的图像内的卡号码执行位置检测和号码识别；以及(c)对在步骤(a)处获得的图像内的到期日期号码执行位置检测和号码识别。根据本发明的实施方式，与基于图像处理的技术相比能够提高识别率。

说明书

相关申请的交叉引用

本申请要求于2015年9月8日向韩国知识产权局提交的韩国专利申请第10-2015-0127147号的权益，该韩国专利申请的全部内容通过引用合并到本文中。

技术领域

本发明涉及用于使用终端设备来识别信用卡号码和信用卡的到期日期的系统和方法，并且更具体地，涉及用于使用作为一种深度学习的卷积神经网络来识别信用卡号码和信用卡的到期日期的系统和方法。

背景技术

企业经营者(例如信用卡公司或支付公司)需要保护和维护关于商业客户的信用卡的信息。信用卡公司可以在发出卡之后将该卡分发给客户之前输入和管理关于所发出的卡的信息。

此外，各种领域中的企业经营者在需要时可以从客户收集信用卡信息并且管理该信用卡信息。例如，特定企业经营者可以利用客户的允许来收集关于客户的卡信息，可以存储所收集的卡信息，并且可以使用所存储的卡信息来周期性地查询客户的支付。

然而，如果企业经营者管理关于许多客户的卡信息，则手动地输入关于客户的卡信息是非常繁琐的，耗费大量时间并且具有可能由于负责人的过失而输入错误的卡号码的大的可能性。

此外，随着近来的因特网商业交易和移动商业交易的发展，人们可以通过智能手机的应用来直接输入信用卡支付信息。在该情况下，存在与使用相机的识别相比而占用大量时间的缺点。

为了解决这样的问题，近来已经开发了许多用于识别印刷在信用卡上的号码的基于图像处理的识别系统。

各种类型的信息(例如卡号码、到期日期以及名称)被印刷在信用卡上。信用卡的卡号码格式以及卡信息的布局针对每个卡公司而稍微不同。因此，实际上仅使用图像处理来提高识别率是非常困难的。

此外，难以在技术上实现这样的图像处理技术。如果信用卡的背景图像复杂或者压印号码的涂层脱落，则存在以下问题：可能由于识别率降低所导致的错误而输入错误的卡号码。

发明内容

因此，考虑到在现有技术中发生的以上问题而产生了本发明，并且本发明的目的是提高信用卡号码和到期日期号码的识别率。

本发明的另一目的是降低识别系统的卷积神经网络所占用的容量，因为当识别系统在移动设备中被驱动时容量和性能是受限的。

本发明的又一目的是规避由于移动设备具有有限的硬件性能而可能以UX/UI方式发生的速度问题。

根据本发明的方面，一种用于由终端设备来识别卡的卡号码和到期日期的方法包括以下步骤：(a)通过相机获得卡的图像；(b)对在步骤(a)处获得的图像内的卡号码执行位置检测和号码识别；以及(c)对在步骤(a)处获得的图像内的到期日期号码执行位置检测和号码识别。

在该情况下，终端设备可以在识别卡号码和到期日期号码时使用卷积神经网络。

方法可以进一步包括以下步骤：(d)在步骤(c)之后，如果在步骤(c)处对到期日期号码的识别失败，则在活动步骤中使用在步骤(a)至步骤(c)处获得的卡的图像、到期日期号码的位置以及到期日期号码的格式来再次对到期日期号码执行位置检测和号码识别。

在该情况下，步骤(d)可以包括：将用于检测到期日期号码的第一个号码的位置的关注区域(ROI)改变到预定位置，并且再次检测到期日期号码的位置。

此外，步骤(d)可以包括：在再次对到期日期号码执行位置检测和号码识别的同时，识别卡号码。

步骤(a)可以包括：由终端设备的相机获得卡的图像帧的步骤；在在终端设备的显示装置上显示引导线的步骤；以及获得卡的与所显示的引导线交叠的图像帧的预览步骤。

步骤(b)包括：(1)检测卡号码的第一个号码的位置；(2)检测卡号码的前三个卡号码的位置；(3)确定在步骤(2)处识别到的前三个卡号码的图像块是否与号码对应；(4)如果作为在步骤(3)处的确定的结果，确定了前三个卡号码的图像块与号码对应，则将识别概率值与预定阈值进行比较，并且对前三个卡号码进行识别；(5)从在步骤(4)处识别到的前三个卡号码中提取关于卡类型、卡号码格式、到期日期号码的位置以及到期日期号码的格式的信息；以及(6)使用在步骤(5)处提取到的信息对除前三个卡号码以外的其余卡号码执行位置检测和号码识别。

在该情况下，步骤(6)包括以下步骤：使用在步骤(5)处提取到的关于卡类型和卡号码格式的信息来检测其余卡号码的位置；确定在检测其余卡号码的步骤处识别到的其余卡号码的图像块是否与号码对应；如果作为确定的结果，确定了其余卡号码的图像块与号码对应，则将识别概率值与预定阈值进行比较，并且对除前三个号码卡号码以外的其余卡号码进行识别；使用Luhn算法来确定识别到的前三个卡号码和其余卡号码中的所有卡号码的有效性；以及提取对卡号码的识别的结果以及关于各个号码的位置的信息。

步骤(c)包括以下步骤：使用在步骤(5)处提取到的关于到期日期号码的位置以及到期日期号码的格式的信息来检测到期日期号码的第一个号码的位置；通过识别第一个号码来确定到期日期号码的第一个号码是1还是0；以及对除到期日期号码的第一个号码以外的其余到期日期号码执行位置检测和号码识别。

在该情况下，对除到期日期号码的第一个号码以外的其余到期日期号码执行位置检测和号码识别步骤包括以下步骤：使用在检测到期日期号码的第一个号码的位置的步骤处检测到的到期日期号码的第一个号码的位置来检测其余到期日期号码的位置；确定在检测其余到期日期号码的步骤处识别到的其余到期日期号码的图像块是否与号码对应；如果作为确定的结果，确定了其余到期日期号码的图像块与号码对应，则将识别概率值与预定阈值进行比较，并且对除到期日期号码的第一个号码以外的其余到期日期号码进行识别；以及确定识别到的第一个号码和其余到期日期号码的组合是否与有效的到期日期号码对应。

根据本发明的另一方面，一种用于降低用于由终端设备来识别卡的卡号码和到期日期的卷积神经网络的容量的方法包括以下步骤：(a)将卷积神经网络的层中的每个层的权值划分成在最小值与最大值之间的预定数目的区间；(b)从在步骤(a)处划分的区间中的每个区间中提取代表值；(c)将在步骤(b)处从区间中提取到的代表值以实数类型记录在码本上；以及(d)以整数类型替换并记录码本的指数值。

在该情况下，当在步骤(b)处提取代表值时，可以使用k均值算法，或者可以将权值划分成具有相同宽度的区间，并且可以确定每个区间的中间值并且将该中间值用作代表值。

根据本发明的另一方面，一种用于收集用于由终端设备来识别卡的卡号码和到期日期的卷积神经网络的训练数据的方法包括以下步骤：(a)由终端设备通过相机来捕捉不同种类的卡的图像；(b)相对于在步骤(a)处捕捉的多个卡的图像来提取其中已经指定了号码的位置的图像块，并且对提取到的图像块执行图像处理；以及(c)收集在步骤(b)处对其执行了图像处理的图像块。

当在步骤(a)处捕捉卡的图像时，可以考虑周围亮度。

此外，当在步骤(a)处捕捉卡的图像时，可以考虑终端设备的相机的倾斜。

此外，在步骤(b)处，图像处理可以提供亮度的改变、对比度的改变和模糊效果的图像处理效果中的至少一者。

此外，在步骤(b)处，可以对卡的图像的边界框应用平移、缩放和旋转的改变。

根据本发明的另一方面，一种用于使用终端设备来识别卡的卡号码和到期日期的系统包括：相机，该相机被配置成捕捉卡的图像；图像处理单元，该图像处理单元被配置成对卡的图像执行图像处理；以及识别执行设备，该识别执行设备被配置成使用卷积神经网络来识别卡号码和到期日期号码。

被配置成使用卷积神经网络来识别卡号码和到期日期号码的识别执行设备包括：卡号码第一号码位置检测器，该卡号码第一号码位置检测器被配置成检测围绕卡号码的第一个号码所切割的图像块中的卡号码的第一个号码的位置；卡号码和到期日期号码位置检测器，该卡号码和到期日期号码位置检测器被配置成检测围绕卡号码所切割的图像块中的卡号码和到期日期号码的位置；卡号码识别器，该卡号码识别器被配置成使用围绕由卡号码和到期日期号码位置检测器获得的位置所切割的图像块作为输入来识别卡号码；到期日期第一号码检测器，该到期日期第一号码检测器被配置成检测围绕到期日期号码的第一个号码所切割的图像块中的到期日期号码的第一个号码的位置；到期日期号码识别器，该到期日期号码识别器被配置成使用围绕由卡号码和到期日期号码位置检测器获得的位置所切割的图像块作为输入来识别卡号码；以及号码二元分类器(numberbinary sorter)，该号码二元分类器被配置成确定输入到卡号码识别器和到期日期号码识别器的图像块中的每个图像块是否与号码对应。

用于使用终端设备来识别信用卡号码和到期日期的方法可以实现成程序形式，并且可以被记录在由电子设备可读的记录介质上或者可以被分布在程序下载管理装置(例如服务器)上。

附图说明

图1是示出根据本发明的实施方式的用于检测和识别卡号码和到期日期号码的位置的方法的图。

图2是示出根据本发明的实施方式的用于获得卡的图像的方法的图。

图3是示出根据本发明的实施方式的用于检测和识别卡号码的位置的方法的图。

图4是示出根据本发明的实施方式的用于检测和识别除前三个卡号码以外的其余卡号码的位置的方法的图。

图5是示出根据本发明的实施方式的用于识别到期日期号码的方法的图。

图6是示出根据本发明的实施方式的用于识别除第一个号码以外的其余到期日期号码的方法的图。

图7是示出根据本发明的另一实施方式的用于降低卷积神经网络的容量的方法的图。

图8是示出根据本发明的另一实施方式的用于收集卷积神经网络的训练数据的方法的图。

图9是示出根据本发明的实施方式的用于识别卡号码和到期日期号码的系统的图。

图10是示出根据本发明的实施方式的卷积神经网络的第一号码检测器的图。

图11是示出根据本发明的实施方式的卷积神经网络的号码检测器的图。

图12是示出根据本发明的实施方式的卷积神经网络的号码识别器(即卡号码识别器和到期日期识别器)的图。

图13是示出根据本发明的实施方式的卷积神经网络的号码二元分类器的图。

图14是示出根据本发明的实施方式的其中已经识别出卡号码和到期日期号码的状态的图。

图15是示出根据本发明的实施方式的预览步骤(其包括捕捉的卡图像)和活动步骤(其指示识别的结果，所述识别的结果考虑到UX而从左侧被顺次示出)的结果窗口的图。

具体实施方式

在下文中，参照附图来详细描述根据本发明的实施方式的“使用终端设备来识别信用卡号码和到期日期的系统和方法”。提供了下文要描述的实施方式以便本领域技术人员容易地理解本发明的技术精神，并且本发明不通过实施方式来限制。此外，已经对在附图中表示的内容进行图形化以容易地描述本发明的实施方式，并且内容可以与实际实现的形式不同。

下文中描述的元件中的每一个可以仅使用硬件元件或软件元件来实现，但是也可以使用执行相同功能的各种硬件元件和软件元件的组合来实现。此外，两个或更多个元件可以使用硬件或软件块来实现。

此外，一些元件“被包括”的措辞是“开放式”措辞，并且该措辞仅表示存在相应元件，但不应当解释为将另外的元件排除在外。

在描述本发明的实施方式之前，简要地描述用在本发明的实施方式中技术和术语。

卷积神经网络(即一种深度学习技术)可以通过针对图像的学习或训练来确定图像的特征之间的差异，并且可以理解和处理输入的图像。

在该情况下，卷积神经网络不像在现有的学习算法中一样处理一个步骤的数据，而是具有若干个层的形式并且处理数据，从而能够产生高维度的结果值。

下面描述卷积神经网络的结构。卷积神经网络具有通过对层进行堆叠而形成的多层结构，即，若干个层中的小尺寸神经元集合，并且可以通过对不同卷积层进行组合或连接来配置。

Luhn算法是用于对信用卡或ID号码进行认证的校验和算法。在Luhn算法中，当顺次地读取卡号码中的所有数字时，以下述方式来计算总值：使得与第二数字对应的值被加倍，如果所加倍的值大于9则对通过将所加倍的值除以10所获得的余数加上1，并且如果所加倍的值小于9则在不进行任何改变的情况下加上所加倍的值。如果通过将总值除以10所获得余数为0，则卡号码的有效性被认证成功。

可以使用用于区分有效号码与错误输入的卡号码或错误卡号码的简单方法来阻断恶意输入。

图1是示出根据本发明的实施方式的用于检测和识别卡号码和到期日期号码的位置的方法的图。

参照图1，根据本发明的实施方式的用于检测和识别卡号码和到期日期号码的位置的方法包括以下步骤：获得卡的图像(S100)；对卡号码执行位置检测和号码识别(S200)；以及对到期日期号码执行位置检测和号码识别(S300)。更具体地，用于检测和识别卡号码和到期日期号码的位置的方法包括以下步骤：(a)通过终端设备的相机来获得卡的图像(S100)；(b)对在步骤S100处获得的图像内的卡号码执行位置检测和号码识别(S200)；以及(c)对在步骤S100处获得的图像内的到期日期号码执行位置检测和号码识别(S300)。

在步骤(a)处，其中实现有UX/UI并且被安装在终端设备中的应用显示由相机识别到的卡的图像，并且获得该图像(S100)。在步骤(b)处，使用卷积神经网络通过一系列处理在所获得的图像中识别卡号码的位置和号码(S200)。在步骤(c)处，识别到期日期的位置和号码(S300)。

这样的识别处理被划分成预览步骤和活动(或识别结果窗口)步骤,以提高识别有效速度。

在该情况下，在步骤(a)至步骤(c)处，在产生识别的结果之前在预览步骤处执行识别(参照图15)。

在预览步骤处，如果对到期日期号码的识别失败，则在步骤(c)(S300)之后可以进一步执行步骤(d)(S400)。在步骤(d)(S400)处，可以在活动步骤(或识别结果窗口)处使用在步骤(a)至步骤(c)处获得的卡的图像、到期日期号码的位置以及到期日期号码的格式进一步对到期日期号码执行位置检测和号码识别(S400)。

如果线程关于输入的帧来操作，则不对输入的帧重新执行识别。

在其中再次对到期日期号码执行位置检测和号码识别的步骤(S400)处，可以改变用于检测到期日期号码中的第一个号码的位置的关注区域(ROI)，并且可以再次检测到期日期号码的位置。

在该情况下，可以在基本ROI中将ROI的位置向上、向下、向左、向右以及对角地移动最多达八次，并且可以检测到期日期号码中的第一个号码的位置。终端设备可以在执行对卡号码和到期日期号码的识别时使用卷积神经网络。

终端设备配备有相机，并且能够进行图像处理并能够具有卷积神经网络。终端设备可以实现成电子设备的形式，例如智能电话、平板计算机、PC、膝上型计算机或PDA。另外，终端设备可以实现成能够进行计算操作和数据发送/接收操作的各种电子设备的形式。

下面描述用于在预览步骤处执行对卡号码和到期日期号码的识别的详细方法。

图2是示出根据本发明的实施方式的用于获得卡的图像的方法的图。

参照图2，根据本发明的实施方式的用于获得卡的图像的方法包括：从终端设备的相机接收卡的图像帧的步骤(S101)；在终端设备的显示装置上显示引导线的步骤(S102)；以及获得卡的与所显示的引导线交叠的图像帧的预览步骤(S103)。

在该情况下，如果使用用于显示引导线的UX/UI，则可以防止硬件性能被不必要地浪费，这是因为除卡的图像以外的不必要的数据被阻止输入。

可以如图15中所示来显示引导线，但是还可以以各种方式来显示引导线以仅获得卡的图像。

图3是示出根据本发明的实施方式的用于检测和识别卡号码的位置的方法的图。

参照图3，根据本发明的实施方式的用于检测和识别卡号码的位置的方法包括以下步骤：检测第一个号码的位置(S201)；检测前三个卡号码的位置(S202)；确定前三个卡号码的图像块是否与号码对应(S203)；识别前三个卡号码(S204)；提取关于卡的信息(S205)；以及对其余卡号码执行位置检测和号码识别(S206)。更具体地，用于检测和识别卡号码的位置的方法包括以下步骤：(1)检测卡号码的第一个号码的位置(S201)；(2)检测卡号码的前三个卡号码的位置(S202)；(3)确定在步骤(2)处识别到的前三个卡号码的图像块是否与号码对应(S203)；(4)如果作为在步骤(3)处的确定的结果，确定了前三个卡号码的图像块与号码对应，则将识别概率值与预定阈值进行比较，并且对前三个卡号码进行识别(S204)；(5)从在步骤(4)处识别到的前三个卡号码中提取关于卡类型、卡号码格式、到期日期号码的位置以及到期日期号码的格式的信息；以及(6)使用在步骤(5)处提取到的信息来对除前三个卡号码以外的其余卡号码执行位置检测和号码识别(S206)。

在步骤(1)处，检测卡号码的第一个号码的位置(S201)。在该情况下，仅沿引导线所切割的卡区域的图像被用作输入图像。输入图像关于用于检测的第一个号码的固定ROI而被切割。通过将所切割的图像传递通过第一号码检测器网络来计算掩码值。使用该掩码值来检测表示第一个号码的位置的四方形。在该情况下，可以通过另外地使用号码检测器来更准确地校正第一个号码的位置。

在步骤(2)处，可以使用在步骤(1)处获得的第一个号码的位置来检查第二个卡号码和第三个卡号码的位置(S202)。首先，在考虑第一个号码的位置的情况下，将用于检测第二个卡号码和第三个卡号码的ROI的位置向右移动第一个号码的宽度。接下来，在考虑倾斜的情况下，可以在向上和向下移动ROI的位置的同时使用号码检测器，来检测第二个卡号码和第三个卡号码的位置。

在步骤(3)处，可以使用二元分类器来确定所获得的三个卡号码的图像块是否与号码对应(S203)。如果作为确定的结果，确定了所获得的三个卡号码的图像块不与号码对应，则过程可以进行至下一帧或者可以降低识别概率值。

在步骤(4)处，如果作为确定的结果，通过图像块确定处理确定了所获得的三个卡号码的图像块与号码对应，则通过号码识别器来识别前三个卡号码(S204)。

在步骤(5)处，从在步骤(4)处识别到的前三个卡号码中提取关于卡类型、卡号码格式、到期日期号码的位置以及到期日期号码的格式的信息(S205)。

亦即，可以使用识别到的前三个号码来确定卡号码是否是有效卡号码。其原因是已经针对每个卡类型(例如VISA卡或Master卡)预定了卡号码的规则。

例如，在卡公司中，在VISA卡的情况下，卡号码始于4。在Master卡的情况下，卡号码始于51～55。在中国银联卡的情况下，卡号码始于622126-622925、624-626或6282-6288。在就餐俱乐部卡(Diners Club card)的情况下，卡号码始于300-305、3095、36或者38-39。在发现卡(Discovercard)的情况下，卡号码始于60110、60112-60114、601174-601179、601186-601199、644-649或65。在JCB卡的情况下，卡号码始于3528-3589。此外，在卡公司中，卡号码的数字数目的总数是14～16，并且到期日期的格式是MM/YY或MM/YYYY。

如果使用前三个卡号码，则可以确定相应的卡公司，并且也可以得知卡号码的到期日期的格式。

在步骤(6)处，对除前三个卡号码以外的其余卡号码执行位置检测和号码识别(S206)。

图4是示出根据本发明的实施方式的用于检测和识别除前三个卡号码以外的其余卡号码的位置的方法的图。

参照图4，用于使用参照图3所描述的所获得的前三个卡号码的关于卡类型、卡号码格式、到期日期号码的位置以及到期日期号码的格式的信息来检测和识别除前三个卡号码以外的其余卡号码的位置的方法包括以下步骤：检测其余卡号码的位置(S206-1)；确定其余卡号码的图像块是否与号码对应(S206-2)；识别其余卡号码(S206-3)；以及确定卡号码的有效性(S206-4)。更具体地，用于检测和识别除前三个卡号码以外的其余卡号码的位置的方法包括以下步骤：使用在图3的步骤(5)处提取到的关于卡类型和卡号码格式的信息来检测其余卡号码的位置(S206-1)；确定在步骤S206-1处识别到的其余卡号码的图像块是否与号码对应(S206-2)；如果作为确定的结果，确定了其余卡号码的图像块与号码对应，则将识别概率值与预定阈值进行比较，并且对除前三个卡号码以外的其余卡号码进行识别(S206-3)；以及使用Luhn算法来确定包括识别到的前三个号码和其余卡号码的所有卡号码的有效性(S206-4)。

下面详细描述每个步骤。首先，检测其余卡号码和其余卡号码的位置(S206-1)。在该情况下，使用在先前处理中获得的卡的前三个卡号码来提取关于卡类型、卡号码的规则、到期日期的位置以及到期日期的格式的信息。使用所提取的信息。

在该情况下，可以基于相应卡公司的卡号码格式来检测其余卡号码的位置。可以使用与用于检测前三个卡号码的位置的方法相同的方法来检测其余卡号码的位置。一般地，在其余卡号码的情况下，十六个卡号码中的四个号码形成一个组，四个组形成十六个卡号码，并且在各组之间置有空档。

如果存在这样的空档，则可以将ROI沿X轴方向移动现有号码的宽度的两倍的因数。通过这样的处理，可以将下一组的第一个号码置于ROI中。

第二，可以使用二元分类器来确定所获得的其余卡号码的图像块是否与号码对应(S206-2)。如果作为确定的结果，确定了所获得的其余卡号码的图像块不与号码对应，则过程进行至下一帧或者可以降低识别概率值。

第三，如果作为确定的结果，确定了所获得的其余卡号码的图像块与号码对应，则使用号码识别器来识别其余卡号码(S206-3).

第四，可以使用Luhn算法来验证所有的识别到的卡号码(S206-4)。

图5是示出根据本发明的实施方式的用于识别到期日期号码的方法的图。

参照图5，根据本发明的实施方式的用于识别到期日期号码的方法包括以下步骤：检测到期日期号码的第一个号码的位置(S301)；确定检测到的到期日期号码的第一个号码(S302)；以及对除第一个号码以外的其余到期日期号码执行位置检测和号码识别(S303)。更具体地，用于识别到期日期号码的方法包括以下步骤：使用在图3的步骤(5)处提取到的关于卡类型、到期日期号码的位置以及到期日期号码的格式的信息来检测到期日期号码的第一个号码的位置(S301)；通过识别第一个号码来确定到期日期号码的第一个号码是1还是0(S302)；以及对除到期日期号码的第一个号码以外的其余到期日期号码执行位置检测和号码识别(S303)。

首先，检测到期日期号码的第一个号码的位置(S301)。在该情况下，使用关于到期日期的位置的信息，该信息属于从先前已经获得的对前三个卡号码的识别的结果中提取到的信息块。一般地，信用卡的到期日期的第一个号码被置于卡号码的第八个号码与第九个号码之间。使用卡号码的第八个号码与第九个号码来计算用于检测第一个号码的ROI的位置的坐标。与坐标对应的ROI被切掉。通过将沿ROI所切割的图像传递通过第一号码检测器网络来计算掩码值。使用该掩码值来检测表示第一个号码的位置的四方形。在该情况下，可以通过另外地使用号码检测器来更准确地校正第一个号码的位置。

第二，识别在第一处理中获得的到期日期的第一个号码(S302)。在该情况下，在到期日期号码中，一月至九月的第一个号码为0，十月至十二月的第一个号码为1。因此，仅执行用于确定到期日期号码的第一个号码是0还是1的下一处理。

第三，检测除到期日期号码的第一个号码以外的其余到期日期号码的位置，并且对其余到期日期号码进行识别(S303)。

图6是根据本发明的实施方式的用于识别除第一个号码以外的其余到期日期号码的方法的图。

参照图6，根据本发明的实施方式的用于识别除第一个号码以外的其余到期日期号码的方法包括以下步骤：检测到期日期号码的位置(S303-1)；确定检测到的到期日期号码的图像块是否与号码对应(S303-2)；识别其余到期日期号码(S303-3)；以及确定识别到的其余到期日期号码是否是有效到期日期号码(S303-4)。更具体地，用于识别除第一个号码以外的其余到期日期号码的方法包括以下步骤：使用在检测到期日期号码的第一个号码的位置的步骤处检测到的到期日期号码的第一个号码的位置来检测其余到期日期号码的位置(S303-1)；确定在检测其余到期日期号码的步骤处识别到的其余到期日期号码的图像块是否与号码对应(S303-2)；如果作为确定的结果，确定了其余到期日期号码的图像块与号码对应，则将识别概率值与预定阈值进行比较，并且对除到期日期号码的第一个号码以外的其余到期日期号码进行识别(S303-3)；以及确定识别到的第一个号码和其余到期日期号码的组合是否是有效到期日期(S303-4)。

首先，使用到期日期号码的第一个号码的位置来检测其余到期日期号码的位置(S303-1)。在该情况下，可以将第一个号码的ROI沿X轴方向的移动现有号码的宽度。通过这样的处理，下一号码可以被置于ROI中。在该情况下，到期日期的格式可以为MM/YYYY或MM/YY。已经基于从卡号码的前三个卡号码获得的信息确定了这样的识别格式。如果在月与年之间存在斜线“/”，则可以将ROI沿X轴方向移动现有号码宽度的两倍的因数。

第二，可以使用二元分类器来确定所获得的其余到期日期号码的图像块是否与号码对应(S303-2)。如果作为确定的结果，确定了所获得的其余到期日期号码的图像块不与号码对应，则过程可以进行至下一帧，或者可以降低识别概率值。

第三，如果作为确定的结果，通过图像块确定处理而确定了所获得的其余到期日期号码的图像块与号码对应，则通过到期日期号码识别器来识别其余到期日期号码(S303-3)。

第四，确定是否所有的识别到的到期日期号码均与有效到期日期对应(S303-4)。在该情况下，如果识别到的到期日期是过去日期或者是比每个银行确定的最大到期日期长的到期日期，则识别到的到期日期被确定为无效到期日期。在其他情况下，识别到的到期日期被确定为有效到期日期。

阈值(即与识别概率值比较的对象)可以取决于设计者的设置而不同。参照图15，在到期日期的情况下，阈值对于到期日期号码中的每一个而被设置为75％，并且平均被设置为90％。在卡号码的情况下，阈值对于卡号码中的每一个而被设置为60％，并且平均被设置为80％。

如上所述，在预览步骤中，快速地识别卡号码与到期日期号码二者。在活动步骤中，再次对在预览步骤中尚未识别出的到期日期号码进行识别。在该情况下，为了更有效且更快速的识别，如果在预览步骤或活动步骤期间针对卡号码和到期日期的位置检测和号码识别失败，或者卡号码或到期日期被二元分类器确定为错误的，则可以立即拒绝相应的帧，可以终止算法，并且过程可以进行至下一帧。

图7是示出根据本发明的另一实施方式的用于降低卷积神经网络的容量的方法的图。

深度学习网络包括成千上万的参数(即权值)。参数值为实数(即浮点数)，并且每个参数值在终端中占用4个字节。用在本发明的实施方式中的卷积神经网络在终端中占用约2.7MB的总容量。因此，为了使容量最小化，需要使用权重量化方案将容量降低至约0.7MB。

下面参照图7来描述用于将容量降低至约0.7MB的方法。根据本发明的另一实施方式的用于降低由终端设备识别卡号码和到期日期号码的卷积神经网络的容量的方法包括以下步骤：(a)将卷积神经网络的各个层的权值划分成最小值与最大值之间的预定数目的区间(S10)；(b)提取在步骤(a)处的区间中的每一个中的代表值(S20)；(c)将在步骤(b)处从各个区间中提取到的代表值以实数类型记录在码本上(S30)；以及(d)以整数类型替换并记录码本的指数值(S40)。

在步骤(a)处，层的权值(或参数)被划分成最小值与最大值之间的预定区间(S10)。在该情况下，当在最小权值与最大权值之间划分区间时，根据算法将所述区间划分成预定数目“n”。此外，可以被划分的区间的数目最大为256。

在步骤(b)处，在所划分的区间中提取代表值(S20)。

在步骤(c)处，在步骤(b)处提取到的代表值以实数类型被记录在码本上(S30)。在该情况下，码本可以具有与存储的代表值被置于的相应位置对应的指数。

在步骤(d)处，以整数类型替换并记录码本的指数值(S40)。亦即，代表值已经以实数类型被记录在码本上。指示代表值已经被存储的相应位置的指数值以整数类型(即字节形式)被记录在码本上。因此，具有以下优点：将实数类型所占用的4个字节压缩成1个字节。

当提取代表值时，可以使用k均值算法，或者可以将权值划分成具有相同宽度的区间，并且可以确定每个区间的中间值并将每个区间的中间值用作代表值。如上所述，可以使用两种方法来确定代表值。使用两种方法所划分的区间的数目“n”可能不同。这可以由设计者根据所选的算法在最有效的范围内确定。

在该情况下，因为码本的容量与压缩容量相比而相对较小，所以可以执行有效权重量化。

图8是示出根据本发明的另一实施方式的用于收集卷积神经网络的训练数据的方法的图。

参照图8，用于收集卷积神经网络的训练数据的方法包括以下步骤：捕捉卡的图像(S1)；执行图像处理(即数据扩充)(S2)；以及收集图像(S3)。更具体地，用于收集卷积神经网络的训练数据的方法包括以下步骤：(a)由终端设备使用相机来捕捉不同种类的卡的图像(S1)；(b)关于在步骤(a)处所捕捉的多个卡的图像中的每个图像来提取其中已经指定了每个号码的位置的图像块，并且对提取到的图像块执行图像处理(S2)；以及收集已经在步骤(b)处对其执行了图像处理的图像块(S3)。

在步骤(a)处，终端设备通过相机来捕捉卡的图像。在该情况下，可以捕捉各种卡类型的图像(S1)。例如，可以捕捉各种图像，例如VISA和Master。可以通过这样的处理来捕捉每种卡类型的图像。在该情况下，设计者关于多个图像中的每一个来指定号码的位置并执行用于分配标签的标签任务。可以使用通过这样的标签任务所获得的号码的位置来对图像块进行分离。

在步骤(b)处，关于在步骤(a)处所捕捉的多个卡的图像中的每个图像来提取其中已经指定了号码的位置的图像块。对提取到的图像块执行图像处理(S2)。

在步骤(c)处，收集经图像处理的图像。可以通过如上所述所收集的图像来训练卷积神经网络(S3)。

可以通过卡的类型以及在步骤(a)至步骤(c)处的图像处理过程来生成各种图像。

当在步骤(a)处捕捉卡的图像时，可以在考虑周围亮度的情况下捕捉卡的图像或者在考虑终端设备的相机的倾斜的情况下捕捉卡的图像。

更具体地，在保护不同的信用卡的若干个版本(sheet)之后，在其中仅“白光”、“黄光”或“环境光”存在的暗处中拍摄信用卡。在该情况下，可以使用四种不同的相机来拍摄信用卡，并且可以在三个步骤中不同地设置每个相机的倾斜。

此外，当在步骤(b)处执行图像处理时，可以通过对所收集的图像块的数据施加亮度的变化、对比度的变化以及模糊效果来增大图像的数目。

此外，可以通过对卡的图像的边界框施加平移、缩放和旋转的变化来收集不同的图像数据。所收集的图像数据被认为在识别信用卡时假定了各种情形。如上所述，可以通过这样的纯化的数据收集处理来防止过拟合。

在该情况下，术语“过拟合”意指以下情况：如果已经通过样本组得到能够分析样本组的分类模型(sorting model)或返回类型，则分析能力减小，相反地，在样本组变得过度适合的情况下，样本组被应用于实际群组时，分析功率增大。虽然模型不太适于样本组，但是模型在被应用于群组时会较适合。因此，当得到返回类型或分类模型时，可能需要考虑过拟合错误。

如果如上所述在合适的水平处以各种方式来收集卷积神经网络的训练数据，则具有以下优点：由于可识别域被最大化，所以能够防止过拟合问题并且能够提高识别性能。

图9是示出根据本发明的实施方式的用于识别卡号码和到期日期号码的系统的图。

参照图9，根据本发明的实施方式的用于识别卡号码和到期日期号码的系统包括相机100、图像处理单元200以及使用卷积神经网络的识别执行设备300。更具体地，系统包括：相机100，其被配置成捕捉卡的图像；图像处理单元200，其被配置成对卡的图像执行图像处理；以及使用卷积神经网络的识别执行设备300，其用于识别卡号码和到期日期号码。

可以使用用于在计算设备上执行程序的处理器来实现相机100、图像处理单元200以及使用卷积神经网络的识别执行设备300中的每一个。

如上所述，相机100、图像处理单元200以及使用卷积神经网络的识别执行设备300可以使用在物理上独立的各个元件来实现，或者可以被实现成使得在单个处理器内在功能上分离。

此外，图像处理单元200以及使用卷积神经网络的识别执行设备300可以包括至少一个操作设备。在该情况下，操作设备可以为通用中央处理单元(CPU)、针对特定目的而适当地实现的可编程设备(CPLD、FPGA)、专用集成电路(ASIC)、微控制器芯片或图形处理单元(GPU)。

图10是示出根据本发明的实施方式的卷积神经网络的卡号码和到期日期第一号码检测器的图。

图11是示出根据本发明的实施方式的卷积神经网络的卡号码和到期日期检测器的图。

图12是示出根据本发明的实施方式的卷积神经网络的卡号码和到期日期号码识别器的图。

图13是示出根据本发明的实施方式的卷积神经网络的号码二元分类器的图。

参照图10至图13，根据本发明的实施方式的使用卷积神经网络的识别执行设备300包括卡号码第一号码位置检测器、卡号码和到期日期号码位置检测器、卡号码识别器、到期日期第一号码检测器、到期日期号码识别器以及号码二元分类器。更具体地，识别执行设备300包括：卡号码第一号码位置检测器，其被配置成检测卡号码中的围绕卡号码的第一个号码所切割的图像中的第一个号码的位置；卡号码和到期日期号码位置检测器，其被配置成检测围绕卡号码所切割的图像块中的卡号码和到期日期号码的位置；卡号码识别器，其被配置成使用围绕由卡号码和到期日期号码位置检测器获得的位置所切割的图像块作为输入来识别卡号码；到期日期第一号码检测器，其被配置成检测围绕到期日期号码的第一个号码所切割的图像块中的到期日期号码的第一个号码的位置；到期日期号码识别器，其被配置成使用围绕由卡号码和到期日期号码位置检测器获得的位置所切割的图像块作为输入来识别卡号码；以及号码二元(正/负)分类器，其被配置成确定输入到卡号码识别器和到期日期号码识别器的每个图像块是否与号码对应。

使用卷积神经网络的识别执行设备300包括如上所述的多个层。下面详细描述根据本发明的实施方式的卷积神经网络。

参照图10，使用卡号码第一号码位置检测器来检测围绕第一个号码所切割的图像块中的卡号码的第一个号码的位置，并且卡号码第一号码位置检测器是以下回归网络：其使用24×24的尺寸的图像块作为输入并且使用16×16的尺寸的掩码作为输出。

卡号码第一号码位置检测器包括输入网络、特征提取网络以及回归网络。输入网络将输入图像分离成R色、G色和B色。特征提取网络包括三个卷积层以及两个最大池化层(max pooling layer)。

在该情况下，特征提取网络的两个卷积层中的每个卷积层具有5×5的核，并且特征提取网络的最后一个卷积层具有3×3的核。两个最大池化层和这两个卷积层交替存在，并且每个最大池化层具有2×2的核和2×2的步长。

更具体地，卷积层具有“n×n”的像素尺寸的四方形窗口，并且在比“n×n”的像素尺寸大的特定尺寸的图像上移动该四方形窗口的位置的同时执行卷积操作。

在该情况下，卷积层用作用于提取特定形状的边缘的一种滤波器。例如，如果卷积层如用于提取纵向边缘的滤波器一样执行卷积，则生成在其上仅出现纵向边缘的输出图像。

最大池化(或子采样(sub-sampling))层用于在输入图像上指定“n×n”的像素尺寸的区域，仅取所指定的区域中的最大值并且生成新的输出。可以使用最大池化层来提取图像中的仅具有最大响应的部分，从而减小图像的尺寸并且还能够识别号码并检测位置，虽然号码的位置向一侧并非向正中间稍微倾斜。最大池化层能够通过减少除最大值以外的值来减少计算负荷。

回归网络具有回归层，并且输出16×16的尺寸的掩码结果值(数目为256)。可以在输入图像块时使用回归网络来搜索所需的区域。

下面描述用在卷积层和最大池化层中的核和步长。在32×32的尺寸的输入图像中的5×5的核以及2×2的步长意指在5×5的尺寸窗口的图像上沿x轴移动两格并沿y轴移动两格的同时执行卷积操作。

参照图11，使用卡号码和到期日期号码检测器来检测围绕卡号码的号码所切割的图像块中的号码的准确位置，并且卡号码和到期日期号码检测器是以下回归网络：其使用32×32的尺寸的图像块作为输入并且使用16×16的尺寸的掩码作为输出。

卡号码和到期日期号码检测器包括输入网络、特征提取网络和回归网络。输入网络将输入图像分离成R色、G色以及B色。

特征提取网络包括三个卷积层和两个最大池化层。在该情况下，三个卷积层中的每一个具有5×5的核。两个卷积层之间的最大池化层具有2×2的核以及2×2的步长。

参照图12，使用卡号码识别器，以使用围绕由No.2检测器获得的卡号码的位置所切割的图像块作为输入来确定相应号码。卡号码识别器使用32×32的尺寸的图像块作为输入，并且输出所确定的一个数位号码(0至9)。

在图12的号码识别器的情况下，卡号码识别器和到期日期识别器是分离的，但是网络结构与图12的网络结构相同。

卡号码识别器包括输入单元、特征提取单元以及确定单元。输入单元接收图像的R信道、G信道和B信道作为输入。

特征提取网络包括两个卷积层、三个最大池化层以及合并层。在该情况下，两个卷积层分别具有5×5的核以及7×7的核。两个最大池化层中的每一个具有2×2的核以及2×2的步长，并且其余的一个最大池化层具有5×5的核以及3×3的步长。

在该情况下，卷积层(即第一层)具有8×3(RGB)和5×5的核。接下来的最大池化层具有2×2的核和2×2的步长。已经传递通过最大池化层的图像被转移至具有5×5的核和3×3的步长的最大池化层以及具有7×7的核的卷积层。在图像传递通过具有7×7的核的卷积层之后，该图像传递通过具有2×2的核和2×2的步长的最大池化层并且经由合并层被转移至分类网络。

分类网络具有20个隐藏单元，并且生成10个(即0至9)输出值。

在该情况下，隐藏单元存在于隐藏层中。隐藏层存在于使用卷积神经网络的识别执行设备300的输入层与输出层之间。隐藏层对非线性函数中的由输入层转移的参数值的线性组合进行处理，并且将处理结果转移至输出层或另外的隐藏层。在使用卷积神经网络的识别执行设备300中，隐藏层可以存在于若干个层中，并且若干个隐藏单元可以包括在每个隐藏层中。

参照图10，到期日期第一号码检测器使用围绕卡的到期日期的第一个号码所切割的图像块作为输入。其余的内容与卡号码第一号码检测器的内容相同。

参照图12，到期日期号码识别器使用围绕由No.5检测器获得的卡到期日期号码的位置所切割的图像块作为输入。到期日期号码识别器的其余内容与卡号码识别器的内容相同。

参照图13，使用号码二元分类器对号码识别器进行补充。号码二元分类器用于通过将号码识别器的图像块的尺寸调整至20×20的尺寸并将经调整尺寸的图像块传递通过分类器，来确定相应图像块的号码是正确的(即正的)还是与并非号码的错误图像块(例如背景)对应(即负的)。如果作为确定的结果，确定了相应图像块的号码为负，则号码二元分类器降低针对号码识别器的输出的置信度(即概率值)。

号码二元分类器包括输入单元、特征提取单元以及确定单元。输入单元接收图像的R信道、G信道和B信道作为输入。

特征提取网络包括三个卷积层和两个最大池化层。在该情况下，三个卷积层之一具有5×5的核，并且三个卷积层中的另外两个具有3×3的核。特征提取网络的第一卷积层具有5×5的核。最大池化层中的每一个存在于卷积层之间，并且具有2×2的核和2×2的步长。

分类网络计算两个输出值，并且用于确定相应图像块的号码是正的还是负的。如果作为确定的结果，确定了图像块与号码对应，则分类网络将图像块确定为正的。如果作为确定的结果，确定了图像块与除号码以外的错误图像(例如背景)对应，则分类网络将图像块确定为负的。

如果如上所述来使用根据本发明的实施方式的使用卷积神经网络的识别执行设备300，则与基于图像处理的技术相比能够提高识别率。虽然由于使用权重量化技术而存在对终端设备的硬盘容量的限制，但是根据本发明的实施方式的使用卷积神经网络的识别执行设备300可以包括在终端设备中。

在该情况下，可能存在对终端设备的硬件性能的限制。如果终端设备执行根据本发明的实施方式的识别系统，则能够通过以UX/UI方式获得所需部分的图像来规避性能限制问题。

此外，如果终端设备执行根据本发明的实施方式的识别系统，则可以通过针对每个步骤的图像识别来规避对终端设备的硬件性能的限制，并且能够提高识别有效速度，这是因为识别过程以UX/UI方式被划分成预览步骤和活动(或识别结果窗口)步骤。此外，从安全的观点，如果终端设备执行根据本发明的实施方式的识别系统，则具有以下优点：能够通过在预览步骤中识别卡号码和到期日期号码二者并允许用户改变他的或她的卡来防止对本发明的滥用。

用于使用终端设备来识别信用卡号码和到期日期的方法可以被编写成程序形式。形成程序的代码块和代码段可以被本领域程序员容易地理解。此外，关于用于使用终端设备来识别信用卡号码和到期日期的方法的程序可以被存储在电子设备可读的信息存储介质中，并且该程序可以由电子设备读取和执行。

下面描述各种实施方式。首先，描述图15的实施方式，从在图15的顶部处的信用卡图向下来依次描述总共四个信用卡图。首先，虚线四方形区域指示固定ROI。在固定ROI中，可以检测卡号码的第一个号码1的位置(即实线四方形)。在如上所述检测到第一个号码的位置然后检测到卡号码的第二个号码和第三个号码(即2和3)的位置之后，如在第二信用卡图中号码1、2和3被识别。在图15中，通过箭头指示的号码意指识别到的号码的结果。之后，在第三信用卡图中，执行用于顺次地识别所有的其余卡号码的处理。在最后的信用卡图中，对到期日期进行识别，并且执行对信用卡号码和到期日期的识别。

在以下实施方式中提出的信用卡号码与可以通过Luhn算法的样本信用卡号码对应。

[实施方式1]

如果信用卡是VISA卡(例如卡号码：4111-1111-1111-1111以及到期日期：08/16)，则首先，可以在固定ROI(即实线四方形)内检测卡号码的第一个号码4的位置。在如上所述检测到第一个号码的位置然后检测到第二号码和第三号码的位置之后，识别前三个卡号码，因此相应的卡公司可以被确定为VISA公司。获得关于VISA卡的到期日期和信用卡号码的格式的信息。接下来，通过对其余卡号码执行位置检测和号码识别来识别4111-1111-1111-1111(即所有的卡号码)。为了验证卡号码的有效性，Luhn算法被置于卡号码中。作为验证的结果，卡号码被发现为有效卡号码。之后，检测到期日期的第一个号码的位置。检测并且识别到期日期的第一个号码的位置。到期日期的第一个号码被确定为0，通过识别到期日期的所有的其余号码来提取0、8、1、6。因此，0、8、1、6不与过去的到期日期以及超过VISA公司所允许的期限的到期日期对应。因此，到期日期的所有的识别到的号码与有效的信用卡到期日期对应，因此可以有效地识别卡号码与到期日期二者。

[实施方式2]

如果信用卡是Master卡(例如卡号码：5111-1111-1111-1118以及到期日期：08/16)，则首先可以在固定ROI(即实线四方形)中检测卡号码的第一个号码5的位置。在如上所述检测到第一个号码的位置然后检测到第二个号码和第三个号码的位置之后，识别前三个卡号码，因此相应的卡公司可以被确定为MasterCard。获得关于Master卡的到期日期和信用卡号码的格式的信息。通过对其余卡号码执行位置检测和号码识别来识别5111-1111-1111-1118(即所有的卡号码)。为了验证卡号码，Luhn算法被置于卡号码中。作为验证的结果，卡号码被发现为有效的卡号码。之后，检测到期日期的第一个号码的位置。检测并且识别到期日期的第一个号码的位置。到期日期的第一个号码被确定为0。通过识别到期日期的所有的其余号码来提取0、8、1、6。因此，0、8、1、6不与过去的到期日期以及超过MasterCard所允许的期限的到期日期对应。因此，到期日期的所有的识别到的号码与有效的信用卡到期日期对应，因此可以有效地识别卡号码与到期日期二者。

如上所述，本发明所属领域的技术人员将意识到的是，可以在不改变本发明的技术精神或基本特征的情况下以其他详细形式来实现本发明。因此，要理解的是，前述的实施方式仅是示例性的，而并非限制或限制性的。此外，附图中所示的流程图仅是被示出以用于在实现本发明时实现最优选的结果的先后次序，并且可以提供其他的附加步骤或者可以删除一些步骤。

在本说明书中描述的技术特征以及用于执行所述技术特征的实现可以使用数字电子电路来实现，可以使用计算机软件、包括本说明书中描述的结构及其等同结构的固件或硬件来实现，或者可以使用它们中的一者或更多者的组合来实现。此外，用于执行在本说明书中描述的技术特征的实现可以使用计算机程序产品(亦即关于在一种程序存储介质上编码的用于控制处理系统的操作或供处理系统执行的操作的计算机程序指令的模块)来实现。

计算机可读介质可以为机器可读存储设备、机器可读存储基片、存储设备、产生机器可读电磁信号的材料成分或者它们中的一者或更多者的组合。

在本说明书中，术语“装置”或“系统”涵盖用于处理数据的所有的装置、设备和机器，包括例如处理器、计算机或多处理器或者计算机。处理系统可以包括例如形成处理器固件、协议栈、数据库管理系统、操作系统的代码或者当上述内容中的一者或更多者的组合被请求时形成用于计算机程序的除硬件以外的执行环境的所有类型的代码。

也称为程序、软件、软件应用、脚本或代码的计算机程序可以被编写成包括编译语言或解释语言或先验语言和/或过程语言的任何形式的编程语言，并且所述计算机程序还可以实现成包括独立程序或模块、部件、子例程或适于用在计算机环境中的其他单元的任何形式。

计算机程序不需要一定与文件系统的文件对应。程序可以存储在提供给被请求程序的单个文件中、可以存储在彼此交互的多个文件(例如存储一个或更多个模块的文件、较低程序或代码的一部分)中或者可以存储在另外的程序或包括数据的文件的一部分(例如存储在标记语言文档中的一个或更多个脚本)中。

计算机程序可以被置于单个站中或者被分布至多个站，并且计算机程序可以被实现成在多个计算机上或者在通过有线通信网络/无线通信网络互连的一个或更多个计算机上执行。

适于存储计算机程序指令和数据的计算机可读介质可以包括：半导体存储设备(例如EPROM、EEPROM)以及闪速存储设备(例如所有类型的非易失性存储器、介质)；以及包括磁盘的存储设备，例如内部硬盘或外部盘、磁光盘、CD和DVD。处理器和存储器可以通过针对专门目的的逻辑电路来补充，或者可以被集成到针对专门目的的逻辑电路中。

用于执行在本说明书中描述的主题内容的实现可以在以下操作系统中实现，所述操作系统包括：后端部件例如数据服务器；中间件部件例如应用服务器；前端部件例如客户端计算机，所述客户端计算机具有能够由用户与在本说明书中描述的主题内容的实现或后端部件、中间件部件和前端部件中的一者或更多者的所有组合进行交互的网络浏览器或图形用户接口。系统的部件可以通过用于数字数据通信的任何类型或介质(例如通信网络)来访问。

在下文中，结合上述内容来详细地描述能够实现包括在本说明书中描述的用于使用终端设备来识别信用卡的信用卡号码和到期日期的系统和方法中元件的更详细实施方式。

可以通过与客户端设备有关的服务器或基于网络的存储系统或用于在包括在服务器中的一个或更多个处理器上执行计算机软件、程序代码或指令的装置来部分地或总体地使用已经在本说明书中描述的用于使用终端设备来识别信用卡的信用卡号码和到期日期的系统和方法。在该情况下，处理器可以为服务器、客户端、网络架构或计算平台(例如移动计算平台或固定计算平台)的一部分。更具体地，处理器可以为能够执行指令、代码等的一种计算机或处理设备。此外，处理器可以进一步包括用于存储使用终端设备来识别信用卡的信用卡号码和到期日期的方法、指令、代码或程序的存储器。如果存储器未包括在处理器中，则处理器可以访问其中存储有用于使用终端设备来识别信用卡的信用卡号码和到期日期的方法、指令、代码或程序的存储设备，例如CD-ROM、DVD、存储器、硬盘、闪速驱动器、RAM、ROM或缓冲存储器。

此外，可以通过用于在服务器、客户端、网关、集线器、路由器或网络硬件上执行计算机软件的装置来部分地或总体地使用已经在本说明书中描述的用于使用终端设备来识别信用卡的信用卡号码和到期日期的系统和方法。在该情况下，软件可以在各种类型的服务器(诸如文件服务器、印刷服务器、域服务器、因特网服务器、内联网服务器、主机服务器和分布式服务器)中执行。前述的服务器可以进一步包括存储器、处理器、计算机可读存储介质、存储介质、通信设备、端口、客户端以及能够通过有线网络/无线网络来访问其他服务器的接口。

此外，还可以通过服务器来执行用于使用终端设备来识别信用卡的信用卡号码和到期日期的方法、指令或代码。执行用于使用终端设备来识别信用卡的信用卡号码和到期日期的方法所需的其他设备可以被实现为与服务器相关联的层级结构的一部分。

此外，服务器可以向其他设备提供接口，所述其他设备包括但不限于客户端、另外的服务器、打印机、数据库服务器、印刷服务器、文件服务器、通信服务器以及分布式服务器。通过接口的连接可以使得程序能够容易地通过有线网络/无线网络在远程地点处执行。

此外，通过接口连接至服务器的设备中的任一设备可以进一步包括能够存储用于使用终端设备来识别信用卡的信用卡号码和到期日期的方法、指令或代码的至少一个存储设备。服务器的中央处理器可以将要在另外的设备上执行的指令、代码等提供给该设备，使得指令、代码等被存储在存储设备中。

可以通过网络架构来部分地或总体地使用已经在本说明书中描述的用于使用终端设备来识别信用卡的信用卡号码和到期日期的系统和方法。在该情况下，网络架构可以包括所有设备(例如计算设备、服务器、路由器、集线器、防火墙、客户端、个人计算机、通信设备以及路由设备)以及能够执行相应功能的分立模块。网络架构可以进一步包括除上述设备和模块以外的存储介质(例如闪速存储器、缓冲存储器、栈、RAM和ROM)。此外，用于使用终端设备来识别信用卡的信用卡号码和到期日期的方法、指令或代码还可以由包括在网络架构中的设备、模块和存储介质中的任一者来执行，并且被存储在包括在网络架构中的设备、模块和存储介质中的任一者中。执行用于使用终端设备来识别信用卡的信用卡号码和到期日期的方法所需的另外的设备还可以实现为网络架构的一部分。

此外，可以使用适用于特定应用和软件的软件或硬件来实现已经在本说明书中描述的用于使用终端设备来识别信用卡的信用卡号码和到期日期的系统和方法。在该情况下，硬盘包括：所有的通用计算机设备，例如个人计算机和移动通信终端；以及商业类型专用计算机设备。计算机设备可以使用诸如存储器、微处理器、微控制器、数据信号处理器、专用集成电路、可编程门阵列、可编程阵列逻辑或它们的组合的设备来实现。

上述计算机软件、指令、代码等可以由可读设备来存储或访问。在该情况下，可读设备可以包括：存储器，例如包括用于特定时间的计算的数字数据的计算机部件；半导体存储器，例如RAM或ROM；永久存储器，例如光盘；高容量存储器，例如硬盘、磁带和磁鼓；光学存储器，例如CD或DVD；以及网络接入类型存储器，例如闪速存储器、软盘、磁带、纸质磁带、独立型RAM盘；从计算机、动态存储器、静态存储器、可变存储器和云上可拆卸的高容量存储器。在该情况下，指令、代码等包括所有语言，例如：面向数据的语言，如SQL和dBase；系统语言，如C、Objective C、C++；以及组件架构语言，如Java和NET，以及应用语言如PHP、Ruby、Perl和Python，但并不限于上述语言。指令、代码等可以包括本发明所属领域的技术人员所广泛得知的所有语言。

此外，在本说明书中描述的“计算机可读介质”包括用于向处理器提供指令以执行程序的所有介质。更具体地，“计算机可读介质”包括：非易失性介质，例如数据存储设备、光盘和磁盘；易失性介质，例如动态存储器；以及用于发送数据的传输介质，例如同轴线缆、铜线和光纤，但不限于上述介质。

用于执行包括在本说明书的附图中所示的框图和流程图中的本发明的技术特征的元件意指元件之间的逻辑界限。

然而，根据软件实施方式或硬件实施方式，所示的元件的功能及其函数可以被实现成使得元件及其功能以独立软件模块、整体软件结构、代码、服务或它们的组合的形式来执行，并且被存储在由包括能够执行存储的程序代码和指令的处理器的计算机可执行的介质中。因此，所有的这样的实施方式应该被解释为属于本发明的范围。

因此，附图及其技术描述了本发明的技术特征，但是不应当被简单地理解，除非另外清楚地描述了用于实现这样的技术特征的特定软件阵列。亦即，前述的各种实施方式可以存在并且可以在具有与本发明的技术特征相同的技术特征的同时部分地被修改。因此，这样的修改的实施方式应当被解释为属于本发明的范围。

此外，虽然流程图在附图中描述了特定顺序的操作，但是所述流程图被示出以获得最优选的结果。不应当被理解为这样的操作必须被执行或者所有所示的操作必须以所示的特定顺序或先后次序来执行。在特定情况下，多任务和并行处理可以是有利的。此外，在上述实施方式中的各种系统部件的分立不应当解释为在所有实施方式中要求这样的分立。应当理解的是，上述程序部件和系统可以被集成到单个软件产品中或被封装到多软件产品中。

根据本发明的实施方式，具有以下优点：与基于图像处理的技术相比能够提高识别率。

此外，具有以下优点：由于根据本发明的实施方式的卷积神经网络占用的容量通过权重量化而被降低，所以能够降低网络的容量，使得即使终端设备具有有限的硬盘容量，网络也能够被包括在终端设备中。因此，本发明能够应用于智能电话等。

此外，具有以下优点：如果终端设备执行根据本发明的实施方式的识别系统，则能够通过以UX/UI方式来获得有效图像从而规避对终端设备的硬件性能的限制。

此外，具有以下优点：如果终端设备执行根据本发明的实施方式的识别系统，则由于识别过程以UX/UI方式被划分成预览步骤和活动(识别结果窗口)步骤，所以能够通过针对每个步骤的图像识别来规避对终端设备的硬件性能的限制，并且能够提高识别有效速度。

此外，根据本发明的实施方式的用于使用终端设备来识别信用卡的信用卡号码和到期日期的系统和方法，能够解决信用卡的图像识别率的准确性问题。

此外，如果终端设备执行根据本发明的实施方式的识别系统，则在活动步骤中，再次识别所有的卡号码和到期日期号码，并且用户改变他或她的信用卡。因此，能够防止对本发明的滥用。

如上所述，在本说明书中提出的详细术语并非意在限制本发明。因此，虽然已经参照上述实施方式详细描述了本发明，但是在不脱离本发明的范围的情况下，本发明所属的领域的技术人员可以重新构造、改变和修改实施方式。

通过所附权利要求而不是详细描述来限定本发明的范围，并且本发明应当被解释为涵盖根据所附权利要求及其等同方案的意义和范围所得到的所有的修改或变型。