基于Python+Opencv的银行卡号识别系统（附完整代码）

2024-07-06 14:18| 来源: 网络整理| 查看: 265

前言

一、银行卡号识别系统是什么？

二、理论部分

1.总体思路

2.模板

3.识别图片

4.参数

三、完整代码

四、演示结果

总结

前言

随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就主要介绍基于Python+Opencv中的形态学操作和模板匹配的银行卡号识别系统

一、银行卡号识别系统是什么？

银行卡号识别系统是根据用户传入银行卡的图片，通过Opencv中比较简单的基础操作，识别出银行卡号并把结果展示出来的一个系统

二、理论部分

1.总体思路

首先把模板中的数字单个分离开，再提取银行卡上的ROI，再将两者的二值图像进行模板匹配，确定出每一个数字，即实现了银行卡号识别

2.模板

要求：输入模板必须带有所有的数字，且字体与识别的银行卡号一样

输入：模板图像

输出：0-9各个数字模板

流程：

(1)输入模板图像

(2)模板图像转换为灰度图

(3)灰度图转换为二值图

(4)找到所有数字的外轮廓

(5)将轮廓画出

(6)对找到的轮廓排序，得到轮廓集合

(7)将每个数字制成一个模板

3.识别图片

要求：银行卡号的字体与模板的一样

输入：识别图像

输出：识别完成并画上识别结果的图像

流程:

(1)读取识别图像

(2)图像转换为灰度图

(3)灰度图进行礼帽操作

(4)利用Sobel算子进行边缘检测

(5)Sobel算子运算后的图像进行闭操作

(6)闭操作后的图像进行二值化（threshold）

(7)二值化后的图像再次进行闭操作

(8)找出轮廓

(9)画出轮廓

(10)对轮廓进行筛选得出ROI（根据数字区域的W/H;以及图像大小范围）

(11)对ROI进行排序

(12)提取ROI中的每一位数字进行模板匹配

(13)筛选出最符合的数字

(14)展示结果

4.参数

1.输入的模板

2.识别图片

3.卷积核的大小（关键是闭操作时，要使得能够将ROI凸显出来）

4.筛选ROI的时候，比例的大小以及区域大小的范围（可以适当调大参数，得出想要的ROI，再把ROI打印出来，再根据ROI调整）

三、完整代码 """ 参数调整： 1.输入的模板 2.检测的图片 3.卷积核的大小（关键是闭操作时，要使得能够将ROI凸显出来） 4.筛选ROI的时候，比例的大小以及区域大小的范围（可以适当调大参数，得出想要的ROI，再把ROI打印出来，再根据ROI调整） """ import cv2 import numpy as np import imutils from imutils import contours # 初始化卷积核 myKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (33, 21)) rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3)) # sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) def cv_show(name, imgs, time): cv2.imshow(name, imgs) cv2.waitKey(time) cv2.destroyAllWindows() """ 模板图像的处理算法输入:模板图像输出:0-9各个数字模板流程: (1)读取模板图像 (2)模板图像转换为灰度图 (3)灰度图转换为二值图 (4)找到所有数字的外轮廓 (5)将轮廓画出 (6)对找到的轮廓排序,得到轮廓集合 (7)将每个数字制成一个模板 """ temp = cv2.imread("D:/OpenCV_code/bank_card/temp.jpg") cv_show("temp", temp, 100) ref = cv2.cvtColor(temp, cv2.COLOR_BGR2GRAY) cv_show("ref_gray", ref, 100) ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1] cv_show("ref_t", ref, 100) ''' 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） ref_, refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) cv2.RETR_EXTERNAL只检测外轮廓 cv2.CHAIN_APPROX_SIMPLE只保留终点坐标 ref_:显示返回值ref_其实是输入的原图 refCnts:返回的list中每个元素都是图像中的一个轮廓 ''' refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 画出找到的轮廓 cv2.drawContours(temp, refCnts, -1, (0, 0, 255), 2) cv_show('temp', temp, 100) print(np.array(refCnts, dtype=object).shape) refCnts = imutils.contours.sort_contours(refCnts, method="left-to-right")[0] # 排序，从左到右，从上到下 digits = {} # 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 = 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 """ 输入图像的处理算法输入:识别图像输出:识别完成并画上识别结果的图像流程: (1)读取识别图像 (2)图像转换为灰度图 (3)灰度图进行礼帽操作 (4)利用Sobel算子进行边缘检测 (5)Sobel算子运算后的图像进行闭操作 (6)闭操作后的图像进行二值化（threshold） (7)二值化后的图像再次进行闭操作 (8)找出轮廓 (9)画出轮廓 (10)对轮廓进行筛选得出ROI（根据数字区域的W/H;以及图像大小范围） (11)对ROI进行排序 (12)提取ROI中的每一位数字进行模板匹配 (13)筛选出最符合的数字 (14)展示结果 """ img = cv2.imread("D:/OpenCV_code/bank_card/img.png") cv_show("img", img, 800) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) cv_show("img_gray", gray, 100) # 礼帽操作，突出更明亮的区域 tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel) cv_show('tophat', tophat, 100) # 利用Sobel算子进行边缘检测 gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1) # 获得gradX的绝对值 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('Sobel', gradX, 100) # 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, myKernel) cv_show('close_1', gradX, 100) # 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, 100) # 再来一个闭操作 thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, myKernel) cv_show('close_2', thresh, 100) # 计算轮廓 threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) cnts = threshCnts cur_img = img.copy() cv2.drawContours(cur_img, cnts, -1, (0, 0, 255), 3) cv_show('img', cur_img, 100) 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 # [(454, 213, 110, 29), (308, 211, 109, 31), (171, 211, 98, 31), (18, 211, 107, 31)] if 2.5 < ar < 4.0: if (90 < w < 120) and (20 < h < 40): # 符合的留下来 locs.append((x, y, w, h)) print(locs) # 将符合的轮廓从左到右排序 locs = sorted(locs, key=lambda o: o[0]) output = [] result = img.copy() # 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, 100) # 预处理 group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] cv_show('group', group, 100) # 计算每一组的轮廓 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, 100) # 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 res = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF) (_, score, _, _) = cv2.minMaxLoc(res) scores.append(score) # 得到最合适的数字 groupOutput.append(str(np.argmax(scores))) # 画出来 cv2.rectangle(result, (gX - 5, gY - 5), (gX + gW + 5, gY + gH + 5), (0, 0, 255), 1) cv2.putText(result, "".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("Card number: {}".format("".join(output))) cv_show("result", result, 800) contrast = np.hstack((img, result)) cv_show("contrast", contrast, 0) # 保存结果 cv2.imwrite("result.jpg", result) cv2.imwrite("contrast.jpg", contrast) 四、演示结果