基于学习opencv银行卡号识别

基本思路

    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，本质上就是模板匹配。

1、模板

1. 转换成灰度图，二值化处理，用于轮廓检测。 
2. 找到所有数字的外轮廓，并画出轮廓。
3. 对找到的轮廓排序，将排序集合，每个数字制成一个模板。

 2、识别图片

识别银行卡号的话我们只需要识别中间的数字，其他的数字是干扰项

1. 读取识别图像并转化为灰度图。
2. 进行礼帽操作 
3. 利用Solb算子进行边缘检测
4. Solb算子运算后的图像进行闭操作
5. 轮廓检测，我们所需要的这四段数字它们的外接矩形的长宽或者比例是与途中其它元素不同的，我们通过这一特征在轮廓检测返回的队列中筛选出需要的部分，保存下来。
6. 对每一组进行轮廓检测、排序(倒序)，得到单个数字的轮廓，继续对其外接矩形切片。
7. 得到的每个数字的外接矩形矩阵，与模板中每个数字进行匹配，得分最高对应正确数字。

3、代码部分

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()
 

 
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)