opencv---信用卡识别

利用已学的opencv知识，跟着教学视频敲了一遍信用卡识别的代码，步骤是真的挺繁琐的，但内容展示挺详细。

步骤如下：

首先，要先设置参数，指定信用卡类型，其中需要进行环境配置，（我用的是pycharm2021.3版本进行操作）具体操作如下：

1.在代码块任意处点击右键，选择Modify Run Configuration，点击进入

 

2.然后展开Parameters，进行添加项目中模板以及要识别的银行卡的图片路径，

 

 3.第一个是要被识别的信用卡图片路径，前面加了--image。第二个是模板路径，前面加了--template。在这里可以更改要被识别的信用卡图片的路径，修改后也可以识别这个信用卡信息。

 

其次，要有参照模板，对模板进行读取，进行灰度图转化、二值操作、轮廓计算以及排序操作。

接着，对要识别的信用卡进行信息读取、礼帽操作、Sobel算子操作、闭操作，轮廓计算、轮廓遍历(读取卡号中的每个数字)、将符合的轮廓进行排序。

最后展示读取的结果。

详细代码如下：

在这个py文件中定义函数：

import cv2
#进行排序--排序函数进行排序操作
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
    #计算外接矩形
    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
    #执行排序操作
    (cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),key=lambda b: b[1][i], reverse=reverse))

    return cnts, boundingBoxes
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

在这个py文件中进行调用以及全部代码展示： 

from imutils import contours
import numpy as np
import argparse
import cv2
import myutils

# 设置参数
ap=argparse.ArgumentParser()
# 添加了两组参数
ap.add_argument("-i",'--image',required=True,help="path to input image")
ap.add_argument("-t","--template",required=True,help="path to template OCR-A image")
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()

#读取一个模板图案
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]
#阈值返回两个参数取[1]位置参数
# 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)#-1表示连画所有轮廓
# cv_show('img',img)
# print (np.array(refCnts).shape)#(10,)


refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0]
#排序，从左到右，从上到下
digits={}

#遍历每个轮廓
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

#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"])
cv_show('image',image)
image=myutils.resize(image,width=300)

#灰度图转换
gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
# cv_show('gray',gray)

#礼帽操作，突出更明亮的区域
tophat=cv2.morphologyEx(gray,cv2.MORPH_TOPHAT,rectKernel)
# cv_show('tophat',tophat)

#Sobel算子
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0,ksize=-1) #ksize=-1相当于用3*3的
#绝对值操作
gradX=np.absolute(gradX)
#归一化操作
(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)#R：红色
# cv_show('img',cur_img)
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
	if ar > 2.5 and ar < 4.0:

		if (w > 40 and w < 55) and (h > 10 and h < 20):
			#符合的留下来
			locs.append((x, y, w, h))

# 将符合的轮廓从左到右排序
locs = sorted(locs, key=lambda x:x[0])
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]
	# cv_show('group',group)
	# 预处理
	group = cv2.threshold(group, 0, 255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
	# 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)
	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)
		# 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
			result = cv2.matchTemplate(roi, digitROI,cv2.TM_CCOEFF)
			(_, score, _, _) = cv2.minMaxLoc(result)
			scores.append(score)

		# 得到最合适的数字
		groupOutput.append(str(np.argmax(scores)))

	# 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)

# 打印结果
print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))#Credit Card Type: Visa
print("Credit Card #: {}".format("".join(output)))#Credit Card #: 4000123456789010
cv2.imshow("Image", image)
cv2.waitKey(0)

模板展示：

信用卡展示：

 

 最后结果展示：

 

 当然如果对其他信用卡进行识别操作，改一下信用卡路径就可以了，如下图对另一张信用卡进行识别：

原信用卡：

 

识别后的结果： 

 到这里就结束了，谢谢观看。如有错误,欢迎指正!