票据图像的处理方法、装置和服务器与流程

1.本说明书属于人工智能技术领域，尤其涉及票据图像的处理方法、装置和服务器。


背景技术：

2.在金融业务场景中，业务系统服务器常常需要从客户所提交的包含有票据的票据图像中识别并提取出相关的票据信息，以进行相应的业务处理。
3.但是，票据中往往还会存在水印，上述水印会对票据信息的识别提取产生干扰，进而导致识别过程容易出现误差，影响所提取到的票据信息的准确度。
4.针对上述问题，目前尚未提出有效解决方案。


技术实现要素：

5.本说明书提供了一种票据图像的处理方法、装置和服务器，能够高效、便捷地去除目标图像中水印，进而可以基于去除水印后的目标图像，准确、高效地识别并提取得到所需要的票据信息，有效地减少了识别误差。
6.本说明书提供了一种票据图像的处理方法，包括：
7.获取包含有目标票据的目标图像；
8.利用预设的水印去除模型处理所述目标图像，以得到去除水印后的目标图像；其中，所述预设的水印去除模型至少包括第一网络层和第二网络网络层，所述第二网络层还连接有图像生成器；
9.对所述去除水印后的目标图像进行ocr识别，以获取目标票据中的票据信息。
10.在一个实施例中，所述目标票据包括以下至少之一：汇票、本票、支票。
11.在一个实施例中，所述预设的水印去除模型按照以下方式训练得到：
12.拍摄包含有样本票据的图像，作为第一样本图像；
13.根据预设的添加规则，在所述第一样本图像中添加相应的样本水印图案，得到与第一样本图像对应的第二样本图像；
14.根据预设的构建规则，构建初始的水印去除模型；
15.组合使用相对应的第一样本图像和第二样本图像，训练所述初始的水印去除模型，以得到符合要求的预设的水印去除模型。
16.在一个实施例中，根据预设的添加规则，在所述第一样本图像中添加相应的样本水印图案，得到与第一样本图像对应的第二样本图像，包括：
17.在第一样本图像中，确定出第一随机位置；
18.在所述第一随机位置处添加样本水印图案，并调整该样本水印图案的透明度，以得到与第一样本图像对应的第二样本图像。
19.在一个实施例中，根据预设的添加规则，在所述第一样本图像中添加相应的样本水印图案，得到与第一样本图像对应的第二样本图像，包括：
20.在第一样本图像中，确定出第二随机位置；
21.在所述第二随机位置处添加样本水印图案，并调整该样本水印图案的对比度，以得到与第一样本图像对应的第二样本图像。
22.在一个实施例中，根据预设的构建规则，构建初始的水印去除模型，包括：
23.构建第一网络层、第二网络层和判别器；其中，第二网络层还连接有图像生成器；
24.将第一网络层与第二网络层相连；并将图像生成器与判别器相连，以得到初始的水印去除模型。
25.在一个实施例中，组合使用相对应的第一样本图像和第二样本图像，训练所述初始的水印去除模型，包括：
26.将第二样本图像输入第一网络层，得到与第二样本图像对应的第一中间数据；
27.将第一中间数据和第二样本图像组合后输入第二网络层，得到与第二样本图像对应的第二中间数据；并利用图像生成器处理第二中间数据，得到处理后的第二样本图像；
28.组合第二样本图像与处理后的第二样本图像得到第一样本数据组；组合第二样本图像和相对应的第一样本图像得到第二样本数据组；
29.利用判别器通过处理第一样本数据组和第二样本数据组，调整第一网络层和第二网络层的网络参数。
30.在一个实施例中，利用判别器通过处理第一样本数据组和第二样本数据组，调整第一网络层和第二网络层的网络参数，包括：
31.利用判别器根据第一样本数据组和第二样本数据组进行卷积运算，得到判别结果；
32.根据判别结果，调整第一网络层和第二网络层的网络参数。
33.在一个实施例中，对所述去除水印后的目标图像进行ocr识别，包括：
34.利用预设的图像识别模型对所述去除水印后的目标图像进行ocr识别。
35.在一个实施例中，在获取包含有目标票据的目标图像之后，所述方法还包括：
36.检测目标图像中是否包含有水印图案；
37.在确定目标图像未包含有水印图案的情况下，对目标图像进行ocr识别，以获取目标票据中的票据信息。
38.在一个实施例中，在对所述去除水印后的目标图像进行ocr识别，以获取目标票据中的票据信息之后，所述方法还包括：
39.根据目标票据中的票据信息，进行结算处理。
40.本说明书还提供了一种票据图像的处理装置，包括：
41.获取模块，用于获取包含有目标票据的目标图像；
42.处理模块，用于利用预设的水印去除模型处理所述目标图像，以得到去除水印后的目标图像；其中，所述预设的水印去除模型至少包括第一网络层和第二网络网络层，所述第二网络层还连接有图像生成器；
43.识别模块，用于对所述去除水印后的目标图像进行ocr识别，以获取目标票据中的票据信息。
44.本说明书还提供了一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现所述票据图像的处理方法的相关步骤。
45.本说明书还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令
被处理器执行时实现所述票据图像的处理方法的相关步骤。
46.本说明书还提供了一种计算机程序产品，包含有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取包含有目标票据的目标图像；利用预设的水印去除模型处理所述目标图像，以得到去除水印后的目标图像；其中，所述预设的水印去除模型至少包括第一网络层和第二网络网络层，所述第二网络层还连接有图像生成器；对所述去除水印后的目标图像进行ocr识别，以获取目标票据中的票据信息。
47.基于本说明书提供的票据图像的处理方法、装置和服务器，具体实施前，可以基于对抗的思想，通过深度学习构建并训练得到精度较高、效果较好的预设的水印去除模型；其中，该预设的水印去除模型至少包括第一网络层和第二网络网络层，上述第二网络层还连接有图像生成器。具体实施时，可以先获取包含有目标票据的目标图像；再利用预设的水印去除模型通过处理该目标图像，得到去除水印后的目标图像；再通过对去除水印后的目标图像进行ocr识别，以获取目标票据中的票据信息。从而可以高效、便捷地去除目标图像中水印，进而可以基于去除水印后的目标图像，准确、高效地识别并提取得到所需要的票据信息，有效地减少了识别误差，提高了整体的处理效率。
附图说明
48.为了更清楚地说明本说明书实施例，下面将对实施例中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
49.图1是本说明书的一个实施例提供的票据图像的处理方法的流程示意图；
50.图2是在一个场景示例中，应用本说明书实施例提供的票据图像的处理方法的一种实施例的示意图；
51.图3是在一个场景示例中，应用本说明书实施例提供的票据图像的处理方法的一种实施例的示意图；
52.图4是本说明书的一个实施例提供的服务器的结构组成示意图；
53.图5是本说明书的一个实施例提供的票据图像的处理装置的结构组成示意图。
具体实施方式
54.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
55.参阅图1所示，本说明书实施例提供了一种票据图像的处理方法，其中，该方法具体应用于服务器一侧。具体实施时，该方法可以包括以下内容：
56.s101：获取包含有目标票据的目标图像；
57.s102：利用预设的水印去除模型处理所述目标图像，以得到去除水印后的目标图像；其中，所述预设的水印去除模型至少包括第一网络层和第二网络网络层，所述第二网络层还连接有图像生成器；
58.s103：对所述去除水印后的目标图像进行ocr识别，以获取目标票据中的票据信息。
59.其中，上述预设的水印去除模型具体可以理解为一种预先基于对抗思想(或称对抗模块，attack and defence)通过深度学习(dl，deep learning)训练得到的，能够自动检测并去除图像中的水印图案的神经网络模型。
60.在一些实施例中，参阅图2所示，上述票据图像的处理方法具体可以应用服务器一侧。其中，上述服务器具体可以包括一种应用于交易数据处理系统一侧，能够实现数据传输、数据处理等功能的后台负服务器。具体的，所述服务器例如可以为一个具有数据运算、存储功能以及网络交互功能的电子设备。或者，所述服务器也可以为运行于该电子设备中，为数据处理、存储和网络交互提供支持的软件程序。在本实施例中，并不具体限定所述服务器的数量。所述服务器具体可以为一个服务器，也可以为几个服务器，或者，由若干服务器形成的服务器集群。
61.具体实施时，参阅图2所示，当用户想要发起涉及目标票据的业务数据处理时，可以使用用户终端拍摄包含有目标票据的图像作为目标图像；再将携带有上述目标图像的业务处理请求发送至服务器。
62.其中，上述用户终端具体可以包括一种应用于用户一侧，能够实现数据采集、数据传输等功能的前端。具体的，所述用户终端例如可以为设置有摄像头的平板电脑、笔记本电脑、智能手机等电子设备。或者，所述用户终端也可以为能够运行于上述电子设备中的软件应用。例如，可以是在智能手机上运行的某业务app等。
63.服务器在接收到用户终端发送的携带有目标图像的业务数据处理请求之后，可以先利用预设的水印去除模型通过处理该目标图像消除水印图案，以避免水印图案对后续识别过程的干扰，得到去除水印后的目标图像；再通过对去除水印后的目标图像进行ocr识别，准确地提取得到所需要的目标票据中的票据信息；然后，响应业务数据处理请求，利用所提取到的票据信息，进行具体的业务数据处理。例如，利用所提取到的票据信息进行结算处理等。
64.在一些实施例中，所述目标票据具体可以包括以下至少之一：汇票、本票、支票等。当然，需要说明的是，上述所列举的目标票据只是一种示意性说明。具体实施时，根据具体的应用场景和处理需求，还可以引入和使用其他类型的票据作为所述目标票据。对此，本说明书不作限定。
65.在一些实施例中，上述获取包含有目标票据的目标图像，具体实施时，可以包括：拍摄包含有目标票据的照片，以获得目标图像；或者，从视频数据中截取包含有目标票据的截图，作为所述目标图像。
66.在一些实施例中，上述预设的水印去除模型至少包括第一网络层和第二网络网络层，所述第二网络层还连接有图像生成器。
67.上述利用预设的水印去除模型处理所述目标图像，具体实施时，可以包括以下内容：将目标图像作为模型输入，输入至预设的水印去除模型中；目标图像输入至第一网络层，第一网络层通过处理目标图像，输出对应的第一中间数据；目标图像和第一中间数据组合后，再输入至第二网络层，第二网络层通过处理目标图像和第一中间数据的组合，输出对应的第二中间数据；通过图像生成器处理所述第二中间数据，得到对应的去除水印后的目
标图像，作为最终的模型输出。
68.在一些实施例中，参阅图3所示，具体实施前，可以按照以下方式训练得到预设的水印去除模型：
69.s1：拍摄包含有样本票据的图像，作为第一样本图像；
70.s2：根据预设的添加规则，在所述第一样本图像中添加相应的样本水印图案，得到与第一样本图像对应的第二样本图像；
71.s3：根据预设的构建规则，构建初始的水印去除模型；
72.s4：组合使用相对应的第一样本图像和第二样本图像，训练所述初始的水印去除模型，以得到符合要求的预设的水印去除模型。
73.其中，上述第一样本图像具体可以理解为不含水印，只包含有样本票据的图像。上述第二样本图像具体可以理解为同时包含有水印和样本票据的图像。其中，一个第二样本图像可以与一个第一样本图像对应，一个第一样本图像可以同时对应多个不同的第二样本图像。
74.具体构建时，可以根据预设的构建规则，在初始的水印去除模型中增加判别器；进而具体训练时，可以基于对抗的思想，利用判别器通过组合使用相对应的第一样本图像和第二样本图像，以得到精度较高、效果较好的预设的水印去除模型。
75.在一些实施例中，上述根据预设的添加规则，在所述第一样本图像中添加相应的样本水印图案，得到与第一样本图像对应的第二样本图像，具体实施时，可以包括以下内容：
76.s1：在第一样本图像中，确定出第一随机位置；
77.s2：在所述第一随机位置处添加样本水印图案，并调整该样本水印图案的透明度，以得到与第一样本图像对应的第二样本图像。
78.具体实施时，可以在第一样本图像中，随机确定出多个第一随机位置；并在多个第一随机位置中添加样本水印图案；同时，还可以分别随机调整多个样本水印图案的透明度，从而可以获得多个第二样本图像。其中，上述多个第二样本图像对应同一个第一样本图像。
79.通过上述实施例，可以有效地扩充第二样本图像，得到分布相对多样的第二样本图像，进而后续可以利用上述第二样本图像，训练得到效果相对较好的预设的水印去除模型。
80.具体实施时，可以按照以下方式获取水印图案：在空白纸上设置样本水印，并拍摄设置有样本水印的空白纸，得到样本水印图像；从样本水印图像中，分割并提取得到所需要的样本水印图案。
81.在一些实施例中，上述根据预设的添加规则，在所述第一样本图像中添加相应的样本水印图案，得到与第一样本图像对应的第二样本图像，具体实施时，还可以包括以下内容：
82.s1：在第一样本图像中，确定出第二随机位置；
83.s2：在所述第二随机位置处添加样本水印图案，并调整该样本水印图案的对比度，以得到与第一样本图像对应的第二样本图像。
84.具体实施时，可以在第一样本图像中，随机确定出多个第二随机位置；并在多个第二随机位置中添加样本水印图案；同时，还可以分别随机调整多个样本水印图案的对比度，
从而可以获得多个第二样本图像。其中，上述多个第二样本图像对应同一个第一样本图像。
85.通过上述实施例，可以有效地扩充第二样本图像，得到分布相对更加多样的第二样本图像，进而后续可以利用上述第二样本图像，训练得到效果相对更好的预设的水印去除模型。
86.在一些实施例中，在得到第二样本图像之后，具体实施时，还可以包括：生成随机噪声，在所述第二样本图像中增加随机噪声，以使得用于训练模型的第二样本图像更接近于正常环境中所采集到的票据图像，从而使得训练得到的预设的水印去除模型具有更高的处理精度。
87.在一些实施例中，上述根据预设的构建规则，构建初始的水印去除模型，具体实施时，可以包括以下内容：
88.s1：构建第一网络层、第二网络层和判别器；其中，第二网络层还连接有图像生成器；
89.s2：将第一网络层与第二网络层相连；并将图像生成器与判别器相连，以得到初始的水印去除模型。
90.在一些实施例中，可以综合对抗思想和深度学习来训练初始的水印去除模型，得到符合要求的预设的水印去除模型。
91.在一些实施例中，上述组合使用相对应的第一样本图像和第二样本图像，训练所述初始的水印去除模型，具体实施时，可以包括以下内容：
92.s1：将第二样本图像输入第一网络层，得到与第二样本图像对应的第一中间数据；
93.s2：将第一中间数据和第二样本图像组合后输入第二网络层，得到与第二样本图像对应的第二中间数据；并利用图像生成器处理第二中间数据，得到处理后的第二样本图像；
94.s3：组合第二样本图像与处理后的第二样本图像得到第一样本数据组；组合第二样本图像和相对应的第一样本图像得到第二样本数据组；
95.s4：利用判别器通过处理第一样本数据组和第二样本数据组，调整第一网络层和第二网络层的网络参数。
96.具体实施时，上述第一网络层可以记为g，第二网络层可以记为d，第二样本图像可以记为x，第一样本图像可以记为y。具体实施时，通过第一网络层处理第二样本图像后得到的第一中间数据可以记为g(x)。接着，可以将第一中间数据和第二样本图像组合后得到的(x,g(x))输入至第二网络层，得到对应的第二中间数据d(x,g(x))。接着，可以将第二中间数据出输入至图像生成器，得到处理后的第二样本图像，可以记为x’。进一步，可以将第二样本图像与处理后的第二样本图像进行组合，得到第一样本数据组(x’,x)，同时，将第二样本图像与第一样本图像进行组合，得到第二样本数据组(y,x)。再利用判别器通过处理上述第一样本数据组合第二样本数据组，引导对第一网络层和第二网络层的网络参数进行针对性的调整。重复上述训练过程，不断地调整第一网络层和第二网络层的网络参数，以使得第一样本数据组逐渐逼近第二样本数据组，直到第一样本数据组中的x’与第二样本数据组中的y之间的差异值小于预设的差异阈值停止训练，得到精度符合要求的预设的水印去除模型。
97.在一些实施例中，上述利用判别器通过处理第一样本数据组和第二样本数据组，
调整第一网络层和第二网络层的网络参数，具体实施时，可以包括以下内容：
98.s1：利用判别器根据第一样本数据组和第二样本数据组进行卷积运算，得到判别结果；
99.s2：根据判别结果，调整第一网络层和第二网络层的网络参数。
100.具体实施时，利用上述判别器根据第一样本数据组和第二样本数据组进行卷积运算，可以得到一个n*n维的元素矩阵，作为所述判别结果。其中，该元素矩阵中每一个元素代表着图像中的一个比较大的感受野，每一个元素的数据值用于表征在图像中相应感受野所对应的信息是真(true)或者假(false)。基于上述判别结果可以确定出处理后的第二样本图像(即去除水印后的第二样本图像)与相对应的第一样本图像之间的差异值。
101.在一些实施例中，上述对所述去除水印后的目标图像进行ocr识别，具体实施时，可以包括以下内容：利用预设的图像识别模型对所述去除水印后的目标图像进行ocr识别。
102.其中，上述预设的图像识别模型具体可以理解为一种预先训练得到的能够从输入的图像中自动识别出文本字符的ocr识别模型。上述ocr(optical character recognition)具体可以是指光学字符识别。
103.在一些实施例中，在获取包含有目标票据的目标图像之后，所述方法具体实施时，还可以包括以下内容：
104.s1：检测目标图像中是否包含有水印图案；
105.s2：在确定目标图像未包含有水印图案的情况下，对目标图像进行ocr识别，以获取目标票据中的票据信息。
106.基于上述实施例，具体实施时，在检测到目标图像不包含有水印图案的情况下，可以跳过对目标图像进行水印清除，直接对目标图像进行ocr识别，快速地提取得到目标票据中的票据信息。
107.具体检测水印图案时，可以将目标图像中的像素点的数据值，与预设的水印模板参数进行比对；根据比对结果，确定出相匹配的待定像素点；根据待定像素点，确定目标图像中是否包含有水印图案。
108.在一些实施例中，在对所述去除水印后的目标图像进行ocr识别，以获取目标票据中的票据信息之后，所述方法具体实施时，还可以包括以下内容：根据目标票据中的票据信息，进行结算处理。此外，根据具体的应用场景和处理需求，还可以根据目标票据中的票据信息，进行其他类型的业务数据处理。
109.在一些实施例中，在利用预设的水印去除模型处理所述目标图像之前，所述方具体实施时，还可以包括以下内容：检测目标图像是否存在遮挡；在检测到目标图像存在遮挡的情况下，生成报错提示。
110.具体检测是否存在遮挡时，可以先在目标图像中确定出中间的图像区域作为检测区域；再通过计算并根据检测区域中像素点的像素值与邻近像素点的像素值方差，确定该检测区域是否存在遮挡。在确定检测区域存在遮挡时，可以确定目标图像存在遮挡。这时，可以预判该基于目标图像，无法玩着地提取得到所需要的关键票据信息，进而可以生报错提示，以提示用户重新提高包含有的目标票据的目标图像。此外，服务器停止对该目标图像的后续处理，避免对处理资源和处理资源的浪费。
111.由上可见，基于本说明书实施例提供的票据图像的处理方法，具体实施前，可以基
于对抗的思想，构建并训练得到精度较高、效果较好的预设的水印去除模型；其中，该预设的水印去除模型至少包括第一网络层和第二网络网络层，上述第二网络层还连接有图像生成器。具体实施时，先获取包含有目标票据的目标图像；再利用预设的水印去除模型通过处理该目标图像，得到去除水印后的目标图像；再通过对去除水印后的目标图像进行ocr识别，以获取目标票据中的票据信息。从而可以高效、便捷地去除目标图像中水印，进而可以基于去除水印后的目标图像，准确地识别并提取得到所需要的票据信息，有效地减少了识别误差。
112.本说明书实施例还提供一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器具体实施时可以根据指令执行以下步骤：获取包含有目标票据的目标图像；利用预设的水印去除模型处理所述目标图像，以得到去除水印后的目标图像；其中，所述预设的水印去除模型至少包括第一网络层和第二网络网络层，所述第二网络层还连接有图像生成器；对所述去除水印后的目标图像进行ocr识别，以获取目标票据中的票据信息。
113.为了能够更加准确地完成上述指令，参阅图4所示，本说明书实施例还提供了另一种具体的服务器，其中，所述服务器包括网络通信端口401、处理器402以及存储器403，上述结构通过内部线缆相连，以便各个结构可以进行具体的数据交互。
114.其中，所述网络通信端口401，具体可以用于获取包含有目标票据的目标图像。
115.所述处理器402，具体可以用于利用预设的水印去除模型处理所述目标图像，以得到去除水印后的目标图像；其中，所述预设的水印去除模型至少包括第一网络层和第二网络网络层，所述第二网络层还连接有图像生成器；对所述去除水印后的目标图像进行ocr识别，以获取目标票据中的票据信息。
116.所述存储器403，具体可以用于存储相应的指令程序。
117.在本实施例中，所述网络通信端口401可以是与不同的通信协议进行绑定，从而可以发送或接收不同数据的虚拟端口。例如，所述网络通信端口可以是负责进行web数据通信的端口，也可以是负责进行ftp数据通信的端口，还可以是负责进行邮件数据通信的端口。此外，所述网络通信端口还可以是实体的通信接口或者通信芯片。例如，其可以为无线移动网络通信芯片，如gsm、cdma等；其还可以为wifi芯片；其还可以为蓝牙芯片。
118.在本实施例中，所述处理器402可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。
119.在本实施例中，所述存储器403可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如ram、fifo等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、tf卡等。
120.本说明书实施例还提供了一种基于上述票据图像的处理方法的计算机可读存储介质，所述计算机可读存储介质存储有计算机程序指令，在所述计算机程序指令被执行时实现以下步骤：获取包含有目标票据的目标图像；利用预设的水印去除模型处理所述目标
图像，以得到去除水印后的目标图像；其中，所述预设的水印去除模型至少包括第一网络层和第二网络网络层，所述第二网络层还连接有图像生成器；对所述去除水印后的目标图像进行ocr识别，以获取目标票据中的票据信息。
121.在本实施例中，上述存储介质包括但不限于随机存取存储器(random access memory,ram)、只读存储器(read-only memory,rom)、缓存(cache)、硬盘(hard disk drive,hdd)或者存储卡(memory card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。
122.在本实施例中，该计算机可读存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
123.本说明书实施例还提供了一种计算机程序产品，包含有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取包含有目标票据的目标图像；利用预设的水印去除模型处理所述目标图像，以得到去除水印后的目标图像；其中，所述预设的水印去除模型至少包括第一网络层和第二网络网络层，所述第二网络层还连接有图像生成器；对所述去除水印后的目标图像进行ocr识别，以获取目标票据中的票据信息。
124.参阅图5所示，在软件层面上，本说明书实施例还提供了一种票据图像的处理装置，该装置具体可以包括以下的结构模块：
125.获取模块501，具体可以用于获取包含有目标票据的目标图像；
126.处理模块502，具体可以用于利用预设的水印去除模型处理所述目标图像，以得到去除水印后的目标图像；其中，所述预设的水印去除模型至少包括第一网络层和第二网络网络层，所述第二网络层还连接有图像生成器；
127.识别模块503，具体可以用于对所述去除水印后的目标图像进行ocr识别，以获取目标票据中的票据信息。
128.在一些实施例中，所述目标票据具体可以包括以下至少之一：汇票、本票、支票等。
129.在一些实施例中，所述装置还包括训练模块，具体可以用于拍摄包含有样本票据的图像，作为第一样本图像；根据预设的添加规则，在所述第一样本图像中添加相应的样本水印图案，得到与第一样本图像对应的第二样本图像；根据预设的构建规则，构建初始的水印去除模型；组合使用相对应的第一样本图像和第二样本图像，训练所述初始的水印去除模型，以得到符合要求的预设的水印去除模型。
130.在一些实施例中，上述训练模块具体实施时，可以按照以下方式根据预设的添加规则，在所述第一样本图像中添加相应的样本水印图案，得到与第一样本图像对应的第二样本图像：在第一样本图像中，确定出第一随机位置；在所述第一随机位置处添加样本水印图案，并调整该样本水印图案的透明度，以得到与第一样本图像对应的第二样本图像。
131.在一些实施例中，上述训练模块具体实施时，可以按照以下方式根据预设的添加规则，在所述第一样本图像中添加相应的样本水印图案，得到与第一样本图像对应的第二样本图像：在第一样本图像中，确定出第二随机位置；在所述第二随机位置处添加样本水印图案，并调整该样本水印图案的对比度，以得到与第一样本图像对应的第二样本图像。
132.在一些实施例中，上述训练模块具体实施时，可以按照以下方式根据预设的构建规则，构建初始的水印去除模型：构建第一网络层、第二网络层和判别器；其中，第二网络层还连接有图像生成器；将第一网络层与第二网络层相连；并将图像生成器与判别器相连，以
得到初始的水印去除模型。
133.在一些实施例中，上述训练模块具体实施时，可以按照以下方式组合使用相对应的第一样本图像和第二样本图像，训练所述初始的水印去除模型：将第二样本图像输入第一网络层，得到与第二样本图像对应的第一中间数据；将第一中间数据和第二样本图像组合后输入第二网络层，得到与第二样本图像对应的第二中间数据；并利用图像生成器处理第二中间数据，得到处理后的第二样本图像；组合第二样本图像与处理后的第二样本图像得到第一样本数据组；组合第二样本图像和相对应的第一样本图像得到第二样本数据组；利用判别器通过处理第一样本数据组和第二样本数据组，调整第一网络层和第二网络层的网络参数。
134.在一些实施例中，上述训练模块具体实施时，可以按照以下方式利用判别器通过处理第一样本数据组和第二样本数据组，调整第一网络层和第二网络层的网络参数：利用判别器根据第一样本数据组和第二样本数据组进行卷积运算，得到判别结果；根据判别结果，调整第一网络层和第二网络层的网络参数。
135.在一些实施例中，上述识别模块503具体实施时，可以按照以下方式对所述去除水印后的目标图像进行ocr识别：利用预设的图像识别模型对所述去除水印后的目标图像进行ocr识别。
136.在一些实施例中，所述装置在获取包含有目标票据的目标图像之后，具体实施时，还可以用于检测目标图像中是否包含有水印图案；在确定目标图像未包含有水印图案的情况下，对目标图像进行ocr识别，以获取目标票据中的票据信息。
137.在一些实施例中，所述装置在对所述去除水印后的目标图像进行ocr识别，以获取目标票据中的票据信息之后，具体实施时，还可以用于根据目标票据中的票据信息，进行结算处理。
138.需要说明的是，上述实施例阐明的单元、装置或模块等，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
139.由上可见，基于本说明书实施例提供的票据图像的处理装置，具体实施前，可以基于对抗的思想，构建并训练得到精度较高、效果较好的预设的水印去除模型；其中，该预设的水印去除模型至少包括第一网络层和第二网络网络层，上述第二网络层还连接有图像生成器。具体实施时，先获取包含有目标票据的目标图像；再利用预设的水印去除模型通过处理该目标图像，得到去除水印后的目标图像；再通过对去除水印后的目标图像进行ocr识别，以获取目标票据中的票据信息。从而可以高效、便捷地去除目标图像中水印，进而可以基于去除水印后的目标图像，准确地识别并提取得到所需要的票据信息，有效地减少了识别误差。
140.虽然本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
141.本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
142.本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机可读存储介质中。
143.通过以上的实施例的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书的技术方案本质上可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
144.本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
145.虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。