信用卡数字识别系统：前言与代码解析

前言

项目代码

结果演示

代码模块解析

1. 参数解析模块

2. 轮廓排序函数

3. 图像预处理模块

4. 输入图像处理流程

5. 卡号区域定位

6. 数字识别与输出

系统优势

信用卡数字识别系统：前言与代码解析

前言

信用卡数字识别是金融自动化处理的核心技术之一，通过计算机视觉技术自动提取卡面信息，可应用于支付验证、身份认证等场景。本系统基于模板匹配和图像处理技术，实现对信用卡卡号的自动识别。系统通过预处理、轮廓检测和特征匹配三个关键阶段，准确识别信用卡上的16位数字，并自动判断发卡机构（Visa/MasterCard等）。以下将详细解析代码各模块功能。

项目代码

import argparse
import imutils
import numpy as np
import myutils
from imutils import contours
import cv2# 设置参数结果
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,help="path to input image containing credit card")
ap.add_argument("-t", "--template", required=True,help="path to input template image")
args = vars(ap.parse_args())# 指定信用卡类型
FIRST_NUMBER = {"3": "American Express","4": "Visa","5": "MasterCard","6": "Discover Card"
}def 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]  # 用一个最小的矩形，把找到的形状包起来x,y,h,w(cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),key=lambda b: b[1][i], reverse=reverse))return cnts, boundingBoxesdef 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# 绘图展示
def cv_show(name,img):cv2.imshow(name,img)cv2.waitKey(0)cv2.destroyAllWindows()return None# 读取一个模板
img=cv2.imread(args["template"])
cv_show("img",img)# 灰度图展示
ref=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv_show("ref",ref)# 二值图像
ref=cv2.threshold(ref,10,255,cv2.THRESH_BINARY_INV)[1]
cv_show("ref",ref)# 计算轮廓果
ref_,refCnts = cv2.findContours(ref.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img,ref_,-1,(0,0,255),3)
cv_show("img",img)
print(np.array(refCnts).shape)
refCnts =sort_contours(ref_, method="left-to-right")[0]
digits = {}# 遍历模板轮廓
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# 初始化卷积核
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT,(9,3))
squareKernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))# 读取输入图像、预处理
image = cv2.imread(args["image"])
cv_show("image",image)
image = resize(image,width=300)
gary= cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
cv_show("gary",gary)# 礼帽操作，突出更明亮的区域
tophat = cv2.morphologyEx(gary,cv2.MORPH_TOPHAT,rectKernel)
cv_show("tophat",tophat)
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")
print(np.array(gradx).shape)
cv_show("gradx",gradx)# 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,rectKernel)
cv_show("gradx",gradx)
# THRESH_OTSU会自动寻找全局阈值，适合双峰,需要把阈值参数设置为0
thresh = cv2.threshold(gradx,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show("thresh",thresh)# 再来一个闭操作
thresh = cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,squareKernel)
cv_show("thresh",thresh)# 计算轮廓
thresh_,threshCnts = cv2.findContours(thresh.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cnts = thresh_
cur_img=image.copy()
cv2.drawContours(cur_img,cnts,-1,(0,0,255),3)
cv_show("cur_img",cur_img)
locs=[]# 遍历轮廓
for (i,c) in enumerate(cnts):(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if ar > 2.5 and ar < 4.0:# 满足条件的区域可能是数字的区域if (w > 40 and w < 55) and (h > 10 and h < 20):# 符合尺寸的保存locs.append((x,y,w,h))
# 将符合条件的轮廓从左到右排序
locs = sorted(locs,key=lambda x:x[0])
output=[]
# 遍历每一个轮廓中的数字
for (i,(gx,gy,gw,gh)) in enumerate(locs):# initialzie the list of group digitsgroupOutput = []# 根据坐标提取数字的区域group = gary[gy-5:gy+gh+5,gx-5:gx+gw+5]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_,groupCnts = cv2.findContours(group.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)group_ = contours.sort_contours(group_,method="left-to-right")[0]# 计算每一个组中的数字for c in group_:(x,y,w,h) = cv2.boundingRect(c)digit = group[y:y+h,x:x+w]digit = cv2.resize(digit,(57,88))cv_show("digit",digit)# 计算匹配得分scores = []# 在模板中计算每一个得分for (digitt,digitTempl) in digits.items():result = cv2.matchTemplate(digit,digitTempl,cv2.TM_CCOEFF)(_,score,_,_) = cv2.minMaxLoc(result)scores.append(score)# 获得匹配得分最适合的数字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(image,"".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("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #: {}".format("".join(output)))
cv2.imshow("Image", image)
cv2.waitKey(0)

注意事项：

由于作者用于较新的PyCharm版本是2024版本，它与传统的PyCharm有区分，而且作者在学习过程中同样发现一些问题，这个代码前面可以不用写排序，而最新版本里面不知什么原因调用接口时候报错说没有这个模块函数，于是作者只能将排序等需要的模块分开出来，写入项目中。

结果演示

代码模块解析

1. 参数解析模块

ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True, help="输入信用卡图像路径")
ap.add_argument("-t", "--template", required=True, help="模板图像路径")
args = vars(ap.parse_args())

功能：通过命令行参数接收输入图像和模板图像路径
参数说明：
- -i/--image：待识别的信用卡图像
- -t/--template：数字模板图像（包含0-9标准数字）

PyCharm2024通过argparse模块操作命令行设置方法如下,接下来的步骤是中文展示，作者PyCharm已经汉化，若未汉化也可记作者选择按钮的位置点击：

第一步：将需要的图片存放在本人知道的文件路径

原图片如下：

模板图片如下：

我存放的路径如下：

第二步：右击项目代码，选择“更多运行/调试”后，在选择下拉列表中的“修改运行配置”

第三步：在新打开的对话框选择“运行”栏下最后一行点击“展开”

第四步：输入之前存放模板和原图片的路径

注：由于作者存放图片和模板与项目同一个文件夹目录下，因此可以省略具体的路径，若用户存放不在同一个文件夹目录下，那么需要你加上如下格式：

--image

盘符:\文件夹1名称\文件夹2名称\.....\图片名称和后缀名(.png,.jpg等等)

--template