OpenCv(7.0)——银行卡号识别

文章目录

• 前言
• [1.1 模板处理模块](#1.1 模板处理模块)
• • 读取模板图像并预处理
  • 轮廓检测与处理
  • 构建数字模板库
• [1.2 银行卡图像预处理](#1.2 银行卡图像预处理)
• • 图像尺寸标准化
  • 形态学操作
  • 二值化与闭操作
• [1.3 卡号区域定位](#1.3 卡号区域定位)
• • 轮廓筛选逻辑
• [1.4 数字识别与结果展示](#1.4 数字识别与结果展示)
• 完整代码展示
• 总结

---

前言

本代码实现基于传统图像处理技术，通过模板匹配识别银行卡号。核心流程包括：模板数字提取 → 图像预处理 → 卡号区域定位 → 数字分割与识别 → 结果可视化 。
适用场景：金融业务自动化、移动支付绑卡等需要快速卡号识别的场景。

1.1 模板处理模块

读取模板图像并预处理

img = cv2.imread(args['template'])                # 读取模板图像
cv_show('img',img)
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)       # 灰度化处理
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]  # 反向二值化
cv_show('ref',ref)

轮廓检测与处理

refCnts = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[0]
refCnts = myutils.sort_contours(refCnts, method='left-to-right')[0]  # 关键排序

构建数字模板库

digits = {}
for (i,c) in enumerate(refCnts):
    (x,y,w,h) = cv2.boundingRect(c)                # 获取轮廓外接矩形
    roi = ref[y:y+h, x:x+w]                        # 裁剪数字区域
    roi = cv2.resize(roi, (57,88))                 # 统一模板尺寸
    cv_show('roi',roi)
    digits[i] = roi                                # 存储数字模板
    

关键技术点：

反向二值化 (THRESH_BINARY_INV)：将白色数字转为前景，适配银行卡号特征

轮廓排序：确保模板按0-9顺序存储，需自定义sort_contours函数实现

尺寸统一：57x88像素经过实验验证为最佳识别尺寸

1.2 银行卡图像预处理

图像尺寸标准化

image = myutils.resize(img, width=300)             # 固定宽度为300px
cv_show('image',img)
image=myutils.resize(img,width=300)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)     # 灰度化
cv_show('gray',gray)

形态学操作

rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9,3)) 
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)  # 顶帽运算
cv_show('open',open)
cv_show('tophat',tophat)

二值化与闭操作

thresh = cv2.threshold(tophat, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)   # 闭合小孔洞
cv_show('thresh1',thresh)

形态学操作解析：

操作类型 核尺寸 作用 效果图示

顶帽运算 9×3 增强横向亮色区域 顶帽效果

闭运算 5×5 连接数字断裂区域 闭运算效果

1.3 卡号区域定位

轮廓筛选逻辑

cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[0]
locs = []
for c in cnts:
    (x,y,w,h) = cv2.boundingRect(c)
    ar = w / float(h)  # 计算长宽比
    if 2.5 < ar < 4.0 and 40 < w < 55 and 10 < h < 20:
        locs.append((x,y,w,h))  # 符合条件区域

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

筛选条件验证：

长宽比2.5-4.0：银行卡号通常呈扁平矩形

宽度40-55px：适配300px宽图像中的卡号尺寸

高度10-20px：排除过大干扰区域

1.4 数字识别与结果展示

for (i, (gX,gY,gW,gH)) in enumerate(locs):
    group = gray[gY-5:gY+gH+5, gX-5:gX+gW+5]        # 扩展边界
    group = cv2.threshold(group, 0,255, cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1]
    cv_show('group',group)
    
    # 分割单个数字
    _,digitCnts = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[0]
    digitCnts = myutils.sort_contours(digitCnts, method='left-to-right')[0]
    
    # 模板匹配
    groupOutput = []
    for c in digitCnts:
   		(x,y,w,h)=cv2.boundingRect(c)
        roi=group[y:y+h,x:x+w]
        roi = cv2.resize(roi, (57,88))              # 匹配模板尺寸
        cv_show('roi',roi)
        scores = [cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)[1] for digitROI in digits.values()]
        groupOutput.append(str(np.argmax(scores)))  # 取最高分
        
    # 绘制结果
    cv2.rectangle(image, (gX-5,gY-5), (gX+gW,gY+gH+2), (0,255,0), 2)
    cv2.putText(image, ''.join(groupOutput), (gX,gY-15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0,0,255), 2)

匹配算法对比：

方法 优点 缺点 适用场景

TM_CCOEFF 光照鲁棒性强 计算量较大 标准字体

TM_SQDIFF 计算速度快 对亮度敏感 高对比度图像

深度学习 准确率高 需要训练数据 复杂场景

完整代码展示

import numpy as np
import argparse
import cv2

import myutils



ap=argparse.ArgumentParser()


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())
FIRST_NUMBER={
    "3":"American Express",
    "4":"Visa",
    "5":"MasterCard",
    "6":"Discover Card"
}

def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey(0)


"""------------------------模板图像中数字的定位步骤-----------------------"""

img=cv2.imread(args['template'])
cv_show('img',img)

ref=cv2.cvtColor(img,cv2.COLOR_BGRA2GRAY)
cv_show('ref',ref)

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

# 计算轮廓，cv2。findcountours

_,refCnts,hierarchy=cv2.findContours(ref,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img,refCnts,-1,(0,0,255),2)
cv_show('img',img)
refCnts=myutils.sort_contours(refCnts,method='left-to-right')[0]
digits={}

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))
    cv_show('roi',roi)
    digits[i]=roi

# print(digits)


#读取银行卡图片，处理
img=cv2.imread(args["image"])
cv_show('image',img)
image=myutils.resize(img,width=300)
gray=cv2.cvtColor(image,cv2.COLOR_BGRA2GRAY)
cv_show('gray',gray)

rectkernel=cv2.getStructuringElement(cv2.MORPH_RECT,(9,3))
sqkernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

tophat=cv2.morphologyEx(gray,cv2.MORPH_TOPHAT,rectkernel)
open=cv2.morphologyEx(gray,cv2.MORPH_OPEN,rectkernel)
cv_show('open',open)
show = cv_show('tophat', tophat)

closeX=cv2.morphologyEx(tophat,cv2.MORPH_CLOSE,rectkernel)
cv_show('closeX',closeX)

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

#再次闭运算
thresh=cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,sqkernel)
cv_show('thresh1',thresh)

#计算轮廓

_,threshcnts,h=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),2)
cv_show('img',cur_img)

locs=[]
for (i,c)in enumerate(cnts):
    (x,y,w,h)=cv2.boundingRect(c)
    ar=w/float(h)
    if ar>2.5 and ar<4.0:
        if(w>40 and w<55) and (h>10 and h<20):
            locs.append((x,y,w,h))

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


for (i,(gX,gY,gW,gH)) in enumerate(locs):
    groupOutput=[]

    group=gray[gY-5:gY+gH+5,gX-5:gX+gW+5]
    cv_show("group",group)
    group=cv2.threshold(group,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
    cv_show('group',group)

    _,digitCnts,hierarchy=cv2.findContours(group.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

    digitCnts=myutils.sort_contours(digitCnts,method='left-to-right')[0]

    for c in digitCnts:
        (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=[]

        for (digit,digitROI) in digits.items():

            result=cv2.matchTemplate(roi,digitROI,cv2.TM_CCOEFF)
            (_,score,_,_)=cv2.minMaxLoc(result)
            scores.append(score)

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

    cv2.rectangle(image,(gX-5,gY-5),(gX+gW,gY+gH+2),(0,100,255),2)
    cv2.putText(image,''.join(groupOutput),(gX,gY-10),cv2.FONT_HERSHEY_SIMPLEX,0.65,(0,255,255),2)
    output.extend(groupOutput)

# print('Credit Card Type:{}'.format(FIRST_NUMBER[output[0]]))
print('Credit Card #:{}'.format("".join(output)))
cv_show("image",image)


# -i ../data/card2.png -t ../data/kahao.png

代码运行

myutils.py代码，需要和项目在同一目录下创建一个.py代码

import cv2

def sort_contours(cnts,method='left-to-right'):
    reverse=False
    i=0

    if method=='right-to-left' or method=='bottom-to-top':
        reverse=True

    if method=='top-to-bottom' or method=='bottom-to-top':
        i=1

    boundingBoxes=[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


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 image
    if 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

总结

该项目展现了传统视觉技术在特定场景下的实用价值，为金融科技自动化提供了基础能力支撑。未来通过与深度学习、边缘计算等技术的深度融合，有望在跨境支付、智能终端等领域形成更成熟的解决方案，成为金融基础设施的重要组成部分。