一、信用卡卡号识别
一、思路分析
大体思路：首先拿到一张银行卡，我们得有银行卡号数字的0-9样式的模板，然后再通过不同数字的轮廓的外接矩形来进行匹配，最终识别出银行卡号所对应的数字。
银行卡数字模板：
银行卡信息：
拿到银行卡的时候，因为银行卡上面不仅仅只是银行卡号，还会存在一些干扰项，这时候需要对这些干扰项进行过滤，这些干扰项和数字所在的外接轮廓大小是不相同的，故可以以此进行过滤筛选。当然，一下次不会将单个数字给定位到，拿到的也不是单个数字，绝大多数的银行卡号都是四个为一组，接下来再对每一组中的四个数字进行拆分。
二、导包以及相关函数
from imutils import contours
import numpy as np
import argparse
import cv2
# 绘图展示
def cv_show(name,img):
cv2.imshow(name, img)
cv2.waitKey(0)
cv2.destroyAllWindows()
#因为银行卡分为四个大轮廓，每个大轮廓中又包括四个数字，这里需要定义一个函数用于将识别出的四个大轮廓依次排序存放
def sort_contours(cnts, method="left-to-right"):
reverse = False
i = 0
if method == "right-to-left" or method == "bottom-to-top":
reverse = True
if method == "top-to-bottom" or method == "bottom-to-top":
i = 1
boundingBoxes = [cv2.boundingRect(c) for c in cnts] #用一个最小的矩形，把找到的形状包起来x,y,h,w
(cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),
key=lambda b: b[1][i], reverse=reverse))#对模板上的轮廓进行排序，也就是将模板上的数字给贴个标签
return cnts, boundingBoxes#返回轮廓以及轮廓信息一个列表
#因为银行卡数字这块图像会较小，需要重新指定一下图像大小
def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
dim = None
(h, w) = image.shape[:2]
if width is None and height is None:
return image
if width is None:
r = height / float(h)
dim = (int(w * r), height)
else:
r = width / float(w)
dim = (width, int(h * r))
resized = cv2.resize(image, dim, interpolation=inter)
return resized
三、获取模板上的数字信息
指定测试图像以及模板图像位置
# 设置参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
help="path to input image")#指定输入图像
ap.add_argument("-t", "--template", required=True,
help="path to template OCR-A image")#指定模板图像
args = vars(ap.parse_args())
设置银行卡类型参数
# 指定信用卡类型
FIRST_NUMBER = {
"3": "American Express",
"4": "Visa",
"5": "MasterCard",
"6": "Discover Card"
}
首先处理模板图像，模板图像存放这0-9数字，读取模板图像，灰度图、二值化
# 读取一个模板图像
img = cv2.imread(args["template"])
cv_show('img',img)
# 灰度图
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show('ref',ref)
# 二值图像
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]
cv_show('ref',ref)
对二值化之后的模板图像获取轮廓
# 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）,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)
用红色线进行绘制模板轮廓，定义一个空字典digits，用于存储后续得到模板图像轮廓信息
cv2.drawContours(img,refCnts,-1,(0,0,255),3) #用红色线画轮廓
cv_show('img',img)
print (np.array(refCnts).shape)#出现10个轮廓，0-9数字所对应的图像信息
refCnts = sort_contours(refCnts, method="left-to-right")[0] #排序，从左到右，从上到下 得到模板排序完之后的轮廓
digits = {}#指定一个空字典
对模板图像中0-9个轮廓依次去遍历，得到信息存储到digits字典中
# 遍历每一个轮廓
for (i, c) in enumerate(refCnts):#在模板轮廓中不断的去遍历，i为轮廓的索引，c为轮廓
# 计算外接矩形并且resize成合适大小
(x, y, w, h) = cv2.boundingRect(c)#得到第i个轮廓的外接矩形信息
roi = ref[y:y + h, x:x + w]#用外接矩形对模板图像相同位置抠出来
roi = cv2.resize(roi, (57, 88))#抠出来的模板图像的大小可能会较小，把图像给resize成一个差不多大小的图像
# 每一个数字对应每一个模板
digits[i] = roi#把从模板中抠出来的数字存入到字典中，模板为value，索引为key
#循环结束之后，digits字典中就存放有了0-9数字的模板图像信息
三、对测试图像进行形态学操作，消除其他的干扰因素
根据不同情景选取合适的卷积核
# 初始化卷积核 这里主要是根据具体情况具体分析 卷积核的定义需要看具体情况而定
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
对测试图像进行预处理操作
#读取输入图像，预处理
image = cv2.imread(args["image"])#读取测试图片
cv_show('image',image)#显示一下测试图像
image = resize(image, width=300)#重新resize一下图像大小
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)#因为传入的测试图像是彩色图，需要转换为灰度图
cv_show('gray',gray)#显示一下灰度图
将得到的灰度图图像通过礼帽操作，使得数字特征信息更加明显
#礼帽操作，突出更明亮的区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show('tophat',tophat)
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)#ksize=-1相当于用3*3的
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('gradX',gradX)
将数字部分进行融合到一块，分成四个大轮廓
#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)
cv_show('gradX',gradX)
#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)
#因为实际效果并不好，没有完全融合到一块，故再来一个闭操作
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel) #再来一个闭操作
cv_show('thresh',thresh)
绘制测试图像中的轮廓信息
# 计算轮廓
thresh_, threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = threshCnts
cur_img = image.copy()
cv2.drawContours(cur_img,cnts,-1,(0,0,255),3) #将处理之后的图像轮廓绘制到原始图像中去
cv_show('img',cur_img)
locs = []#因为对测试图像轮廓检测会得到很多个轮廓，其中只有数字部分轮廓是我们需要的，这里定义一个列表，用于存储我们需要的数字轮廓
四、开始将测试图像与模板图像数字轮廓依次进行比较
因为测试图像中的轮廓会有好多，我们只需要数字轮廓部分，故图像轮廓的宽高比进行筛选
# 遍历轮廓
for (i, c) in enumerate(cnts):
# 计算矩形
(x, y, w, h) = cv2.boundingRect(c)#绘制外接矩形
ar = w / float(h)#算出宽高比比例，根据不同的比例筛选我们需要的数字轮廓
# 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
if ar > 2.5 and ar < 4.0:#银行卡上一般都是四个字为一组为一个轮廓，这个轮廓的宽高比是有个取值范围的，通过这个范围进行筛选我们需要的数字轮廓
if (w > 40 and w < 55) and (h > 10 and h < 20):
#符合的留下来
locs.append((x, y, w, h))#将符合我们所设定的轮廓进行存储，这些都是四个数字为一组，一共有四组轮廓信息
将筛选之后得出的轮廓进行排序存放
# 将符合的轮廓从左到右排序
locs = sorted(locs, key=lambda x:x[0])#对获取的大轮廓从左到右排序
output = []
遍历每个轮廓中的数字信息与模板中的数字信息比较评分
# 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]#为了使得效果处理较好，将拿到的大轮廓数据往上往下往左往右都扩大点
cv_show('group',group)#显示第i个大轮廓
# 预处理
group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]#对第i个大轮廓二值化，为了找大轮廓中的四个数字轮廓
cv_show('group',group)
# 计算每一组的轮廓
group_,digitCnts,hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)#对第i个大轮廓依次进行轮廓检测
digitCnts = contours.sort_contours(digitCnts,method="left-to-right")[0]#对检测出来的小轮廓从左到右排序
# 计算每一组中的每一个数值
for c in digitCnts:#每个大轮廓都有四个数字，对每一个大轮廓中的每一个小数字分别进行计算，此时c有4个值，因为测试图像中有每个大轮廓有四个数字
# 找到当前数值的轮廓，resize成合适的的大小
(x, y, w, h) = cv2.boundingRect(c)#对大轮廓找取外接轮廓
roi = group[y:y + h, x:x + w]#找到每个数字的轮廓信息
roi = cv2.resize(roi, (57, 88))#这个resize的参数要与上列的模板设定的大小一致，到时候需要做模板匹配大小应该一致
cv_show('roi',roi)#依次展示第i个大轮廓中的四个数字
# 计算匹配得分
scores = []#得到数字轮廓信息，要对模板进行比较，存储得分信息
# 在模板中计算每一个得分
for (digit, digitROI) in digits.items():#将这个数字模板依次与标准模板中的十个数进行匹配
# 模板匹配
result = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)
(_, score, _, _) = cv2.minMaxLoc(result)
scores.append(score)#依次将得分信息存入
# 得到最合适的数字
groupOutput.append(str(np.argmax(scores)))#选出得分最高的那个数即可
# 画出来
cv2.rectangle(image, (gX - 5, gY - 5), (gX + gW + 5, gY + gH + 5), (0, 0, 255), 1)
cv2.putText(image, "".join(groupOutput), (gX, gY - 15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)
# 得到结果
output.extend(groupOutput)#得到第c组大轮廓的四个数
五、输出展示
# 打印结果
print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #: {}".format("".join(output)))
cv2.imshow("Image", image)
cv2.waitKey(0)
六、Pycharm参数设定方法
找到Edit Configurations
--image images/credit_card_04.png --template ocr_a_reference.png
其中：images/credit_card_04.png为测试图片的位置、ocr_a_reference.png为银行卡数字模板图片的位置
七、项目完整代码
# 导入工具包
from imutils import contours
import numpy as np
import argparse
import cv2
#import myutils
# 设置参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
help="path to input image")#指定输入图像
ap.add_argument("-t", "--template", required=True,
help="path to template OCR-A image")#指定模板图像
args = vars(ap.parse_args())
# 指定信用卡类型
FIRST_NUMBER = {
"3": "American Express",
"4": "Visa",
"5": "MasterCard",
"6": "Discover Card"
}
# 绘图展示
def cv_show(name,img):
cv2.imshow(name, img)
cv2.waitKey(0)
cv2.destroyAllWindows()
def sort_contours(cnts, method="left-to-right"):
reverse = False
i = 0
if method == "right-to-left" or method == "bottom-to-top":
reverse = True
if method == "top-to-bottom" or method == "bottom-to-top":
i = 1
boundingBoxes = [cv2.boundingRect(c) for c in cnts] #用一个最小的矩形，把找到的形状包起来x,y,h,w
(cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),
key=lambda b: b[1][i], reverse=reverse))#对模板上的轮廓进行排序，也就是将模板上的数字给贴个标签
return cnts, boundingBoxes#返回轮廓以及轮廓信息一个列表
def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
dim = None
(h, w) = image.shape[:2]
if width is None and height is None:
return image
if width is None:
r = height / float(h)
dim = (int(w * r), height)
else:
r = width / float(w)
dim = (width, int(h * r))
resized = cv2.resize(image, dim, interpolation=inter)
return resized
# 读取一个模板图像
img = cv2.imread(args["template"])
cv_show('img',img)
# 灰度图
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show('ref',ref)
# 二值图像
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]
cv_show('ref',ref)
# 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）,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) #用红色线画轮廓
cv_show('img',img)
print (np.array(refCnts).shape)#出现十个轮廓
refCnts = sort_contours(refCnts, method="left-to-right")[0] #排序，从左到右，从上到下 得到模板排序完之后的轮廓
digits = {}#指定一个空字典
# 遍历每一个轮廓
for (i, c) in enumerate(refCnts):#在模板轮廓中不断的去遍历，i为轮廓的索引，c为轮廓
# 计算外接矩形并且resize成合适大小
(x, y, w, h) = cv2.boundingRect(c)#得到第i个轮廓的外接矩形信息
roi = ref[y:y + h, x:x + w]#用外接矩形对模板图像相同位置抠出来
roi = cv2.resize(roi, (57, 88))#抠出来的模板图像的大小可能会较小，把图像给resize成一个差不多大小的图像
# 每一个数字对应每一个模板
digits[i] = roi#把从模板中抠出来的数字存入到字典中，模板为value，索引为key
#循环结束之后，digits字典中就存放有了0-9数字的模板图像信息
# 初始化卷积核
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
#读取输入图像，预处理
image = cv2.imread(args["image"])#读取测试图片
cv_show('image',image)#显示一下测试图像
image = resize(image, width=300)#重新resize一下图像大小
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)#因为传入的测试图像是彩色图，需要转换为灰度图
cv_show('gray',gray)#显示一下灰度图
#礼帽操作，突出更明亮的区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show('tophat',tophat)
#
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)#ksize=-1相当于用3*3的
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('gradX',gradX)
#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)
cv_show('gradX',gradX)
#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)
#再来一个闭操作
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel) #再来一个闭操作
cv_show('thresh',thresh)
# 计算轮廓
thresh_, threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = threshCnts
cur_img = image.copy()
cv2.drawContours(cur_img,cnts,-1,(0,0,255),3) #将处理之后的图像轮廓绘制到原始图像中去
cv_show('img',cur_img)
locs = []#因为对测试图像轮廓检测会得到很多个轮廓，其中只有数字部分轮廓是我们需要的，这里定义一个列表，用于存储我们需要的数字轮廓
# 遍历轮廓
for (i, c) in enumerate(cnts):
# 计算矩形
(x, y, w, h) = cv2.boundingRect(c)#绘制外接矩形
ar = w / float(h)#算出宽高比比例，根据不同的比例筛选我们需要的数字轮廓
# 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
if ar > 2.5 and ar < 4.0:#银行卡上一般都是四个字为一组为一个轮廓，这个轮廓的宽高比是有个取值范围的，通过这个范围进行筛选我们需要的数字轮廓
if (w > 40 and w < 55) and (h > 10 and h < 20):
#符合的留下来
locs.append((x, y, w, h))#将符合我们所设定的轮廓进行存储，这些都是四个数字为一组，一共有四组轮廓信息
# 将符合的轮廓从左到右排序
locs = sorted(locs, key=lambda x:x[0])#对获取的大轮廓从左到右排序
output = []
# 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]#为了使得效果处理较好，将拿到的大轮廓数据往上往下往左往右都扩大点
cv_show('group',group)#显示第i个大轮廓
# 预处理
group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]#对第i个大轮廓二值化，为了找大轮廓中的四个数字轮廓
cv_show('group',group)
# 计算每一组的轮廓
group_,digitCnts,hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)#对第i个大轮廓依次进行轮廓检测
digitCnts = contours.sort_contours(digitCnts,method="left-to-right")[0]#对检测出来的小轮廓从左到右排序
# 计算每一组中的每一个数值
for c in digitCnts:#每个大轮廓都有四个数字，对每一个大轮廓中的每一个小数字分别进行计算，此时c有4个值，因为测试图像中有每个大轮廓有四个数字
# 找到当前数值的轮廓，resize成合适的的大小
(x, y, w, h) = cv2.boundingRect(c)#对大轮廓找取外接轮廓
roi = group[y:y + h, x:x + w]#找到每个数字的轮廓信息
roi = cv2.resize(roi, (57, 88))#这个resize的参数要与上列的模板设定的大小一致，到时候需要做模板匹配大小应该一致
cv_show('roi',roi)#依次展示第i个大轮廓中的四个数字
# 计算匹配得分
scores = []#得到数字轮廓信息，要对模板进行比较，存储得分信息
# 在模板中计算每一个得分
for (digit, digitROI) in digits.items():#将这个数字模板依次与标准模板中的十个数进行匹配
# 模板匹配
result = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)
(_, score, _, _) = cv2.minMaxLoc(result)
scores.append(score)#依次将得分信息存入
# 得到最合适的数字
groupOutput.append(str(np.argmax(scores)))#选出得分最高的那个数即可
# 画出来
cv2.rectangle(image, (gX - 5, gY - 5), (gX + gW + 5, gY + gH + 5), (0, 0, 255), 1)
cv2.putText(image, "".join(groupOutput), (gX, gY - 15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)
# 得到结果
output.extend(groupOutput)#得到第c组大轮廓的四个数
# 打印结果
print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #: {}".format("".join(output)))
cv2.imshow("Image", image)
cv2.waitKey(0)
八、测试图片和模板图片
模板图像：
测试图像：
九、运行效果展示
