【身份证识别】BP神经网络身份证号码识别【含Matlab源码 1344期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、身份证号码识别简介（附课题作业报告）

1 引言
当今是一个信息高度发达的时代，对于每个公民而言身份证那一连串的数字体现了个人信息的唯一性，出于保障公民合法权益和社会治安的考虑，越来越多的行业都开始建立自己的安全保障体系，其中最为关键的就是身份证号码登记管理。身份证号码的录入全部采用手动输入的方式，这是项非常繁琐的工作，手动录入方式一方面耗费了大量的人力，浪费了时间，另一方面又容易出错，录入正确率偏低。因此，如何快速录入身份证号码已成
为迫切需要解决的问题
随着人工神经网络技术的快速发展，神经网络在处理数据方面具备快速性和高效性，图像识别技术的研究和应用也取得了突破性进展，应用神经网络识别身份证号码，可以提高识别的准确性和鲁棒性。因此， 笔者利用MATLAB GUI和神经网络设计开发了一个可快速识别身份证号码的仿真平台。

2 BP神经网络
人工神经网络是对人脑或者生物神经网络若干基本特性的抽象和模拟，使机器拥有和人脑一样的感知、学习和推理能力。神经网络系统是一个复杂而庞大的非线性系统，它的信息主要由若干个结构简单的处理单元按照某种连接方式对数据进行映射来传递。
BP神经网络是一种多层前馈神经网络，已成为应用最广、发展最成熟的一种人工神经网络，由输入层、隐含层和输出层组成，三层BP神经网络的拓扑结构如图1所示，层与层之间采用全互连方式，同一层之间不存在相互连接，隐含层可以有一层或多层。由于BP神经网络具有完善的理论体系、清晰的算法流程、清晰的数据识别和模式功能。绝大部分解决非线性系统问题的神经网络模型都采用BP神经网络或其变化形式。它也是前向网络的核
心部分，体现了人工神经网络的精华。

图1三层BP神经网络的拓扑结构
MATLAB的神经网络工具箱(Neural NetworkToolbox)功能完善， 提供了神经网络的建立、训练和模拟等函数，以及各种改进训练算法函数，用户可以很容易地设计和模拟神经网络，也可以在MATLAB源代码的基础上进行适当修改， 形成自己的工具包以满足实际需要。本文采用的训练函数是具有较快收敛速度且能避免局部最小问题出现的train gdm函数， BP网络的输入与输出节点数根据实际情况来决定，与网络性能无关，网络结构最关键是确定隐含层节点数，经反复验证，本系统当隐含层节点数为35时，计算误差MSE最小。

⛄二、部分源代码

%根据身份证号码区图像和数字标号，显示该数字对应的图像信息
function I_ID_1 = get_number(I_ID,i)
img_reg_1 = regionprops(I_ID, ‘area’, ‘boundingbox’);%统计被标记的区域的面积分布
rects_1 = cat(1,img_reg_1.BoundingBox);%联结连通域
num_1 = find(rects_1(:,4) > 20);%根据身份证高度信息，筛选身份证数字信息
if length(num_1) ~= 18
disp(‘身份证号码识别错误’);
end
clear;close all;clc;

[filename,filepath]=uigetfile({‘.jpg’;'.bmp’},‘输入一个需要识别的图像’);
file=strcat(filepath,filename);
ID_origin=imread(file);

ID_origin=imresize(ID_origin,[2560 2100]);
ID_normalization = im2double(ID_origin);
ID_binaryzation0 = im2bw(ID_normalization,0.4);
ID_binaryzation1 = im2bw(ID_normalization,0.3);
ID_strel = strel(‘disk’,2);
ID_binaryzation=imdilate(ID_binaryzation1,ID_strel);

figure(‘name’,‘身份证原始图’);
subplot(2,2,1);
imshow(ID_origin);
title(‘身份证原图’);
subplot(2,2,2);
imshow(ID_binaryzation0);
title(‘二值化系数0.4’);
subplot(2,2,3);
imshow(ID_binaryzation1);
title(‘二值化系数0.3’);
subplot(2,2,4);
imshow(ID_binaryzation);
title(‘二值化+膨胀处理’);

ID_contrary = ~ID_binaryzation;
ID_strel = strel(‘line’, 20 , 0);
ID_bulk_1=imdilate(ID_contrary,ID_strel);
ID_bulk_2=imdilate(ID_bulk_1,ID_strel);
ID_bulk_3=imdilate(ID_bulk_2,ID_strel);

figure(‘name’,‘身份证膨胀图像’);
subplot(221),imshow(ID_contrary);
title(‘身份证原始图像’);
subplot(222),imshow(ID_bulk_1);
title(‘身份证1次膨胀后的图像’);
subplot(223),imshow(ID_bulk_2);
title(‘身份证2次膨胀后的图像’);
subplot(224),imshow(ID_bulk_3);
title(‘身份证3次膨胀后的图像’);
suptitle(‘身份证膨胀图像’);%显示主标题

% 获取连通域

rects = cat(1,img_reg.BoundingBox);

figure(‘name’,‘身份证划分区域’),
imshow(ID_bulk_3);
for i = 1:size(rects, 1)
rectangle(‘position’, rects(i, 😃, ‘EdgeColor’, ‘r’);
end

num1 = find(abs(rects(:,3)-1200)<80);
num2 = find(abs(rects(:,4)-62)<10);
num = intersect(num1,num2);%获取相同序列值
rectangle(‘position’, rects(num,:), ‘EdgeColor’,‘g’);
title(‘身份证划分区域’);

%提取身份证号码区域
[I_x,I_y] = size(ID_bulk_3);
ID_x = floor(rects(num,2)):ceil(rects(num,2)+rects(num,4));
ID_y = floor(rects(num,1)):ceil(rects(num,1)+rects(num,3));
I_ID = ID_contrary(ID_x,ID_y);
figure(‘name’,‘身份证号码区’);
imshow(I_ID);
title(‘身份证号码区’);

img_reg_1 = regionprops(I_ID, ‘area’, ‘boundingbox’);
rects_1 = cat(1, img_reg_1.BoundingBox);

figure(‘name’,‘身份证号码数字区’),
imshow(I_ID);
for i = 1:size(rects_1, 1)
rectangle(‘position’, rects_1(i, 😃, ‘EdgeColor’, ‘r’);
end
title(‘身份证号码数字区’);

figure(‘name’,‘身份证数字分割显示’);
suptitle(‘身份证数字分割显示’);
for i = 1:18

I_ID_1 = ~I_ID_1;
JPG = ones(100,100);
[JPG_x,JPG_y] = size(I_ID_1);

subplot(3,6,i);
imshow(JPG); 
name=strcat(int2str(i),'.bmp');
imwrite(JPG,name);

end

clc;
load NET_new net;
for i = 1:18
% name=strcat(‘10 (’,int2str(i),‘).bmp’);
name=strcat(int2str(i),‘.bmp’);
JPG_origin = ~imread(name);

[a,Pf,Af]=sim(net,BMP);           
result(i) = round(a);

end
%% 检验身份证信息
ID_test = result(1:17);
ID_check = [7 9 10 5 8 4 2 1 6 3 7 9 10 5 8 4 2 ];
ID_sum = sum(ID_test.*ID_check);
TD_mod = mod(ID_sum,11) + 1;
ID_last = [1 0 10 9 8 7 6 5 4 3 2];
ID_18 = ID_last(TD_mod);
%验证身份证信息是否正确，保存文档至txt
if ID_18 == result(18)
disp(‘身份证信息识别成功！’);
fid = fopen(‘身份证号码.txt’,‘wt’);
fprintf(fid,‘%g’,abs(result(1:17)));
if result(18) == 10
fprintf(fid,‘X’);
else
fprintf(fid,‘%g’,abs(result(18)));
fopen(fid);
end
else
disp(‘身份证信息识别错误！’);
end

result

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]李开,陈礼安,曹计昌.基于灰度多值化的身份证号码识别[J].计算机工程与应用. 2015,51(13)
[2]成利敏,孙亮,王宁.基于BP神经网络和GUI的身份证号码识别系统[J].廊坊师范学院学报(自然科学版). 2019,19(04)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合