附代碼|OpenCV實現銀行卡號識別,字符識別算法你知多少?

作者 | 李秋鍵

責編 | Carol

頭圖 | CSDN 付費下載自視覺中國

隨著計算機視覺在我們生活中的應用越來越廣泛，大量的字符識別和提取應用逐漸變得越來越受歡迎，同時也便利了我們的生活。像我們生活中的憑藉身份碼取快遞、超市掃碼支付的機器等等。字符識別是模式識別的一個重要應用，首先提取待識別字符的特徵；然後對提取出來的特徵跟字符模板的特徵匹配；最後根據準則判定該字符所屬的類別。不同的訓練方法，不同的特徵提取， 不同的匹配規則，就相應的有不同的字符識別方法，基本上很多就是在這些地方做改進，或者是採用新的規則。但是萬變不離其宗。1、模板匹配字符識別算法。模板匹配字符識別算法是圖像識別中的經典算法之一，該算法的核心思想是：通過比較待識別字符圖像的字符特徵和標準模板的字符特徵，計算兩者之間的相似性，相似性最大的標準模板的字符即為待識別的字符。2、神經網絡字符識別算法主要思想：通過神經網絡學習大量字符樣本，從而得到字符的樣本特徵。當對待識別的字符進行識別時，神經網絡就會將待識別字符的特徵和之前得到的樣本特徵匹配，從而識別出字符。3、支持向量機主要思想：同上，都是先得到樣本特徵，進行訓練，然後再分類。SVM應該算是用的最多的分類方法，一般大多適合於二分類問題，在這裡就需要使用多分類器來構造。

今天我們就簡單的利用OpenCV處理通過提取輪廓和匹配等方式來實現模式匹配的字符識別。

效果圖如下：

實驗前的準備

首先我們使用的python版本是3.6.5所用到的庫有cv2庫用來圖像處理；

Numpy庫用來矩陣運算，這裡主要用來對圖像像素值相關性處理；imutils庫可以輕鬆實現基本圖像處理功能，如平移，旋轉，調整大小，骨架化和顯示Matplotlib圖像。

程序的搭建

1、參考圖像的讀取和處理：

參考圖像如下，因為銀行卡號主要只有0~9這幾個數字，為了方便識別數字，我們直接利用這張圖片裡的數值作為匹配樣式：

所以下面我們要做的事很明顯，就是要將其中每個數字隔開方便後面匹配。

代碼如下：

#定義了一個字典 FIRST_NUMBER ，它將第一個數字映射到相應的信用卡類型。

FIRST_NUMBER = {

"3": "American Express",

"4": "Visa",

"5": "MasterCard",

"6": "Discover Card"

}

#參考數字圖像，用於匹配

#灰度化及二值化

ref=cv2.imread("1.png")

ref = cv2.cvtColor(ref, cv2.COLOR_BGR2GRAY)

ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]

#查找輪廓，從左往右排序

refCnts = cv2.findContours(ref.copy, cv2.RETR_EXTERNAL,

cv2.CHAIN_APPROX_SIMPLE)

refCnts = imutils.grab_contours(refCnts)

refCnts = contours.sort_contours(refCnts, method="left-to-right")[0]

digits = {}

#對於其中每一個輪廓進行提循環，i為數字名稱,c為輪廓，我們將每個數字0-9（字典鍵）與第30行的每個roi 圖像（字典值）相關聯 。

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))

digits[i]=roi

#初始化幾個結構化內核，構造了兩個這樣的內核 - 一個矩形和一個正方形。我們將使用矩形的一個用於Top-hat形態運算符，將方形一個用於關閉操作。

rectKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(9,3))

sqKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

2、獲取數字位置分組：

這裡需要識別的圖片為：

我們需要進行的處理包括二值化和Top-hat形態操作，最後通過findContours函數框出位置。

其中代碼如下：

#加載信用卡圖像

image=cv2.imread("3.jpg")

image=imutils.resize(image,width=300)

gray=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)

#執行Top-hat形態操作，將結果存儲為 tophat,Top-hat操作顯示了深色背景下的亮區（即信用卡號）

tophat=cv2.morphologyEx(gray,cv2.MORPH_TOPHAT,rectKernel)

#計算沿x方向的漸變在計算gradX 數組中每個元素的絕對值之後 ，我們採取一些步驟將值縮放到範圍[0-255]（因為圖像當前是浮點數據類型）。要做到這一點，我們計算 MINVAL

# 和 MAXVAL 的 gradX （線72），然後由我們的縮放方程上顯示 線73（即，最小/最大歸一化）。最後一步是將gradX轉換 為 uint8 ，其範圍為[0-255]

gradx=cv2.Sobel(tophat,ddepth=cv2.CV_32F,dx=1,dy=0,ksize=-1)

gradx=np.absolute(gradx)

(minval,maxval)=(np.min(gradx),np.max(gradx))

gradx=(255*((gradx-minval)/(maxval-minval)))

gradx=gradx.astype("uint8")

#執行gradX 圖像的Otsu和二進位閾值，然後是另一個關閉操作,對數字分段

gradx=cv2.morphologyEx(gradx,cv2.MORPH_CLOSE,rectKernel)

thresh=cv2.threshold(gradx,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1]

thresh=cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,sqKernel)

#找到輪廓並初始化數字分組位置列表

cnts=cv2.findContours(thresh,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

cnts=imutils.grab_contours(cnts)

3、切割字符：

接著循環遍歷輪廓，同時根據每個的寬高比進行過濾，允許我們從信用卡的其他不相關區域修剪數字組位置，然後從左到右對分組進行排序，並初始化信用卡數字列表。

部分代碼如下：

locs =

#循環遍歷輪廓，同時根據每個的寬高比進行過濾，允許我們從信用卡的其他不相關區域修剪數字組位置

for (i, c) in enumerate(cnts):

# compute the bounding box of the contour, then use the

# bounding box coordinates to derive the aspect ratio

(x, y, w, h) = cv2.boundingRect(c)

ar = w / float(h)

# since credit cards used a fixed size fonts with 4 groups

# of 4 digits, we can prune potential contours based on the

# aspect ratio

if ar > 2.5 and ar < 4.0:

# contours can further be pruned on minimum/maximum width

# and height

if (w > 40 and w < 55) and (h > 10 and h < 20):

# append the bounding box region of the digits group

# to our locations list

locs.append((x, y, w, h))

#從左到右對分組進行排序，並初始化信用卡數字列表

locs = sorted(locs, key=lambda x:x[0])

output =

#遍歷四個排序的分組並確定其中的數字,循環的第一個塊中，我們在每一側提取並填充組5個像素（第125行）

# ，應用閾值處理（第126和127行），並查找和排序輪廓（第129-135行）。

for (i, (gX, gY, gW, gH)) in enumerate(locs):

# initialize the list of group digits

groupOutput =

# extract the group ROI of 4 digits from the grayscale image,

# then apply thresholding to segment the digits from the

# background of the credit card

group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]

group = cv2.threshold(group, 0, 255,

cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]

# detect the contours of each individual digit in the group,

# then sort the digit contours from left to right

digitCnts = cv2.findContours(group.copy, cv2.RETR_EXTERNAL,

cv2.CHAIN_APPROX_SIMPLE)

digitCnts = imutils.grab_contours(digitCnts)

digitCnts = contours.sort_contours(digitCnts,

method="left-to-right")[0]

# loop over the digit contours

for c in digitCnts:

# compute the bounding box of the individual digit, extract

# the digit, and resize it to have the same fixed size as

# the reference OCR-A images

(x, y, w, h) = cv2.boundingRect(c)

roi = group[y:y + h, x:x + w]

roi = cv2.resize(roi, (57, 88))

# initialize a list of template matching scores

scores =

# loop over the reference digit name and digit ROI

for (digit, digitROI) in digits.items:

# apply correlation-based template matching, take the

# score, and update the scores list

result = cv2.matchTemplate(roi, digitROI,

cv2.TM_CCOEFF)

(_, score, _, _) = cv2.minMaxLoc(result)

scores.append(score)

# the classification for the digit ROI will be the reference

# digit name with the *largest* template matching score

groupOutput.append(str(np.argmax(scores)))

# draw the digit classifications around the group

cv2.rectangle(image, (gX - 5, gY - 5),

(gX + gW + 5, gY + gH + 5), (0, 0, 255), 2)

cv2.putText(image, "".join(groupOutput), (gX, gY - 15),

cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)

# update the output digits list

output.extend(groupOutput)

# display the output credit card information to the screen

print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))

print("Credit Card #: {}".format("".join(output)))

cv2.imshow("Image", image)

cv2.waitKey(0)

到這裡，我們整體的程序就搭建完成，下面為我們程序的運行結果：

源碼地址：

提取碼：k5ra

作者簡介：李秋鍵，CSDN博客專家，CSDN達人課作者。碩士在讀於中國礦業大學，開發有taptap競賽獲獎等等。

全球Python調查報告：Python 2正在消亡，PyCharm比VS Code更受歡迎來了來了！趨勢預測算法大PK！10行Python代碼能實現什麼高端操作?無代碼來了，還要程式設計師嗎？沒錯，你離分布式搜索只差一個Elasticsearch入門！再見，Eclipse | 原力計劃區塊鏈共識算法總結 | 原力計劃