引言

在现代金融科技应用中，银行卡号的自动识别是一项重要技术。本文将详细介绍如何使用Python和OpenCV库构建一个完整的银行卡号识别系统。该系统能够从银行卡图像中提取卡号信息，并根据卡号首数字判断银行卡类型。

技术栈

OpenCV: 计算机视觉库，用于图像处理和特征提取
NumPy: 科学计算库，用于数组操作和数值计算
argparse: 命令行参数解析库
自定义工具函数: 用于轮廓处理和图像调整

创造函数

这里为了优化主函数的简洁性，我们另写了一个py文件，然后在主函数内导入。

这里写了一个排序函数，是我们对我们在图像中得到的轮廓进行从左到右排。

import cv2def sort_contours(cnts, method="left-to-right"):reverse = Falsei=0if method == "right-to-left" or method == "bottom-to-top":reverse = Trueif method == "top-to-bottom" or method == "bottom-to-top":i=1boundingBoxes = [cv2.boundingRect(c) for c in cnts](cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),key=lambda b: b[1][i],reverse=reverse))return cnts, boundingBoxes

还一个resize函数，这个和最初的resize不一样，这个变大变小是等比变化的。

def resize(image,width=None,height=None,inter=cv2.INTER_AREA):dim = None(h, w) = image.shape[:2]if width is None and height is None:return imageif width is None:r = height / float(h)dim = (int(w * r), height)else:r = width / float(w)dim = (width, int(h * r))resized = cv2.resize(image, dim, interpolation=inter)return resized

系统架构

主要思路：

先对模板图像（包含数字的图像）进行灰度图处理，二值化。然后找出全部轮廓（这里轮廓是乱序的，我们用我们写的函数，对顺序进行整理），找出轮廓的的外接矩形。然后对轮廓进行裁剪，然后把用字典把图像和对应数字保存下来。

再对我们要检测的图像进行处理。灰度图，二值化，然后进行图像形态学处理（把我们的数字变的更明显，然后把背景给去除），找出我们的所在位置。然后裁剪出来，然后对每一个图像再进行每一个数字的定位。然后再对比，找出最大值的对应的索引，然后再保存就ok了。

代码详解

1 模板处理

image=cv2.imread(args["template"])
cv_show("image", image)
ref=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
cv_show("ref", ref)

先进行二值化处理，不过我们的的图像原本就是二值化的，所以没啥区别

这里进行了一次图像转化，因为轮廓检测对白色检测。原本是黑色的。

ref=cv2.threshold(ref,127,255,cv2.THRESH_BINARY_INV)[1]
cv_show("ref", ref)

refCount,_=cv2.findContours(ref,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(image,refCount,-1,(0,255,0),3)
cv_show("ref", image)
refCnts=myfun.sort_contours(refCount,method='left-to-right')[0]

把每个轮廓画出，并进行排序。


digits={}
for (i, cnt) in enumerate(refCnts):(x, y, w, h) = cv2.boundingRect(cnt)roi = ref[y:y+h, x:x+w]roi=cv2.resize(roi,(57,88))cv2.imshow("ROI", roi)digits[i] = roi
print(digits)

然后把每个数字的轮廓找外界矩形，然后保存下来

裁剪成这样，然后再保存下来。

2 图片处理

传入图片进行展示

进行二值化处理

gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv_show("gray", gray)

定义核

rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT,(9,3))
squareKernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

这里比较大，效果好。

进行顶帽处理

顶帽操作是原图像与开运算之间的差。开运算是先腐蚀后膨胀，顶帽操作用于突出比周围亮的区域，常用于增强图像中的细小亮细节或去除不均匀光照。如下图，我们用原图减去我们进行开运算的图，就可以看到我们数字的地方消失了，只剩背景了，减去之后就刚好只剩数字了。

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

进行腐蚀

closeX=cv2.morphologyEx(gray,cv2.MORPH_CLOSE,rectKernel)
cv_show("closeX", closeX)

这样我们的数字就更好选取一点了，然后这里四个一组可以直接选取了，注意这里我们要观察数字的特征，以便于我们对轮廓更好选取。

进行二值处理

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

画出轮廓

threshCnts,h=cv2.findContours(thresh.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cnts=threshCnts
cur_img=img.copy()
cv2.drawContours(cur_img,cnts,-1,(0,255,0),3)

对数字部分排序

cv_show("cur_img", cur_img)
locs=[]
for (i, cnt) in enumerate(cnts):(x, y, w, h) = cv2.boundingRect(cnt)ar=w/float(h)if ar>2.5 and ar<4.0:if (w>40 and h<55) and (h>10 and h<20):locs.append((x,y,w,h))locs=sorted(locs,key=lambda x : x[0])

进行三重循环

第一层对四块数字进行循环

第二层对每块数字进行操作，然后找出每一个数字。

第三层对上面每一个数字进行模板匹配

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digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)digitCnts = myfun.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(img, (gX - 5, gY - 5), (gX + gW + 5, gY + gH + 5), (0, 0, 255), 1)cv2.putText(img, "".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。