opencv基于模板匹配的银行卡卡号识别项目实战

最新推荐文章于 2024-05-10 10:18:48 发布

primChang

最新推荐文章于 2024-05-10 10:18:48 发布

阅读量6.1k

点赞数 21

分类专栏：研究生学习 opencv python 文章标签： opencv 计算机视觉 python 图像处理

本文链接：https://blog.csdn.net/qq_44705939/article/details/121530420

版权

python 同时被 3 个专栏收录

3 篇文章 0 订阅

订阅专栏

研究生学习

1 篇文章 0 订阅

订阅专栏

opencv

1 篇文章 0 订阅

订阅专栏

最近在恶补opencv，在前期不太那么认真的学习状态下，着手搞了一下这个小项目实战，基于模板匹配下的银行卡卡号识别。

整体思路：

首先对于该项目而言，我们所需要考虑的是，该如何让计算机成功识别到银行卡的卡号，并正确识别出每个卡号数字所对应的数字。那么我们在这里提供一种思路，首先通过对银行卡图像进行轮廓识别，然后拿到我们需要的对应的卡号的轮廓部分，然后再在轮廓中进行进一步轮廓识别，拿到每个数字的轮廓，最后通过画出每个数字的外接矩形，然后根据事先识别好的模板的外接矩形轮廓进行模板匹配，对应就能成功识别出正确的数字。

准备工作：

1.将图像转化为灰度图
2.对图像作二值化处理
3.画轮廓，根据轮廓比的不同拿到我们需要的轮廓部分（此处使用的是将轮廓的长宽进行相比，然后判断每个轮廓的长宽比，然后通过限定条件拿到正确的长宽比部分），同时过滤掉银行卡上的其他图像信息
4.最后再做一些形态学操作，比如一些开、闭合操作，将数字图像信息更明显，更精准
5.训练好模板，这里需要注意的是，我们针对银行卡卡号，需要找到与银行卡卡号数字样式相近的数字模板，不然会影响后续的匹配结果；

匹配结果：

在这里插入图片描述

测试图以及模板图

在这里插入图片描述

处理过程：

模板图像处理

整个预处理的过程就是灰度图、二值化、轮廓查找、画轮廓、resize()轮廓的大小并将所有轮廓进行从0~9的顺序排序，以方便后续匹配完成后的数字获取；

完成上诉操作后的模板图：

在这里插入图片描述

原图像处理

原图像的处理相较模板而言，首要的操作一致，都是先灰度处理，然后二值化，多的就是一些形态学的操作，其主要目的是为了去噪点，然后强化轮廓和一些重要特征的强化，完成这些之后，我们通过轮廓的长宽比拿到我们需要的部分轮廓信息，拿到之后再继续进行轮廓处理，画外接矩形，对比，最后得到结果。
对原图进行灰度和二值化之后，我们做一次顶帽操作；
因为开运算带来的结果是放大了裂缝或者局部低亮度的区域，因此，从原图中减去开运算后的图，得到的效果图突出了比原图轮廓周围的区域更明亮的区域，且这一操作和选择的核的大小相关。
效果图：
在这里插入图片描述
然后求一次X方向的梯度，拿到上图中高亮的部分：

然后做一次闭操作，让高亮区域成块出现：

接着做一次二值化，让成块部分更高亮，同时去除一下图像中其他杂余信息：

随后做一次闭操作，补全区域的空白部分；

完成上述操作之后，便可以进行画轮廓，然后筛选轮廓，最后拿到需要的轮廓之后，再进行上述的操作，拿到每个轮廓里面的数据信息，然后进行模板匹配；

完整代码段：

import cv2
import numpy as np
from imutils import contours
from matplotlib import pyplot as plt
#银行卡实战小项目

def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

def sort(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，然后对最小坐标进行排序
    (cnts,boundingBoxes) = zip(*sorted(zip(cnts,boundingBoxes),key=lambda b:b[1][i],reverse=reverse))
    return cnts,boundingBoxes

#1.读取模板
img=cv2.imread('number.png')
cv_show('number',img)
#2.模板转换为灰度图
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv_show('gray',gray)
#3.换为二值图像
ref,thre=cv2.threshold(gray,10,255,cv2.THRESH_BINARY_INV)
cv_show('ref',thre)
#4.计算轮廓
refCnts,hierarchy=cv2.findContours(thre.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img,refCnts,-1,(0,0,255),3)#画轮廓,此处只画外轮廓，一共10个轮廓0~9
cv_show('imgLK',img)
refCnts=sort(refCnts,"left-to-right")[0]
digits={}#用来存放模板数字对应的数字

#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=thre[y:y+h,x:x+w]
    roi=cv2.resize(roi,(57,88))

    #每个数字都有一个模板
    digits[i]=roi#0~9的数字模板对应

#初始化卷积核,做形态学处理,核的大小可以自己定义，根据实际情况进行定义
rectKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(9,3))
sqKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

#读取原始图像，预处理
image=cv2.imread('bank_testI.png')
cv_show('card',image)
image=cv2.resize(image,(300,200))
#灰度处理
image_gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
cv_show('gray',image_gray)
#顶帽操作，突出明亮区域
tophat=cv2.morphologyEx(image_gray,cv2.MORPH_TOPHAT,rectKernel)
cv_show('tophat',tophat)
#计算边界的梯度
gradX=cv2.Sobel(tophat,ddepth=cv2.CV_32F,dx=1,dy=0,ksize=-1)

gradX=np.absolute(gradX)#取绝对值
(minVal,maxVal)=(np.min(gradX),np.max(gradX))
gradX=(255*((gradX-minVal)/(maxVal-minVal))) #归一化
gradX=gradX.astype("uint8")
cv_show('gradX',gradX)

#执行闭操作，让图像信息成块出现
gradX=cv2.morphologyEx(gradX,cv2.MORPH_CLOSE,rectKernel)
cv_show('gradX',gradX)

thresh=cv2.threshold(gradX,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]#阈值设为0是因为函数中设置了自动判断阈值，一般适用于双峰情况
cv_show('gradX_t',thresh)

#再进行一次闭操作，让图像信息成团出现，补齐空白部分
thresh=cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,sqKernel)
conts,hiera=cv2.findContours(thresh.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cont=conts
curImag=image.copy()
tmp=cv2.drawContours(curImag,cont,-1,(0,0,255),3)#在经过一系列处理后的图像中画出轮廓
locs=[]

for(i,c) in enumerate(cont):
    (x,y,w,h)=cv2.boundingRect(c) #画出每个区域的外接矩形，后续根据外接矩形的长宽比进行筛选需要的部分
    ar=w/float(h)
    if ar>2.5 and ar<4.0 :
        if (w>40 and w<55) and (h>10 and h<20): #选取出满足条件的框
            locs.append((x,y,w,h))
locs=sorted(locs,key=lambda x:x[0])#将筛选之后的轮廓数据进行排序
output=[]
for(i,(gx,gy,gw,gh)) in enumerate(locs):
    groupOuput=[]
    group=image_gray[gy-5:gy+gh+5,gx-5:gx+gw+5]#获取轮廓及其周围数据,加五减五的作用是将获取到的坐标位上下左右偏移一点，方便匹配
    cv_show('group',group)
    group=cv2.threshold(group,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]#再次对每个大框里面的数据进行二值化、测边界
    digitsCont,hieraD=cv2.findContours(group.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)#再进行轮廓检测
    digitsCont=sort(digitsCont,method="left-to-right")[0]
    for c in digitsCont:#计算每个小框的值
        (x,y,w,h)=cv2.boundingRect(c)#做同样操作，画外接矩形然后模式匹配
        roi=group[y:y+h,x:x+w]
        roi=cv2.resize(roi,(57,88))
        scores=[]
        for (digit,digitROI) in digits.items():
            result=cv2.matchTemplate(roi,digitROI,cv2.TM_CCOEFF)#进行匹配,返回的最高值
            (_,score,_,_)=cv2.minMaxLoc(result)#做10次匹配，取最大值
            scores.append(score)
        groupOuput.append(str(np.argmax(scores)))
    cv2.rectangle(image,(gx-5,gy-5),(gx+gw+5,gy+gh+5),(0,0,255),1)
    cv2.putText(image,"".join(groupOuput),(gx,gy-15),cv2.FONT_HERSHEY_SIMPLEX,0.65,(0,0,255),2)
    output.extend(groupOuput)
print("The Card's number is :{}",format("".join(output)))
cv_show('image_result', image)

总结：

整个实战项目的难度不算很大，但对于我这个新手来说比较麻烦，毕竟是第一次实战，所以对整个流程还是处在一个模仿的阶段，整个流程没有自己独立的思考，更多的是对整个流程的个人理解和学习，故待到后续进行深入学习之后，可以再继续对项目进行进一步的改善。如果很幸运有大佬看到我的这篇文章，如果您有比较好的学习建议和意见，请在留言区留言哟~或者你有不理解的地方，也可以在留言区留言，一起探讨学习！！

参考

primChang

关注

21
点赞
踩
64

收藏

觉得还不错? 一键收藏
6
评论
opencv基于模板匹配的银行卡卡号识别项目实战

最近在恶补opencv，在前期不太那么认真的学习状态下，着手搞了一下这个小项目实战，基于模板匹配下的银行卡卡号识别。整体思路：首先对于该项目而言，我们所需要考虑的是，该如何让计算机成功识别到银行卡的卡号，并正确识别出每个卡号数字所对应的数字。那么我们在这里提供一种思路，首先通过对银行卡图像进行轮廓识别，然后拿到我们需要的对应的卡号的轮廓部分，然后再在轮廓中进行进一步轮廓识别，拿到每个数字的轮廓，最后通过画出每个数字的外接矩形，然后根据事先识别好的模板的外接矩形轮廓进行模板匹配，对应就能成功识别出正确的数
复制链接

扫一扫