基于opencv+tensorflow+神经网络的智能银行卡卡号识别系统——深度学习算法应用(含python、模型源码)+数据集（三）

---

前言

本项目基于从网络获取的多种银行卡数据集，采用OpenCV库的函数进行图像处理，并通过神经网络进行模型训练。最终实现对常规银行卡号的智能识别和输出。

首先，通过网络获取了多样化的银行卡数据集，其中包含各种类型和设计的银行卡图像。这些图像数据将作为训练集和测试集，用于训练智能识别模型。

其次，利用OpenCV库的功能，项目对银行卡图像进行处理。包括图像增强、边缘检测、文本定位等技术，以优化图像并提高卡号的提取准确性。

接下来，通过神经网络进行模型训练。神经网络采用深度学习框架TensorFlow，通过学习大量银行卡图像，使模型能够理解和准确识别不同银行卡号的模式和特征。

最终，训练完成的神经网络模型能够智能地识别并输出常规银行卡号。这使得在图像中提取卡号的过程更为自动化和高效。

总体而言，本项目集成了数据采集、图像处理和深度学习技术，为银行卡号的智能识别提供了一种先进的解决方案。这对于自动化银行卡信息提取的场景，如金融服务或身份验证系统，具有潜在的实际应用价值。

总体设计

本部分包括系统整体结构图和系统流程图。

系统整体结构图

系统整体结构如图所示。

系统流程图

系统流程如图所示。

运行环境

本部分包括Python环境、TensorFlow环境和OpenCV环境。

详见博客。

模块实现

本项目包括4个模块：训练集图片处理、测试图片处理、模型训练及保存、模型测试。下面分别介绍各模块的功能及相关代码。

1. 训练集图片处理

数据集下载网址为http://www.cnsoftbei.com/plus/view.php?aid=348。训练集为1000张人工处理银行卡号截图中选取的120张大小不一、由4个银行卡字符单位组成的图片。

详见博客。

2. 测试图片处理

详见博客。

3. 模型训练及保存

数据加载进模型后，需要定义模型结构及优化损失函数。

1）定义模型结构

定义的架构为全连接神经网络,由一个输入层、两个隐藏层和一个输出层组成。其中：输入层为256个节点，对应16×16图片的256个像素点；两个隐藏层分别有100个节点；输出层为10个节点，对应0~9共10个字符。

#定义网络流
with tf.Session() as sess:
        init_op = tf.global_variables_initializer()
        sess.run(init_op)
#定义网络的输入/输出节点，其中x,y是测试集图片的输入输出，y_是对应图片的标签
x = tf.placeholder(tf.float32, shape = (None, forward.INPUT_NODE))
y_ = tf.placeholder(tf.float32, shape = (None, forward.OUTPUT_NODE))
y = forward.forward(x, REGULARIZER)
#权重初始化
def get_weight(shape, regularizer):
    w = tf.Variable(tf.truncated_normal(shape,stddev=0.1))
    if regularizer != None: tf.add_to_collection('losses', tf.contrib.layers.l2_regularizer(regularizer)(w))
    return w
#偏差初始化
def get_bias(shape):  
    b = tf.Variable(tf.zeros(shape))  
    return b
#前向传播
def forward(x, regularizer):
    w1 = get_weight([INPUT_NODE, LAYER1_NODE], regularizer)
    b1 = get_bias([LAYER1_NODE])
    y1 = tf.nn.relu(tf.matmul(x, w1) + b1)
    w2 = get_weight([LAYER1_NODE, LAYER2_NODE], regularizer)
    b2 = get_bias([LAYER2_NODE])
    y2 = tf.nn.relu(tf.matmul(y1, w2) + b2)      #上一级的输出作为下一级的输入
    w3 = get_weight([LAYER2_NODE, OUTPUT_NODE], regularizer)
    b3 = get_bias([OUTPUT_NODE])
    y = tf.matmul(y2, w3) + b3
    return y
#反向传播
def backward(data, label):
    x = tf.placeholder(tf.float32, shape = (None, forward.INPUT_NODE))
    y_ = tf.placeholder(tf.float32, shape = (None, forward.OUTPUT_NODE))
    y = forward.forward(x, REGULARIZER)
    global_step = tf.Variable(0, trainable=False)	

2）优化损失函数

确定模型架构后进行编译,使用交叉熵作为损失函数,使用随机梯度下降法优化模型参数。

#定义损失函数和优化器
ce = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))
cem = tf.reduce_mean(ce)
loss = cem + tf.add_n(tf.get_collection('losses'))
train_step=tf.train.GradientDescentOptimizer(0.001).minimize(loss, global_step=global_step)
ema = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)
ema_op = ema.apply(tf.trainable_variables())
with tf.control_dependencies([train_step, ema_op]):
    train_op = tf.no_op(name='train')

在定义模型架构和编译模型之后，使用训练集训练模型，使模型可以识别银行卡号数字，这里将使用训练集拟合并保存模型。

3）模型训练

相关操作如下：

#开始模型生成
init_op = tf.global_variables_initializer()
sess.run(init_op)
#训练入口
def main():
    print('开始训练')
    data, label = IMG.img_handle()
    for i in range(len(data)):
     x, y = random.randint(0, len(data)-1), random.randint(0, len(data)-1)
        temp_data = data[x]
        data[x] = data[y]
        data[y] = temp_data
        temp_label = label[x]
        label[x] = label[y]
        label[y] = temp_label
    print(len(data), len(label))
    backward(data, label)
    print('训练结束')
if __name__ == '__main__':
    train = True
    if train:
        bw.main()
#开始训练模型，循环10000次，每100次打印当前的loss值
for i in range(STEPS):
            start = (i*BATCH_SIZE)%len(data)
            end = start+BATCH_SIZE
            _, loss_value, step = sess.run([train_op, loss, global_step], feed_dict={x: data[start:end], y_: label[start:end]})
            if i % 100 == 0:
                print("After %d training step(s), loss on training batch is %g." % (step, loss_value))

训练输出结果如图所示。

4）模型保存

将模型保存到model文件夹里。

MODEL_SAVE_PATH='model/'
MODEL_NAME="train_model"
saver = tf.train.Saver()
saver.save(sess,os.path.join(MODEL_SAVE_PATH,MODEL_NAME),global_step=global_step)

4. 模型测试

将数字图片转换为数据，输入TensorFlow模型，并获取输出。相关代码如下:

import tensorflow as tf
import backward
import forward
import PreProcess as PP
import backward as bw
import app
#分析字符内容
def restore_model(testArr):
	with tf.Graph().as_default() as tg:
		#计算流图
		x = tf.compat.v1.placeholder(tf.float32, [None, forward.INPUT_NODE])
		y = forward.forward(x, None)
		preValue = tf.argmax(y, 1)
		variable_averages = tf.train.ExponentialMovingAverage(backward.MOVING_AVERAGE_DECAY)
		variables_to_restore = variable_averages.variables_to_restore()
		saver = tf.compat.v1.train.Saver(variables_to_restore)
		with tf.compat.v1.Session() as sess:
			ckpt = tf.train.get_checkpoint_state(backward.MODEL_SAVE_PATH)  
#保存记录点
			if ckpt and ckpt.model_checkpoint_path:
				saver.restore(sess, ckpt.model_checkpoint_path)
				preValue = sess.run(preValue, feed_dict={x:testArr})
				return preValue
			else:
				print("No checkpoint file found")
				return -1
def application(file_path):
	data = PP.image_process(file_path)
	lable = ''
	if(len(data)==0):
		print("识别失败，请传入更清晰的图片")
	else.
		print("正在识别......")
		for i in range(len(data)):
			preValue = restore_model(data[i:i + 1])[0]
			lable += str(preValue)
		print("识别结果："+lable)
if __name__ == '__main__':
    train = True      #训练开启或关闭
    if train:
        bw.main()
    file_path = 'test_images/2.jpg'
app.application(file_path)

系统测试

将拍摄的银行卡图片存入test_images，file_path改为相应的路径进行测试。

1. 成功案例

测试图和识别结果分别如图1和图2所示。

图1 成功案例测试图

图2 测试成功识别结果

2. 失败案例

当图片拍摄角度倾斜或光线异常时，系统将无法识别，测试图和识别结果分别如图3和图4所示。

图3 失败案例测试图

图4 测试失败识别结果

相关其它博客

基于opencv+tensorflow+神经网络的智能银行卡卡号识别系统——深度学习算法应用(含python、模型源码)+数据集（一）

基于opencv+tensorflow+神经网络的智能银行卡卡号识别系统——深度学习算法应用(含python、模型源码)+数据集（三）

工程源代码下载

详见本人博客资源下载页

---

其它资料下载

如果大家想继续了解人工智能相关学习路线和知识体系，欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线，所有资料免关注免套路直接网盘下载》
这篇博客参考了Github知名开源平台，AI技术平台以及相关领域专家：Datawhale，ApacheCN，AI有道和黄海广博士等约有近100G相关资料，希望能帮助到所有小伙伴们。