当前位置：首页 > news >正文

OpenCV 银行卡号识别

news 2025/9/9 5:29:27

一、项目原理与核心技术

二、环境准备与工具包导入

1. 环境依赖

2. 工具包导入

三、自定义工具类 myutils.py 实现

四、主程序核心流程（银行卡识别.py）

1. 命令行参数设置

2. 银行卡类型映射

3. 辅助函数：图像展示

五、步骤 1：模板图像预处理与数字提取

1. 读取模板并预处理

2. 检测模板数字轮廓并排序

六、步骤 2：银行卡图像预处理与卡号识别

1. 读取银行卡图像并预处理

2. 数字区域定位（闭运算 + 二值化 + 轮廓检测）

3. 筛选有效数字区域

4. 模板匹配识别卡号

七、结果展示与输出

1. 打印识别结果

2. 显示最终结果图

八、运行示例与效果验证

1. 准备测试文件

2. 运行命令

3. 预期结果

九、常见问题与优化建议

1. 识别准确率低的原因与解决方法

2. 功能扩展建议

在金融场景中，自动识别银行卡号能极大提升业务处理效率，避免人工录入的误差。本文将详细介绍如何使用 Python+OpenCV 构建一套智能卡号识别系统，通过模板匹配的方式，从银行卡图片中精准提取卡号并判断卡类型，适合 OpenCV 初学者和计算机视觉入门学习者参考。

一、项目原理与核心技术

本系统核心采用模板匹配思想，通过预先制作的数字模板（OCR-A 字体，银行卡常用字体），与待识别银行卡图片中的数字区域进行匹配，计算相似度后确定对应数字。整体流程分为两大模块：模板图像预处理与数字提取、银行卡图像预处理与卡号识别。

涉及的关键技术如下：

图像预处理：灰度化、二值化、形态学操作（顶帽、闭运算），用于突出数字区域、抑制背景干扰。
轮廓检测与排序：通过cv2.findContours检测数字轮廓，并按 “从左到右” 顺序排序，确保数字识别顺序正确。
模板匹配：使用cv2.matchTemplate计算待识别数字与模板的相似度，选择得分最高的模板作为识别结果。

二、环境准备与工具包导入

1. 环境依赖

Python 3.6+
OpenCV-Python（pip install opencv-python）
NumPy（pip install numpy）

2. 工具包导入

代码中需导入 OpenCV（核心图像处理）、NumPy（数值计算）、argparse（命令行参数解析），以及自定义工具类myutils（封装轮廓排序和图像缩放功能）。

import numpy as np
import argparse
import cv2
import myutils  # 自定义工具类，下文会提供完整代码

三、自定义工具类 myutils.py 实现

myutils.py封装了两个核心函数：轮廓排序和图像缩放，是整个系统的基础工具，代码如下：

import cv2def sort_contours(cnts, method='left-to-right'):"""对轮廓进行排序（支持4种排序方式）:param cnts: 输入的轮廓列表:param method: 排序方式，默认左到右（left-to-right），可选：right-to-left、top-to-bottom、bottom-to-top:return: 排序后的轮廓列表、对应的边界框列表"""reverse = False  # 是否逆序，默认正序i = 0  # 排序依据：0=x坐标（左右排序），1=y坐标（上下排序）# 若为右到左或下到上，设置逆序if method in ['right-to-left', 'bottom-to-top']:reverse = True# 若为上下排序，按y坐标排序if method in ['top-to-bottom', 'bottom-to-top']:i = 1# 计算每个轮廓的外接矩形，按指定维度排序bounding_boxes = [cv2.boundingRect(c) for c in cnts]# 同时对轮廓和边界框排序（确保一一对应）cnts, bounding_boxes = zip(*sorted(zip(cnts, bounding_boxes),key=lambda item: item[1][i], reverse=reverse))return list(cnts), list(bounding_boxes)  # 返回列表格式，兼容后续操作def resize(image, width=None, height=None, inter=cv2.INTER_AREA):"""图像缩放（保持宽高比，避免拉伸变形）:param image: 输入图像:param width: 目标宽度（若为None，按高度缩放）:param height: 目标高度（若为None，按宽度缩放）:param inter: 插值方式，默认INTER_AREA（适合缩小图像，画质更清晰）:return: 缩放后的图像"""dim = None  # 目标尺寸（宽，高）h, w = image.shape[:2]  # 获取原始图像高度和宽度# 若宽高均为None，返回原始图像if width is None and height is None:return image# 按高度缩放（宽度为None时）if width is None:r = height / float(h)  # 缩放比例dim = (int(w * r), height)  # 计算目标尺寸# 按宽度缩放（默认逻辑）else:r = width / float(w)dim = (width, int(h * r))# 执行缩放resized = cv2.resize(image, dim, interpolation=inter)return resized

四、主程序核心流程（银行卡识别.py）

主程序分为模板处理和银行卡处理两大步骤，下面逐模块详细讲解。

1. 命令行参数设置

通过argparse设置两个必填参数：待识别银行卡图片路径（-i/--image）和数字模板图片路径（-t/--template），方便运行时灵活指定输入文件。

# 创建参数解析器
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True, help="path to input image（银行卡图片路径）")
ap.add_argument("-t", "--template", required=True, help="path to template OCR-A image（数字模板路径）")
args = vars(ap.parse_args())  # 解析参数，转为字典格式

2. 银行卡类型映射

根据银行卡号第一位数字，映射对应的卡类型（符合国际标准）：

FIRST_NUMBER = {"3": "American Express（美国运通卡）","4": "Visa（维萨卡）","5": "MasterCard（万事达卡）","6": "Discover Card（发现卡）"
}

3. 辅助函数：图像展示

封装cv_show函数，方便在处理过程中查看每一步的图像结果：

def cv_show(name, img):"""显示图像（按任意键关闭窗口）:param name: 窗口名称:param img: 待显示图像"""cv2.imshow(name, img)cv2.waitKey(0)  # 等待按键（0表示无限等待）cv2.destroyWindow(name)  # 关闭窗口