使用 OpenCV 实现银行卡卡号识别

文章目录

• • 一、流程概述
  • 二、环境配置与参数设置
  • 三、命令行参数配置
  • 四、银行卡类型定义
  • 五、辅助函数定义
  • 六、模板图像预处理
  • • 6.1 模板加载与初步处理
    • 6.2 轮廓提取与数字模板建立
  • 七、银行卡图像处理流程
  • • 7.1 图像加载与初步调整
    • 7.2 形态学处理突出数字区域
    • 7.3 数字区域定位与提取
    • 7.4 数字组轮廓检测与筛选
  • 八、数字识别核心算法
  • • 8.1 单个数字组处理
    • 8.2 模板匹配识别数字
    • 8.3 结果可视化
  • 九、最终结果输出

一、流程概述

采用经典的图像处理流程，主要分为两个核心阶段：

卡号识别阶段：对输入的银行卡图像进行多步处理，定位卡号区域，分割单个数字，通过模板匹配实现识别

整个系统基于OpenCV库实现。

二、环境配置与参数设置

import numpy as np
import argparse
import cv2
import myutils
from imutils import contours

模块作用分析：

• numpy：提供高效的数值计算和数组操作
• argparse：Python内置库，用于解析命令行参数
• cv2：OpenCV库，核心图像处理功能
• myutils：自定义工具模块，包含轮廓排序等辅助函数
• imutils.contours：提供轮廓处理的便捷函数

三、命令行参数配置

# 设置参数
ap = argparse.ArgumentParser() # 创建ArgumentParser对象，用于定义和解析命令行参数
ap.add_argument("-i", "–image", required=True, help="path to input image")
ap.add_argument("-t", "–template", required=True, help="path to template OCR-A image")
args = vars(ap.parse_args()) # 将参数转换为字典格式，便于访问

# 使用示例：
# python demo47.py -i card1.png -t kahao.png

参数说明：

• -i/–image：必需参数，指定待识别的银行卡图像路径
• -t/–template：必需参数，指定OCR-A模板图像路径

四、银行卡类型定义

# 根据卡号首位数字判断银行卡类型
FIRST_NUMBER = {
"3": "American Express", # 美国运通卡
"4": "Visa", # Visa卡
"5": "MasterCard", # 万事达卡
"6": "Discover Card" # 发现卡
}

这个字典基于银行卡号的行业标准：首位数字3代表美国运通，4代表Visa，5代表万事达，6代表发现卡。

五、辅助函数定义

def cv_show(name, img): # 图像显示函数
"""显示图像并等待按键响应"""
cv2.imshow(name, img)
cv2.waitKey(0)

这是一个简单的图像显示封装函数，便于在开发过程中可视化各个处理阶段的结果。

六、模板图像预处理

6.1 模板加载与初步处理

# 读取并显示模板图像
img = cv2.imread(args["template"])
cv_show('img', img)

# 转换为灰度图像
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show('ref', ref)

# 二值化处理：黑底白字，便于轮廓检测
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]
cv_show('ref', ref)

关键步骤解析：

6.2 轮廓提取与数字模板建立

# 检测轮廓（只检测外轮廓）
_, refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 在原始图像上绘制轮廓（红色）
cv2.drawContours(img, refCnts, –1, (0, 0, 255), 3)
cv_show('refCnts', img)

# 对轮廓从左到右排序
refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0]
digits = {} # 存储数字模板的字典

# 提取每个数字作为模板
for (i, c) in enumerate(refCnts): # 遍历每个数字轮廓
# 计算轮廓的外接矩形
(x, y, w, h) = cv2.boundingRect(c)

# 提取数字区域并缩放到统一尺寸
roi = ref[y:y + h, x:x + w]
roi = cv2.resize(roi, (57, 88)) # 标准化尺寸
cv_show('roi', roi)

digits[i] = roi # 存储模板：键为数字，值为模板图像

技术细节：

• cv2.findContours()：在二值图像中查找轮廓
• RETR_EXTERNAL：仅检测最外层轮廓
• CHAIN_APPROX_SIMPLE：压缩轮廓点，减少内存使用
• 模板标准化：将所有数字缩放到57×88像素，确保后续匹配的准确性

七、银行卡图像处理流程

7.1 图像加载与初步调整

# 读取待识别图像
image = cv2.imread(args["image"])
cv_show('image', image)

# 调整图像尺寸，保持宽高比
image = myutils.resize(image, width=300)

# 转换为灰度图像
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show('gray', gray)

宽度统一调整为300像素，既保证处理速度，又维持足够的分辨率。

7.2 形态学处理突出数字区域

# 定义形态学操作的卷积核
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

# 顶帽操作：突出亮色细节，抑制背景
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
open_img = cv2.morphologyEx(gray, cv2.MORPH_OPEN, rectKernel)
cv_show('open', open_img)
cv_show('tophat', tophat)

形态学操作原理：

• 顶帽操作：原始图像减去开运算结果，突出比背景亮的细小区域
• 开运算：先腐蚀后膨胀，消除小物体，平滑边界
• 银行卡数字通常比背景亮，顶帽操作能有效突出这些数字

7.3 数字区域定位与提取

# 第一次闭操作：连接相近的数字
closeX = cv2.morphologyEx(tophat, cv2.MORPH_CLOSE, rectKernel)
cv_show('close1', closeX)

# 自适应阈值二值化
thresh = cv2.threshold(closeX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show('thresh', thresh)

# 第二次闭操作：进一步连接数字区域
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)
cv_show('close2', thresh)

闭操作的作用：通过先膨胀后腐蚀，连接相邻的白色区域（数字），将分散的数字点连接成完整的数字组。

7.4 数字组轮廓检测与筛选

# 检测轮廓
_, cnts, _ = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 可视化所有轮廓
cnts_img = image.copy()
cv2.drawContours(cnts_img, cnts, –1, (0, 0, 255), 3)
cv_show('cnts_img', cnts_img)

# 筛选符合条件的轮廓（银行卡号区域）
locs = []
for c in cnts:
(x, y, w, h) = cv2.boundingRect(c) # 获取外接矩形
ar = w / float(h) # 宽高比

# 筛选条件：宽高比和尺寸范围
if 2.5 < ar < 4.0: # 银行卡号区域的典型宽高比
if (40 < w < 55) and (10 < h < 20): # 尺寸范围
locs.append((x, y, w, h))

# 按x坐标排序（从左到右）
locs = sorted(locs, key=lambda x: x[0])

筛选逻辑：

• 宽高比2.5-4.0：匹配银行卡号区域的长条形特征
• 宽度40-55像素，高度10-20像素：匹配标准尺寸

八、数字识别核心算法

8.1 单个数字组处理

output = [] # 存储最终识别结果

# 遍历每个数字组（通常一组4个数字）
for (gx, gy, gw, gh) in locs:
groupOutput = [] # 存储当前组的识别结果

# 提取数字组区域，添加5像素边界
group = gray[gy – 5:gy + gh + 5, gx – 5:gx + gw + 5]
cv_show('group', group)

# 对数字组进行二值化
group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show('group', group)

# 检测组内每个数字的轮廓
_, digitCnts, _ = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
digitCnts = myutils.sort_contours(digitCnts, method="left-to-right")[0]

8.2 模板匹配识别数字

# 识别组内每个数字
for c in digitCnts:
# 提取单个数字区域
(x, y, w, h) = cv2.boundingRect(c)
roi = group[y:y + h, x:x + w]
roi = cv2.resize(roi, (57, 88)) # 缩放到模板相同尺寸
cv_show('roi', roi)

# 模板匹配：计算与每个模板的相似度
scores = []
for (digit, digitROI) in digits.items():
# 使用相关系数匹配法
result = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)
(_, score, _, _) = cv2.minMaxLoc(result)
scores.append(score)

# 选择最高得分的数字
groupOutput.append(str(np.argmax(scores)))

模板匹配原理：

• cv2.matchTemplate()：在输入图像中搜索与模板匹配的区域
• TM_CCOEFF：相关系数匹配方法，对光照变化鲁棒
• np.argmax(scores)：返回最高得分的索引，即识别出的数字

8.3 结果可视化

# 绘制数字组矩形框（红色）
cv2.rectangle(image, (gx – 5, gy – 5), (gx + gw + 5, gy + gh + 5), (0, 0, 255), 1)

# 在矩形上方显示识别结果（红色）
cv2.putText(image, "".join(groupOutput), (gx, gy – 15),
cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)

# 添加到总结果
output.extend(groupOutput)

九、最终结果输出

# 输出银行卡类型和完整卡号
print("Credit Card Type: {}".format(FIRST_NUMBER.get(output[0], "Unknown")))
print("Credit Card #: {}".format("".join(output)))

# 显示最终处理结果
cv2.imshow("Image", image)
cv2.waitKey(0)
cv2.destroyAllWindows()