目录

前言

一、银行卡号识别系统是什么？

二、理论部分

1.总体思路

2.模板

3.识别图片

4.参数

三、完整代码

四、演示结果

总结

前言

随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就主要介绍基于Python+Opencv中的形态学操作和模板匹配的银行卡号识别系统

一、银行卡号识别系统是什么？

银行卡号识别系统是根据用户传入银行卡的图片，通过Opencv中比较简单的基础操作，识别出银行卡号并把结果展示出来的一个系统

二、理论部分

1.总体思路

首先把模板中的数字单个分离开，再提取银行卡上的ROI，再将两者的二值图像进行模板匹配，确定出每一个数字，即实现了银行卡号识别

2.模板

要求：输入模板必须带有所有的数字，且字体与识别的银行卡号一样

输入：模板图像

输出：0-9各个数字模板

流程：

(1)输入模板图像

(2)模板图像转换为灰度图

(3)灰度图转换为二值图

(4)找到所有数字的外轮廓

(5)将轮廓画出

(6)对找到的轮廓排序，得到轮廓集合

(7)将每个数字制成一个模板

3.识别图片

要求：银行卡号的字体与模板的一样

输入：识别图像

输出：识别完成并画上识别结果的图像

流程:

(1)读取识别图像

(2)图像转换为灰度图

(3)灰度图进行礼帽操作

(4)利用Sobel算子进行边缘检测

(5)Sobel算子运算后的图像进行闭操作

(6)闭操作后的图像进行二值化（threshold）

(7)二值化后的图像再次进行闭操作

(8)找出轮廓

(9)画出轮廓

(10)对轮廓进行筛选得出ROI（根据数字区域的W/H;以及图像大小范围）

(11)对ROI进行排序

(12)提取ROI中的每一位数字进行模板匹配

(13)筛选出最符合的数字

(14)展示结果

4.参数

1.输入的模板

2.识别图片

3.卷积核的大小（关键是闭操作时，要使得能够将ROI凸显出来）

4.筛选ROI的时候，比例的大小以及区域大小的范围（可以适当调大参数，得出想要的ROI，再把ROI打印出来，再根据ROI调整）

三、完整代码

"""

参数调整：

1.输入的模板

2.检测的图片

3.卷积核的大小（关键是闭操作时，要使得能够将ROI凸显出来）

4.筛选ROI的时候，比例的大小以及区域大小的范围（可以适当调大参数，得出想要的ROI，再把ROI打印出来，再根据ROI调整）

"""

import cv2

import numpy as np

import imutils

from imutils import contours

# 初始化卷积核

myKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (33, 21))

rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))

# sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

def cv_show(name, imgs, time):

cv2.imshow(name, imgs)

cv2.waitKey(time)

cv2.destroyAllWindows()

"""

模板图像的处理算法

输入:模板图像

输出:0-9各个数字模板

流程:

(1)读取模板图像

(2)模板图像转换为灰度图

(3)灰度图转换为二值图

(4)找到所有数字的外轮廓

(5)将轮廓画出

(6)对找到的轮廓排序,得到轮廓集合

(7)将每个数字制成一个模板

"""

temp = cv2.imread("D:/OpenCV_code/bank_card/temp.jpg")

cv_show("temp", temp, 100)

ref = cv2.cvtColor(temp, cv2.COLOR_BGR2GRAY)

cv_show("ref_gray", ref, 100)

ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]

cv_show("ref_t", ref, 100)

'''

计算轮廓

cv2.findContours()函数接受的参数为二值图，即黑白的（不是灰度图）

ref_, refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

cv2.RETR_EXTERNAL只检测外轮廓

cv2.CHAIN_APPROX_SIMPLE只保留终点坐标

ref_:显示返回值ref_其实是输入的原图

refCnts:返回的list中每个元素都是图像中的一个轮廓

'''

refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 画出找到的轮廓

cv2.drawContours(temp, refCnts, -1, (0, 0, 255), 2)

cv_show('temp', temp, 100)

print(np.array(refCnts, dtype=object).shape)

refCnts = imutils.contours.sort_contours(refCnts, method="left-to-right")[0] # 排序，从左到右，从上到下

digits = {}

# 遍历每一个轮廓

for (i, c) in enumerate(refCnts):

# 计算外接矩形并且resize成合适大小

(x, y, w, h) = cv2.boundingRect(c)

roi = ref[y:y + h, x:x + w]

roi = cv2.resize(roi, (57, 88))

# 每一个数字对应每一个模板

digits[i] = roi

"""

输入图像的处理算法

输入:识别图像

输出:识别完成并画上识别结果的图像

流程:

(1)读取识别图像

(2)图像转换为灰度图

(3)灰度图进行礼帽操作

(4)利用Sobel算子进行边缘检测

(5)Sobel算子运算后的图像进行闭操作

(6)闭操作后的图像进行二值化（threshold）

(7)二值化后的图像再次进行闭操作

(8)找出轮廓

(9)画出轮廓

(10)对轮廓进行筛选得出ROI（根据数字区域的W/H;以及图像大小范围）

(11)对ROI进行排序

(12)提取ROI中的每一位数字进行模板匹配

(13)筛选出最符合的数字

(14)展示结果

"""

img = cv2.imread("D:/OpenCV_code/bank_card/img.png")

cv_show("img", img, 800)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

cv_show("img_gray", gray, 100)

# 礼帽操作，突出更明亮的区域

tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)

cv_show('tophat', tophat, 100)

# 利用Sobel算子进行边缘检测

gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)

# 获得gradX的绝对值

gradX = np.absolute(gradX)

(minVal, maxVal) = (np.min(gradX), np.max(gradX))

gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))

gradX = gradX.astype("uint8")

print(np.array(gradX).shape)

cv_show('Sobel', gradX, 100)

# 通过闭操作（先膨胀，再腐蚀）将数字连在一起

gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, myKernel)

cv_show('close_1', gradX, 100)

# THRESH_OTSU会自动寻找合适的阈值，适合双峰，需把阈值参数设置为0

thresh = cv2.threshold(gradX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]

cv_show('thresh', thresh, 100)

# 再来一个闭操作

thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, myKernel)

cv_show('close_2', thresh, 100)

# 计算轮廓

threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

cnts = threshCnts

cur_img = img.copy()

cv2.drawContours(cur_img, cnts, -1, (0, 0, 255), 3)

cv_show('img', cur_img, 100)

locs = []

# 遍历轮廓

for (i, c) in enumerate(cnts):

# 计算矩形

(x, y, w, h) = cv2.boundingRect(c)

ar = w / float(h)

# 选择合适的区域，根据实际任务来，这里的基本都是四个数字一组

# [(454, 213, 110, 29), (308, 211, 109, 31), (171, 211, 98, 31), (18, 211, 107, 31)]

if 2.5 < ar < 4.0:

if (90 < w < 120) and (20 < h < 40):

# 符合的留下来

locs.append((x, y, w, h))

print(locs)

# 将符合的轮廓从左到右排序

locs = sorted(locs, key=lambda o: o[0])

output = []

result = img.copy()

# 遍历每一个轮廓中的数字

for (i, (gX, gY, gW, gH)) in enumerate(locs):

# initialize the list of group digits

groupOutput = []

# 根据坐标提取每一个组

group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]

cv_show('group', group, 100)

# 预处理

group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]

cv_show('group', group, 100)

# 计算每一组的轮廓

digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

digitCnts = contours.sort_contours(digitCnts, method="left-to-right")[0]

# 计算每一组中的每一个数值

for c in digitCnts:

# 找到当前数值的轮廓，resize成合适的的大小

(x, y, w, h) = cv2.boundingRect(c)

roi = group[y:y + h, x:x + w]

roi = cv2.resize(roi, (57, 88))

cv_show('roi', roi, 100)

# 计算匹配得分

scores = []

# 在模板中计算每一个得分

for (digit, digitROI) in digits.items():

# 模板匹配

res = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)

(_, score, _, _) = cv2.minMaxLoc(res)

scores.append(score)

# 得到最合适的数字

groupOutput.append(str(np.argmax(scores)))

# 画出来

cv2.rectangle(result, (gX - 5, gY - 5), (gX + gW + 5, gY + gH + 5), (0, 0, 255), 1)

cv2.putText(result, "".join(groupOutput), (gX, gY - 15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)

# 得到结果

output.extend(groupOutput)

# 打印结果

print("Card number: {}".format("".join(output)))

cv_show("result", result, 800)

contrast = np.hstack((img, result))

cv_show("contrast", contrast, 0)

# 保存结果

cv2.imwrite("result.jpg", result)

cv2.imwrite("contrast.jpg", contrast)

四、演示结果

总结

本文阐述了基于Python+Opencv的银行卡号识别系统，全文比较详细，适合新手阅读，希望能给读者带来一些帮助，若有不正确的地方，还请及时指出。