2024年Python最新使用 OpenCV 和 Python 识别信用卡号

args = vars(ap.parse_args())

建立了一个参数解析器，添加两个参数，然后解析它们，将它们存储为变量 args 。 两个必需的命令行参数是：

–image ：要进行 OCR 处理的图像的路径。

–reference ：参考 OCR-A 图像的路径。 该图像包含 OCR-A 字体中的数字 0-9，从而允许我们稍后在管道中执行模板匹配。

接下来让我们定义信用卡类型：

define a dictionary that maps the first digit of a credit card

number to the credit card type

FIRST_NUMBER = {

“3”: “American Express”,

“4”: “Visa”,

“5”: “MasterCard”,

“6”: “Discover Card”

}

信用卡类型，例如美国运通、Visa 等，可以通过检查 16 位信用卡号中的第一位数字来识别。我们定义了一个字典 FIRST_NUMBER ，它将第一个数字映射到相应的信用卡类型。 让我们通过加载参考 OCR-A 图像来启动我们的图像处理管道：

load the reference OCR-A image from disk, convert it to grayscale,

and threshold it, such that the digits appear as white on a

black background

and invert it, such that the digits appear as white on a black

ref = cv2.imread(args[“reference”])

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

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

首先，我们加载参考 OCR-A 图像，然后将其转换为灰度和阈值 + 反转。 在这些操作中的每一个中，我们存储或覆盖 ref ，我们的参考图像。

现在让我们在 OCR-A 字体图像上定位轮廓：

find contours in the OCR-A image (i.e,. the outlines of the digits)

sort them from left to right, and initialize a dictionary to map

digit name to the ROI

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

cv2.CHAIN_APPROX_SIMPLE)

refCnts = imutils.grab_contours(refCnts)

refCnts = contours.sort_contours(refCnts, method=“left-to-right”)[0]

digits = {}

找到了参考图像中的轮廓。 然后，由于 OpenCV 2.4、3 和 4 版本如何不同地存储返回的轮廓信息，我们检查版本并对 refCnts 进行适当更改。 接下来，我们从左到右对轮廓进行排序，并初始化一个字典，digits，它将数字名称映射到感兴趣的区域。

此时，我们应该遍历轮廓，提取ROI并将其与其对应的数字相关联：

loop over the OCR-A reference contours

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

compute the bounding box for the digit, extract it, and resize

it to a fixed size