银行卡号识别案例

代码实现：

import cv2
import numpy as np
import argparse
import myutils
'''
-i moban.png
-t card1.png
'''
ap= argparse.ArgumentParser()
ap.add_argument("-i","--image", required=True,help="path to input image")
ap.add_argument("-t","--template", required=True,help="path to template 0cR-A image")
args = vars(ap.parse_args())
FIRST_NUMBER ={ "3":"American Express","4": "Visa","5":"MasterCard","6":"Discover Card"}
def cv_show(name,img):cv2.imshow(name,img)cv2.waitKey(0)''' --------模板图像中数字的定位处理----------- '''
img = cv2.imread(args["template"])
cv_show('img',img)
ref =cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv_show('ref',ref)
ref = cv2.threshold(ref,10,255,cv2.THRESH_BINARY_INV)[1]
cv_show('ref',ref)
_,refCnts, hierarchy = cv2.findContours(ref, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img,refCnts,-1,(0,0,255),3)
cv_show('img',img)
refCnts = myutils.sort_contours(refCnts,method="left-to-right")[0]
digits = {}
for(i,c)in enumerate(refCnts):(x,y,w,h)=cv2.boundingRect(c)roi = ref[y:y + h, x:x + w]roi =cv2.resize(roi,(57,88))cv_show('ro',roi)digits[i]= roi
print(digits)
''' --------信用卡的图像处理----------- '''
image = cv2.imread(args['image'])
cv_show('image',image)
image = myutils.resize(image,width=300)
gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
cv_show('gray',gray)
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9,3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
tophat = cv2.morphologyEx(gray,cv2.MORPH_TOPHAT,rectKernel)
cv_show('tophat',tophat)
closeX = cv2.morphologyEx(tophat,cv2.MORPH_CLOSE,rectKernel)
cv_show('gradX',closeX)
thresh = cv2.threshold(closeX,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1]
cv_show('thresh',thresh)
thresh = cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,sqKernel)
cv_show('thresh1',thresh)
_,threshCnts,h = 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)
cv_show('img',cur_img)
locs = []
for (i,c) in enumerate(cnts):(x,y,w,h) = cv2.boundingRect(c)ar = w/float(h)if ar>2.5 and ar<4.0:if (w>40 and w<55) and (h>10 and h<20):locs.append((x,y,w,h))
locs = sorted(locs , key=lambda x: x[0])
print(locs)
output = []
# 遍历每一个轮廓中的数字
for (i, (gX, gY, gW, gH)) in enumerate(locs):groupOutput = []group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]  # 适当加一点边界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 = myutils.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)'''--------使用模板匹配，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()是OpenCV库中的一个函数，用于在图像上添加文本。cv2.putText(image, "".join(groupOutput), (gX, gY - 15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)output.extend(groupOutput)  # 得到结果 将一个列表的元素添加到另一个列表的末尾。
# 打印结果
print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #: {}".format("".join(output)))
cv2.imshow("Image", image)
cv2.waitKey(0)

这段代码实现了基于模板匹配的信用卡数字识别，核心流程分为「模板图像预处理」「信用卡图像预处理」「轮廓检测与分组」「数字模板匹配与识别」四个阶段，以下是详细解析：

1. 初始化与参数解析

• 参数解析：通过 argparse 解析命令行参数，-i 指定信用卡输入图像路径，-t 指定数字模板图像（包含 0-9 数字的参考图）。
• 信用卡品牌映射：FIRST_NUMBER 字典通过卡号首数字映射信用卡品牌（如 Visa 以 4 开头）。
• 辅助函数：cv_show 用于调试时显示图像并等待按键。

2. 模板图像预处理（制备数字模板）

目的是从模板图像中提取 0-9 的标准数字模板，供后续匹配使用：

1. 读入与灰度转换：读取模板图像并转为灰度图。
2. 反相二值化：cv2.threshold(..., THRESH_BINARY_INV) 将数字转为白色、背景转为黑色，便于轮廓检测。
3. 轮廓检测与排序：
   • cv2.findContours 提取所有外部轮廓（每个数字对应一个轮廓）。
   • myutils.sort_contours（自定义函数）按从左到右排序轮廓，确保数字顺序与视觉一致。
4. 提取数字 ROI 并标准化：遍历每个轮廓，提取数字区域（ROI），并缩放到统一尺寸 (57, 88)，存储到 digits 字典（键为索引，值为数字模板）。

3. 信用卡图像预处理（增强数字区域）

目的是从信用卡图像中突出数字区域，便于后续轮廓检测：

1. 读入与尺寸调整：读取信用卡图像，按比例缩放到宽度 300（方便统一处理）。
2. 灰度转换：转为灰度图，消除颜色干扰。
3. 形态学操作（增强数字）：
   • 顶帽操作（TOPHAT）：用长方形结构核 rectKernel 突出比背景亮的区域（即数字区域）。
   • 闭运算（CLOSE）：先膨胀后腐蚀，用 rectKernel 连接水平方向的数字，使 “4 位一组的数字” 形成整体区域；再用正方形核 sqKernel 连接数字内部间隙，让轮廓更完整。
4. 二值化（OTSU 自适应阈值）：cv2.threshold(..., THRESH_BINARY | THRESH_OTSU) 自动确定阈值，将图像转为黑白二值图（数字为白，背景为黑）。

4. 轮廓筛选与数字分组

目的是从预处理后的图像中，筛选出 ** 信用卡数字组（通常 4 位一组）** 的轮廓：

• 遍历所有轮廓，通过宽高比（ar）和宽 / 高的数值范围筛选符合 “数字组特征” 的轮廓（如信用卡数字组宽高比约 2.5-4，宽度 40-55，高度 10-20，需根据实际图像调整）。
• 按轮廓的 x 坐标排序，确保从左到右处理数字组。

5. 数字模板匹配与识别

对每个筛选出的数字组，逐数字进行模板匹配：

1. 提取数字组 ROI：扩展数字组的边界（gY -5 等），避免数字被截断。
2. 数字组二值化：对提取的区域再次二值化，与模板格式一致。
3. 单数字轮廓检测与排序：提取数字组内的单个数字轮廓，按从左到右排序。
4. 模板匹配：
   • 对每个单数字 ROI，缩放到模板尺寸 (57, 88)。
   • 用 cv2.matchTemplate（方法为 TM_CCOEFF）与 digits 中所有数字模板匹配，计算 “匹配得分”。
   • 选择得分最高的模板，其索引对应数字（如索引 0 对应模板中最左侧数字）。
5. 结果绘制与存储：在原图上绘制数字组的矩形框，并将识别出的数字用 cv2.putText 显示；同时将数字存入 output 列表，最终拼接为完整卡号。

6. 信用卡品牌与卡号输出

• 从 output 中取首数字，通过 FIRST_NUMBER 字典判断信用卡品牌。
• 打印品牌与完整卡号，并显示最终图像。

关键注意事项

• 参数适配：形态学核的尺寸、轮廓筛选的宽高比 / 范围，需根据图像分辨率、数字大小调整。
• 模板质量：模板图像的清晰度、数字完整性，直接影响匹配准确率。
• 排序依赖：myutils.sort_contours（自定义轮廓排序函数）是确保 “数字顺序正确” 的关键。
• 匹配方法：TM_CCOEFF 适合黑白模板匹配，因它对亮度差异不敏感，更关注形状相关性。