一、現(xiàn)有資源梳理

目前有一張卡號(hào)模板圖片

N張測(cè)試銀行卡圖片,其一如下

操作環(huán)境 win10-64位
代碼語言 Python 3.6

二、實(shí)現(xiàn)方案規(guī)劃

對(duì)模板操作，將十個(gè)模板和對(duì)應(yīng)的數(shù)字一一對(duì)應(yīng)起來

圖片中通過查找輪廓，然后繪制輪廓外界矩形的方式，將每一和數(shù)字分割出來，并和對(duì)應(yīng)的數(shù)字相對(duì)應(yīng)。以字典的形式保存
每一個(gè)模板都是這樣的形式存儲(chǔ)。

array([[ 0, 0, 0, 0, 0, 0, 0, 255, 255, 255, 255, 255, 255],
	 [ 0, 0, 0, 0, 0, 0, 0, 0, 255, 255, 255, 255, 255], 
	 [ 0, 0, 0, 0, 0, 0, 0, 0, 255, 255, 255, 255, 255], 
	 [255, 255, 255, 255, 0, 0, 0, 0, 255, 255, 255, 255, 255], 
	 [255, 255, 255, 255, 255, 0, 0, 0, 255, 255, 255, 255, 255], 
	 [255, 255, 255, 255, 255, 0, 0, 0, 255, 255, 255, 255, 255], 
	 [255, 255, 255, 255, 255, 0, 0, 0, 255, 255, 255, 255, 255], 
	 [255, 255, 255, 255, 255, 0, 0, 0, 255, 255, 255, 255, 255], 
	 [255, 255, 255, 255, 255, 0, 0, 0, 255, 255, 255, 255, 255], 
	 [255, 255, 255, 255, 255, 0, 0, 0, 255, 255, 255, 255, 255], 
	 [255, 255, 255, 255, 255, 0, 0, 0, 255, 255, 255, 255, 255], 
	 [255, 255, 255, 255, 255, 0, 0, 0, 255, 255, 255, 255, 255], 
	 [255, 255, 255, 255, 255, 0, 0, 0, 255, 255, 0, 0, 0], 
	 [255, 255, 255, 255, 255, 0, 0, 0, 255, 255, 0, 0, 0], 
	 [255, 255, 255, 255, 255, 0, 0, 0, 255, 255, 0, 0, 0], 
	 [255, 255, 255, 255, 255, 0, 0, 0, 255, 255, 0, 0, 0], 
	 [255, 255, 255, 255, 255, 0, 0, 0, 255, 255, 0, 0, 0], 
	 [255, 255, 255, 255, 255, 0, 0, 0, 255, 255, 0, 0, 0], 
	 [255, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
	 [ 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
	 [ 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
	 [255, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 255, 255]], dtype=uint8)

對(duì)測(cè)試圖片操作，取得我們需要的，每個(gè)數(shù)字的像素 .

整個(gè)照片的干擾信息很多，很難直接就定位到卡號(hào)位置，需要經(jīng)過一系列的變換。
定位到卡號(hào)位置后，如何將每個(gè)卡號(hào)給提取出來，進(jìn)行模板匹配，識(shí)別其數(shù)字。

1.輸入的圖片為RGB格式，需要轉(zhuǎn)換成GRAY格式，然后再將灰度形式的圖片進(jìn)行二值化處理。

2.對(duì)于二值化處理之后的圖片進(jìn)行Sobel濾波，將數(shù)字模糊，連接起來。

3.經(jīng)過Sobel之后可能數(shù)字沒有連接在一起，所以執(zhí)行閉操作將相鄰的數(shù)字連接起來，因?yàn)閿?shù)字是橫向的，所以閉操作的核設(shè)置為[1,1,1,1,1,1,1,1,1]。

4.通過查找輪廓和輪廓外接矩形的方式定位到連續(xù)數(shù)字區(qū)域。

5.通過連續(xù)數(shù)字區(qū)域分割出每一個(gè)數(shù)字，然后將每個(gè)數(shù)字和模板進(jìn)行匹配，匹配結(jié)果最高的就是最有可能的數(shù)字。

三、代碼實(shí)現(xiàn)

工具包導(dǎo)入

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

路徑和繪圖函數(shù)及信用卡類型設(shè)定

# 模板圖片
template = 'images/ocr_a_reference.png'
# 測(cè)試圖片
image = 'images/credit_card_03.png'
# 指定信用卡類型
FIRST_NUMBER = {
	"3": "American Express",
	"4": "Visa",
	"5": "MasterCard",
	"6": "Discover Card"
}
# 繪圖展示
def cv_show(name,img):
	cv2.imshow(name, img)
	cv2.waitKey(0)
	cv2.destroyAllWindows()

模板處理

img = cv2.imread(template)
cv_show('img', img)
# 灰度圖
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show('ref', ref)
# 二值圖像
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]
cv_show('ref', ref)

# 計(jì)算輪廓
#cv2.findContours()函數(shù)接受的參數(shù)為二值圖，即黑白的（不是灰度圖）,cv2.RETR_EXTERNAL只檢測(cè)外輪廓，cv2.CHAIN_APPROX_SIMPLE只保留終點(diǎn)坐標(biāo)
#返回的list中每個(gè)元素都是圖像中的一個(gè)輪廓

ref_, refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

cv2.drawContours(img, refCnts, -1, (0, 0, 255), 3)
cv_show('img', img)
print(np.array(refCnts).shape)
refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0] #排序，從左到右，從上到下
digits = {}

# 遍歷每一個(gè)輪廓
for (i, c) in enumerate(refCnts):
	# 計(jì)算外接矩形并且resize成合適大小
	(x, y, w, h) = cv2.boundingRect(c)
	roi = ref[y:y + h, x:x + w]
	roi = cv2.resize(roi, (57, 88))

	# 每一個(gè)數(shù)字對(duì)應(yīng)每一個(gè)模板
	digits[i] = roi
# print(digits)

測(cè)試圖片處理

# 初始化卷積核
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

#讀取輸入圖像，預(yù)處理
image = cv2.imread(image)
cv_show('image',image)
image = myutils.resize(image, width=300)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show('gray',gray)

#禮帽操作，突出更明亮的區(qū)域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel) 
cv_show('tophat',tophat) 
# 
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, #ksize=-1相當(dāng)于用3*3的
	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)

#通過閉操作（先膨脹，再腐蝕）將數(shù)字連在一起
gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel) 
cv_show('gradX',gradX)
#THRESH_OTSU會(huì)自動(dòng)尋找合適的閾值，適合雙峰，需把閾值參數(shù)設(shè)置為0
thresh = cv2.threshold(gradX, 0, 255,
	cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] 
cv_show('thresh',thresh)

#再來一個(gè)閉操作

thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel) #再來一個(gè)閉操作
cv_show('thresh',thresh)

# 計(jì)算輪廓

thresh_, threshCnts, hierarchy = 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 = []

# 遍歷輪廓
for (i, c) in enumerate(cnts):
	# 計(jì)算矩形
	(x, y, w, h) = cv2.boundingRect(c)
	ar = w / float(h)

	# 選擇合適的區(qū)域，根據(jù)實(shí)際任務(wù)來，這里的基本都是四個(gè)數(shù)字一組
	if ar > 2.5 and ar  4.0:

		if (w > 40 and w  55) and (h > 10 and h  20):
			#符合的留下來
			locs.append((x, y, w, h))

# 將符合的輪廓從左到右排序
locs = sorted(locs, key=lambda x:x[0])
output = []

# 遍歷每一個(gè)輪廓中的數(shù)字
for (i, (gX, gY, gW, gH)) in enumerate(locs):
	# initialize the list of group digits
	groupOutput = []

	# 根據(jù)坐標(biāo)提取每一個(gè)組
	group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
	cv_show('group',group)
	# 預(yù)處理
	group = cv2.threshold(group, 0, 255,
		cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
	cv_show('group',group)
	# 計(jì)算每一組的輪廓
	group_,digitCnts,hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,
		cv2.CHAIN_APPROX_SIMPLE)
	digitCnts = contours.sort_contours(digitCnts,
		method="left-to-right")[0]

	# 計(jì)算每一組中的每一個(gè)數(shù)值
	for c in digitCnts:
		# 找到當(dāng)前數(shù)值的輪廓，resize成合適的的大小
		(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)

		# 計(jì)算匹配得分
		scores = []

		# 在模板中計(jì)算每一個(gè)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)

		# 得到最合適的數(shù)字
		groupOutput.append(str(np.argmax(scores)))

	# 畫出來
	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)

	# 得到結(jié)果
	output.extend(groupOutput)

# 打印結(jié)果
print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #: {}".format("".join(output)))
cv2.imshow("Image", image)
cv2.waitKey(0)
# (194, 300)
# Credit Card Type: MasterCard
# Credit Card #: 5412751234567890

所有代碼連在一起就是完整的代碼

到此這篇關(guān)于Python如何識(shí)別銀行卡卡號(hào)?的文章就介紹到這了,更多相關(guān)Python識(shí)別卡號(hào)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章:

怎么用Python識(shí)別手勢(shì)數(shù)字
python實(shí)現(xiàn)的人臉識(shí)別打卡系統(tǒng)
python實(shí)現(xiàn)騰訊滑塊驗(yàn)證碼識(shí)別
python opencv人臉識(shí)別考勤系統(tǒng)的完整源碼
python基于OpenCV模板匹配識(shí)別圖片中的數(shù)字
Python OpenCV招商銀行信用卡卡號(hào)識(shí)別的方法

標(biāo)簽：紅河沈陽河南長(zhǎng)治新疆樂山上海滄州

巨人網(wǎng)絡(luò)通訊聲明：本文標(biāo)題《Python如何識(shí)別銀行卡卡號(hào)?》，本文關(guān)鍵詞；如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題，煩請(qǐng)?zhí)峁┫嚓P(guān)信息告之我們，我們將及時(shí)溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò)，涉及言論、版權(quán)與本站無關(guān)。