OpenCV实践-银行卡号识别

OpenCV实践-银行卡号识别

利用opencv实现对图片上的银行卡上的卡号识别，并把识别出的数字标注在图片上。解决思路：

1. 对数字模板进行轮廓识别，并将每个数字放到数组里
2. 对银行卡上所有轮廓处理，根据长度选取每组卡号的轮廓（一组为4个数字）
3. 将卡号轮廓外接矩形坐标保存，提取里面的每个数字并将它与数组的数字进行模板匹配
4. 选取得分最高的数字，并将它们画在图片上

模板处理

根据这样的一个数字模板：

因为轮廓提取函数只接受二值图像，所以先灰度化，二值化：

ref = cv2.cvtCOLOR(img,cv2.COLOR_BGR2GRAY)
#二值化图像(将超过10的像素值取255，低于10的取0)
ref= cv2.threshold(ref,10,255,cv2.THRESH_BINARY_INV)[1]

src,dst = cv2.threshold(img,thresh,maxVal,type)
见：图像阈值计算

提取并绘制轮廓,：

# findContoursh只接受二值图像，黑白图像，不是灰度图
# cv2.RETR_EXTERNAL只检测外轮廓，
# cv2.CHAIN_APPROX_SIMPLE只保留终点坐标
#返回的list中每个元素都是图像中的一个轮廓
ref_,refCnts,hierarchy = cv2.findContours(ref.copy(),
                            cv2.RETR_EXTERNAL,
                            cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img,refCnts,-1,(0,0,255),3)

将轮廓外接矩形存入digits数组

for (i, c) in enumerate(refCnts):
    (x,y,w,h) = cv2.boundingRect(c)
    roi = ref[y:y+h,x:x+w]
    roi = cv2.resize(roi,(57,88))

    digits[i] = roi

银行卡图片处理

读取后，灰度化。
礼帽操作，突出明亮区域

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

morphologyEx形态学操作，见：图像形态学操作
用sobel因子计算梯度

gradX = cv2.Sobel(tophat,ddepth=cv2.CV_32F,dx=1,
                  dy=0,ksize=-1)
#梯度有负有在正，求绝对值
gradX = np.absolute(gradX)     
 #将值标准化
(minVal,maxVal) = (np.min(gradX),np.max(gradX))
gradX = (255*((gradX-minVal)/(maxVal-minVal)))
#去除噪音
gradX = gradX.astype("uint8")       

图像梯度见： 图像梯度
闭操作连接数字的轮廓

#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,rectKernel)

提取轮廓

#thresh_otsu会自动寻找合适的阈值，适合双峰，需把阈值参数设为0
thresh = cv2.threshold(gradX,0,255,
                       cv2.THRESH_BINARY|cv2.THRESH)[1]

#计算轮廓,只检测外轮廓，只保留终点坐标
thresh_, threshCnts, hierarchy = cv2.findContours(thresh.copy(),
                                                  cv2.RETR_EXTERNAL,
                                                  cv2.CHAIN_APPROX_SIMPLE)
                   

筛选属于数值的矩形

for (i,c) in enumerate(cnts):
    #计算矩形
    (x, y, w, h) = cv2.boundingRect(c)
    ar = w / float(h)
    #筛选属于数值的矩形，四个数字为一个轮廓
    if ar >2.5 and  ar < 4.0:
        if(w >40 and w <55) and (h > 10 and h<20):
            locs.append((x,y,w,h))
# 将符合的轮廓从左到右排序
locs = sorted(locs,key=lambda x:x[0])
output = []

模板匹配

#最大循环，所有数字组
for (i,(gX,gY,gW,gH)) in enumerate(locs):
    gropOutPut = []
    # 根据坐标提取每组
    print(gX,gY,gW,gH)

    #128*800（w*h）图片在矩阵存储是800*128（h，w）
    #此处-5和+5都是位移，保证了一组数据不会被重复选取
    group = gray[gY-5:gY+gH+5,gX-5:gX+gW+5]
    cv_show('group',group)
    #提取每组的轮廓，并对其进行排序
    group = cv2.threshold(group,0,255,cv2.THRESH_BINARY
                          |cv2.THRESH_OTSU)[1]

    group_,digitCnts,hierarchy = cv2.findContours(group,cv2.RETR_EXTERNAL,
                                                  cv2.CHAIN_APPROX_SIMPLE)
    digitCnts = myutils.sort_contours(digitCnts,"left-to-right")[0]
    #每个数字组，4个数字
    for c in digitCnts:
        #找到当前数值的轮廓，resize，和模板一样
        (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)
        # 计算匹配得分
        scores =[]
        # digits是每个数字的模板,
        # 在所有的数字模板中进行匹配 TM_CCORR：计算相关性，计算出来的值越大，越相关
        for(digit,digitROI) in digits.items():
            result = cv2.matchTemplate(roi,digitROI,
                                       cv2.TM_CCOEFF)
            # min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
            (_,score,_,_) = cv2.minMaxLoc(result)
            scores.append(score)

        gropOutPut.append(str(np.argmax(scores)))
        print(gropOutPut)
     #确实是靠 确定对角线 来画矩形的。
    # cv2.rectangle(img, (bbox.left, bbox.top), (bbox.right, bbox.bottom), (0,0,255), 2)
    cv2.rectangle(image,(gX-5,gY-5),(gX+gW+5,gY+gH+5),(0,0,255),1)
    cv2.putText(image,"".join(gropOutPut),(gX,gY-15),
                cv2.FONT_HERSHEY_SIMPLEX,0.65,(0,0,255),2)
    output.extend(gropOutPut)

最后得到结果为：