使用opencv来识别信用卡的号码

信用卡数字识别代码详解

这段代码是一个完整的信用卡数字识别系统，主要使用OpenCV和图像处理技术来识别信用卡上的数字。下面我将详细解释代码的每个部分：

1. 导入库和设置参数

复制代码

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

# 设置参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image",default="images\\credit_card_05.png", required=False,
	help="path to input image")
ap.add_argument("-t", "--template",default="ocr_a_reference.png", required=False,
	help="path to template OCR-A image")
args = vars(ap.parse_args())

imutils.contours: 用于轮廓处理
numpy: 数值计算库
argparse: 命令行参数解析
cv2: OpenCV计算机视觉库
myutils: 自定义工具函数（需要自己实现）
设置命令行参数，可以指定输入图像和模板图像路径

2. 信用卡类型映射

复制代码

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

根据信用卡号的第一位数字确定信用卡类型

3. 图像显示函数

复制代码

def cv_show(name, img, timeout=500):
    cv2.imshow(name, img)
    if timeout > 0:
        cv2.waitKey(timeout)
    else:
        cv2.waitKey(0)
    cv2.destroyWindow(name)

优化后的显示函数，可以设置超时自动关闭窗口
timeout=500表示显示500毫秒后自动关闭
timeout=0表示需要手动按键关闭

4. 模板图像处理

复制代码

# 读取模板图像
img = cv2.imread(args["template"])
# 灰度图
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
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)

# 排序轮廓
refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0]
digits = {}

# 遍历每一个轮廓
for (i, c) in enumerate(refCnts):
	# 计算外接矩形并且resize成合适大小
	(x, y, w, h) = cv2.boundingRect(c)
	roi = ref[y:y + h, x:x + w]
	roi = cv2.resize(roi, (57, 88))

	# 每一个数字对应每一个模板
	digits[i] = roi

读取模板图像（包含0-9的数字）
转换为灰度图并进行二值化处理
查找所有数字的轮廓
将轮廓从左到右排序
提取每个数字的图像并存储到字典中

5. 信用卡图像预处理

复制代码

# 初始化卷积核
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = 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 = myutils.resize(image, width=300)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show('gray',gray)

#礼帽操作，突出更明亮的区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel) 
cv_show('tophat',tophat) 

# Sobel边缘检测
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")
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)

#二值化处理
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, sqKernel)
cv_show('thresh',thresh)

创建形态学操作所需的卷积核
读取信用卡图像并调整大小
转换为灰度图
使用礼帽(tophat)操作突出明亮区域（信用卡数字）
使用Sobel算子进行边缘检测
通过闭操作连接数字区域
使用Otsu方法进行二值化处理

6. 查找数字组区域

复制代码

# 计算轮廓
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 = []

# 遍历轮廓
for (i, c) in enumerate(cnts):
	# 计算矩形
	(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:
		if (w > 40 and w < 55) and (h > 10 and h < 20):
			#符合的留下来
			locs.append((x, y, w, h))

# 将符合的轮廓从左到右排序
locs = sorted(locs, key=lambda x:x[0])

查找所有轮廓
根据长宽比和大小筛选出可能是数字组的区域
信用卡上的数字通常以4个为一组
将筛选出的区域从左到右排序

7. 识别每个数字

复制代码

output = []

# 遍历每一个轮廓中的数字
for (i, (gX, gY, gW, gH)) in enumerate(locs):
	groupOutput = []

	# 根据坐标提取每一个组
	group = gray[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
	digitCnts,hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
	digitCnts = contours.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)

		# 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(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)

对于每个数字组区域：
- 提取区域图像
- 二值化处理
- 查找单个数字的轮廓
- 对每个数字进行模板匹配
- 找出最佳匹配的数字
在原始图像上绘制识别结果

8. 输出结果

复制代码

# 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)

根据第一位数字确定信用卡类型
打印完整的信用卡号码
显示带有识别结果的图像

整体流程

模板准备：处理包含0-9数字的模板图像，提取每个数字的特征
信用卡图像预处理 ：
- 调整大小
- 灰度转换
- 突出数字区域（礼帽操作）
- 边缘检测
- 形态学操作连接数字
- 二值化
数字组定位：查找信用卡上4位数字组的区域
单个数字识别：对每个数字组中的数字进行模板匹配
结果输出：显示识别结果和信用卡类型

这个系统通过一系列图像处理技术，将信用卡上的数字识别出来，并在图像上标注识别结果。

后续补充git的仓库

https://gitee.com/stevenworkshop_admin/cardidentify

这个当前的环境是 cv4的版本

后续需要把它转为flask的框架，docker化部署，提供演示页面及api访问的方式来处理