Um Sistema de Validação de Imagens de Documentos Pessoais Utilizando Detecção de Objetos-Reference-Cited by-同舟云学术

Um Sistema de Validação de Imagens de Documentos Pessoais Utilizando Detecção de Objetos

Published:2023-11-23 Issue: Volume: Page:21-30
ISSN:
Container-title:Anais da XI Escola Regional de Computação do Ceará, Maranhão e Piauí (ERCEMAPI 2023)
language:
Short-container-title:

Author:

Fernandes Lucas S.,Lima Francisco Igor da Silva,Aguiar Tácio Soares,Freitas Rodrigo da Silva,de Oliveira Gabriel Campos,Maia José Gilvan Rodrigues,Rego Paulo Antonio Leal

Abstract

A análise e o reconhecimento de documentos de identidade baseados em imagens têm sido usados em várias aplicações e contextos, trazendo benefícios para a sociedade. Muitos processos são realizados manualmente e se beneficiariam da automatização da validação de informação contida nesses documentos. Este trabalho apresenta um novo sistema automático de validação de documentos pessoais. Ele extrai e reconhece informações relevantes usando um modelo de detecção de objetos de última geração e reconhecimento óptico de caracteres. Utilizando certidões de nascimento e casamento como objeto de estudo, um conjunto de dados privado de documentos reais é usado para treinar a rede e testar o sistema. O reconhecimento de informações atingiu 75% de precisão para reconhecimento de nomes, 82% para matrículas e 65% para ambos juntos. Considerando pelo menos 80% de similaridade, nosso método alcançou 94% de precisão para o reconhecimento de nomes, 93% para o registro e 91% para ambos. Portanto, esses resultados indicam que o sistema proposto é promissor.

Publisher

Sociedade Brasileira de Computação - SBC

Reference12 articles.

1. Bulatov, K., Bezmaternykh, P., Nikolaev, D., and Arlazarov, V. (2022). Towards a unified framework for identity documents analysis and recognition. Computer Optics, 46(3):436–454.

2. Castelblanco, A., Solano, J., Lopez, C., Rivera, E., Tengana, L., and Ochoa, M. (2020). Machine learning techniques for identity document verification in uncontrolled environments: A case study. In Mexican Conference on Pattern Recognition, pages 271–281. Springer.

3. LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. nature, 521(7553):436.

4. Lopes Junior, C. A., das Neves Junior, R. B., Bezerra, B. L., Toselli, A. H., and Impedovo, D. (2021). Icdar 2021 competition on components segmentation task of document photos. In Document Analysis and Recognition–ICDAR 2021: 16th International Conference, Lausanne, Switzerland, September 5–10, 2021, Proceedings, Part IV 16, pages 678–692. Springer.

5. Polevoy, D. V., Sigareva, I. V., Ershova, D. M., Arlazarov, V. V., Nikolaev, D. P., Ming, Z., Luqman, M. M., and Burie, J.-C. (2022). Document liveness challenge dataset (dlc-2021). Journal of Imaging, 8(7):181.