[논문]시력 취약 계층을 위한 신용 카드 번호 인식 연구

박다훈; 권건우

doi:10.7471/ikeee.2021.25.1.25

시력 취약 계층을 위한 신용 카드 번호 인식 연구
Credit Card Number Recognition for People with Visual Impairment 원문보기

전기전자학회논문지 = Journal of IKEEE, v.25 no.1, 2021년, pp.25 - 31

박다훈 (Dept. of Computer Engineering, Hongik University) , 권건우 (Dept. of Computer Engineering, Hongik University)

초록
AI-Helper

일반적인 신용카드 번호 인식 시스템은 정해진 위치에 카드를 배치했을 때에만 올바르게 동작하도록 설계되어 있다. 본 논문은, 저시력 장애인을 포함한 시력 취약 계층에게 보다 쉬운 사용자 경험을 제공하기 위해, 신용카드 내 16자리 숫자의 종횡비 특징을 이용한 자동 번호 인식 알고리즘을 제안한다. 제안하는 알고리즘은 형태학 연산을 통해 종횡비가 4:1 이상인 이미지 후보군을 찾고, 각각의 후보에 OCR과 BIN 번호 매칭 기술을 적용하여 신용카드 번호를 획득한다. OpenCV 및 Firebase ML에 기반한 실험 결과, 카드를 정해진 위치에 두지 않아도 77.75% 정확도로 카드 번호를 인식하였다.

Abstract ▼ AI-Helper

The conventional credit card number recognition system generally needs a card to be placed in a designated location before its processing, which is not an ideal user experience especially for people with visual impairment. To improve the user experience, this paper proposes a novel algorithm that can automatically detect the location of a credit card number based on the fact that a group of sixteen digits has a fixed aspect ratio. The proposed algorithm first performs morphological operations to obtain multiple candidates of the credit card number with >4:1 aspect ratio, then recognizes the card number by testing each candidate via OCR and BIN matching techniques. Implemented with OpenCV and Firebase ML, the proposed scheme achieves 77.75% accuracy in the credit card number recognition task.

주제어

표/그림 (9)

그림 Fig. 1. Conventional card number recognition system, by NAVER Corporation, requiring the card to be placed within a designated location. 그림 1. 네이버 카드 번호 인식 시스템 (직사각형 창에 카드를 맞춰야 동작)
그림 Fig. 2. Card number recognition algorithm flowchart. 그림 2. 카드 번호 인식 알고리즘 순서도
그림 Fig. 3. Card number detection algorithm. 그림 3. 카드 번호 검출 알고리즘
그림 Fig. 4. Example of demonstration through eEyes camera module. 그림 4. eEyes 카메라 모듈을 통한 시연 예시
표 Table 1. Structure of CNN model for digit recognition. 표 1. 숫자 인식을 위한 CNN 모델의 구조
표 Table 2. Software and hardware system specifications. 표 2. 실험에 사용한 소프트웨어와 하드웨어 사양
표 Table 3. Accuracy of Card number detection algorithm. 표 3. 카드 번호 검출 알고리즘을 통해 각 카드에 대해 번호 검출에 대한 정확도
표 Table 4. Accuracy of card number obtained with OCR. 표 4. 카드 번호가 있는 이미지 객체에 대해 OCR을 사용했을 때의 실제 카드 번호와의 정확도
표 Table 5. Accuracy of card info acquired through the entire algorithm (OCR：Firebase ML). 표 5. 전체 알고리즘을 통해 획득한 카드 정보의 정확도 (OCR：Firebase ML)

참고문헌 (13)

W. Li and Z. Song, "Bank Card Number Identification Based on Template Matching Method," in International Symposium on Cyberspace Safety and Security, pp.572-578, 2019. DOI: 10.1007/978-3-030-37352-8_51
W. Satyawan, M. O. Pratama, R. Jannati, and G. Muhammad, "Citizen Id Card Detection using Image Processing and Optical Character Recognition," Journal of Physics: Conference Series, vol.1235. no.1, 2019. DOI: 10.1088/1742-6596/1235/1/012049

상세보기
K. Datta, "Credit Card Processing Using Cell Phone Images," pp.1-7, 2011.
S. Cai et al., "Bank Card and ID Card Number Recognition in Android Financial APP," in International Conference on Smart Computing and Communication, pp.205-213, 2016. DOI: 10.1007/978-3-319-52015-5_21
M. Shen and H. Lei, "Improving OCR performance with background image elimination," in 2015 12th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD), pp.1566-1570, 2015. DOI: 10.1109/FSKD.2015.7382178
T. Sproull, D. Shook, and Bill Siever, "Machine Learning on the Move: Teaching ML Kit for Firebase in a Mobile Apps Course," in Proceedings of the 51st ACM Technical Symposium on Computer Science Education, pp.1389-1389, 2020. DOI: 10.1145/3328778.3367022
R. Smith, "An overview of the Tesseract OCR engine," in Ninth international conference on document analysis and recognition (ICDAR 2007), vol.2, pp.629-633, 2007. DOI: 10.1109/ICDAR.2007.4376991
I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning-Adaptive Computation and Machine Learning, MIT Press, 2016.
J. Zhu et al., "ID card number detection algorithm based on convolutional neural network," in AIP Conference Proceedings. vol.1955, no.1, 2018. DOI: 10.1063/1.5033788
J. Park and J. Park, "eEyes-an Integrated Aid System for the Blind and People with Low Vision," in The 17th International Conference on Virtual-Reality Continuum and its Applications in Industry. 2019. DOI: 10.1145/3359997.3365755
L. Liu et al., "Deep learning for genericobject detection: A survey," in International journal of computer vision, no.2, pp.261-318, 2020. DOI: 10.1007/s11263-019-01247-4

상세보기
S. Long, X. He, and C. Yao, "Scene textdetection and recognition: The deep learning era," International Journal of Computer Vision, pp.1-24, 2020. DOI: 10.1007/s11263-020-01369-0

상세보기
NAVER App. [Online]. Available: https://play.google.com/store/apps/details?idcom.nhn.android.search&hlko

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증