板匹配是 OpenCV 中最基础也最实用的目标识别技术之一，小到识别一张图片中的可乐标志，大到提取银行卡、身份证上的数字信息，核心逻辑都可以复用。本文将从可乐标志识别这个简单案例入手，逐步拆解模板匹配的核心原理，再拓展到银行卡号、身份证号识别的实战场景。
一、入门案例：识别图片中的可乐标志
先通过一个极简案例，理解模板匹配的核心流程 ------ 用模板在原图中 "滑动" 比对，找到匹配度最高的区域并标注。
1.1 核心思路
- 读取可乐原图和可乐标志图；
- 使用cv2.matchTemplate计算原图每个位置与模板的匹配度；
- 用cv2.minMaxLoc找到匹配度最高的位置；
- 在原图上绘制矩形框，标注出可乐标志的位置。
1.2 完整代码
python
import cv2
# 读取包含可乐标志的原图
kele = cv2.imread('kele.png')
# 读取可乐标志的模板图
template = cv2.imread('template.png')
# 显示原图和模板图
cv2.imshow('kele', kele)
cv2.imshow('template', template)
# 获取模板的高、宽
h, w = template.shape[:2]
# 执行模板匹配
res = cv2.matchTemplate(kele, template, cv2.TM_CCOEFF_NORMED)
# 获取匹配结果的极值：最小值、最大值、最小值位置、最大值位置
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
# 匹配度最高的位置
top_left = max_loc
# 计算匹配区域的右下角坐标
bottom_right = (top_left[0] + w, top_left[1] + h)
# 在原图上绘制绿色矩形框
kele_template = cv2.rectangle(kele, top_left, bottom_right, (0, 255, 0), 2)
cv2.imshow('jieguo', kele_template)
cv2.waitKey(0)
cv2.destroyAllWindows()1.3结果展示
1.4代码关键解析
cv2.TM_CCOEFF_NORMED是归一化的匹配方法，结果更稳定，推荐优先使用；
max_val越接近1，说明匹配越精准；若max_val低于0.8，可能是模板与原图差异较大；
通过调试模式我们可以看到max_val有0.9990，非常接近1，说明匹配非常精确
二、通用工具函数
在拓展到卡号 / 身份证号识别前，我们需要先封装两个高频工具函数（保存为myutils.py），后续代码直接复用：
python
import cv2
# 按指定方向排序轮廓
def sort_contours(cnts, method='left-to-right'):
reverse = False
i = 0
# 判断是否反向排序
if method == 'right-to-left' or method == 'bottom-to-top':
reverse = True
# 判断排序维度
if method == 'top-to-bottom' or method == 'bottom-to-top':
i = 1
# 获取每个轮廓的外接矩形
boundingBoxes = [cv2.boundingRect(c) for c in cnts]
# 按指定维度排序轮廓
(cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),
key=lambda b: b[1][i], reverse=reverse))
return cnts, boundingBoxes
# 等比例缩放图像
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三、实战 1：银行卡号识别
可乐标志识别是 "单目标匹配"，而银行卡号识别是 "多目标 + 数字识别"，核心是在模板匹配基础上增加轮廓检测，实现数字区域定位和单个数字分割。
3.1 实现思路
- 制作 0-9 数字模板库（从模板图中提取轮廓并排序）；
- 预处理银行卡图像：顶帽操作突出数字、闭运算连接断裂数字、二值化增强对比度；
- 轮廓筛选定位卡号区域，分割单个数字；
- 模板匹配识别每个数字，拼接得到完整卡号。
3.2 完整代码
python
import numpy as np
import argparse
import cv2
import myutils # 导入上面的工具函数
# 命令行参数配置（默认路径可根据自己的文件修改）
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", default=r"card1.png",
help="path to input image")
ap.add_argument("-t", "--template", default=r"kahao.png",
help="path to template image")
args = vars(ap.parse_args())
# 银行卡号开头数字对应卡类型
FIRST_NUMBER = {
'3': "American Express",
'4': "Visa",
'5': "MasterCard",
'6': "Discover Card"
}
# 图像显示函数
def cv_show(name, img):
cv2.imshow(name, img)
cv2.waitKey(0)
cv2.destroyWindow(name)
# 读取模板图像并预处理
img = cv2.imread(args["template"])
cv_show("Template Image", img)
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转灰度
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1] # 二值化（反相）
cv_show("Binary Template", ref)
# 提取模板轮廓（仅提取外轮廓）
_, refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img, refCnts, -1, (0, 255, 0), 3)
cv_show('Template Contours', img)
# 按从左到右排序轮廓，生成0-9数字模板
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)) # 统一模板尺寸
digits[i] = roi # 存储数字模板
image = cv2.imread(args["image"])
cv_show("Original Card", image)
image = myutils.resize(image, width=300) # 统一缩放尺寸
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show("Gray Card", gray)
# 顶帽操作：突出亮区域（数字），抑制暗背景
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show("Tophat Result", tophat)
# 闭运算：连接数字的断裂部分（先膨胀后腐蚀）
closeX = cv2.morphologyEx(tophat, cv2.MORPH_CLOSE, rectKernel)
cv_show("Close Result 1", closeX)
# 二值化（OTSU自动找阈值）
thresh = cv2.threshold(closeX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show("Threshold Result", thresh)
# 再次闭运算：强化数字连接
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)
cv_show("Close Result 2", thresh)
# 提取轮廓
_, cnts, h = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts_img = image.copy()
cv2.drawContours(cnts_img, cnts, -1, (0, 0, 255), 3)
cv_show("All Contours", cnts_img)
# 筛选卡号轮廓（根据宽高比、尺寸）
locs = []
for c in cnts:
(x, y, w, h) = cv2.boundingRect(c)
ar = w / float(h)
# 卡号区域的宽高比通常在2.5~4之间，尺寸需根据实际调整
if 2.5 < ar < 4.0 and (40 < w < 55) and (10 < h < 20):
locs.append((x, y, w, h))
# 按从左到右排序卡号区域
locs = sorted(locs, key=lambda x: x[0])
output = []
for (gX, gY, gW, gH) in locs:
groupOutput = []
# 提取数字区域（适当扩大边界）
group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
cv_show("Digit Group", group)
# 二值化处理
group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show("Group Threshold", group)
# 提取单个数字轮廓
group_, digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
digitCnts = myutils.sort_contours(digitCnts, method="left-to-right")[0]
# 模板匹配识别每个数字
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
# 计算与每个数字模板的匹配得分
scores = []
for (digit, digitROI) in digits.items():
result = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)
(_, score, _, _) = cv2.minMaxLoc(result)
scores.append(score)
# 取得分最高的数字作为识别结果
groupOutput.append(str(np.argmax(scores)))
# 绘制识别结果
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)
output.extend(groupOutput)
print("Credit Card Type: {}".format(FIRST_NUMBER.get(output[0], "Unknown")))
print("Credit Card #: {}".format("".join(output)))
cv2.imshow("Final Result", image)
cv2.waitKey(0)
cv2.destroyAllWindows()
四、实战 2：身份证号识别
身份证号识别的核心逻辑与银行卡号一致，但需针对身份证的特征调整预处理和轮廓筛选规则。
4.1 实现思路
- 身份证号是 18 位连续数字，区域更集中，宽高比更大；
- 身份证背景复杂有文字、图案，需增加高斯模糊降噪；
- 轮廓筛选条件需适配身份证号的尺寸特征（宽高比 5~30）。
python
import numpy as np
import argparse
import cv2
import myutils
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", default="sfz.jpg",
help="path to input ID card image")
ap.add_argument("-t", "--template", default="haoma.png",
help="path to template image (0-9 digits)")
args = vars(ap.parse_args())
template_img = cv2.imread(args["template"])
ref_gray = cv2.cvtColor(template_img, cv2.COLOR_BGR2GRAY)
ref_thresh = cv2.threshold(ref_gray, 10, 255, cv2.THRESH_BINARY_INV)[1]
_, ref_cnts, _ = cv2.findContours(ref_thresh.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
ref_cnts = myutils.sort_contours(ref_cnts, method="left-to-right")[0]
digits = {}
for i, c in enumerate(ref_cnts):
(x, y, w, h) = cv2.boundingRect(c)
roi = ref_thresh[y:y + h, x:x + w]
roi = cv2.resize(roi, (57, 88))
digits[i] = roi
img = cv2.imread(args["image"])
img = myutils.resize(img, width=600) # 缩放至宽度600
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = cv2.GaussianBlur(gray, (3, 3), 0) # 高斯模糊降噪
# 形态学操作突出数字
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (15, 6)) # 调整卷积核尺寸
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
close1 = cv2.morphologyEx(tophat, cv2.MORPH_CLOSE, rectKernel)
# 二值化（调整阈值适配身份证）
thresh = cv2.threshold(close1, 60, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
close2 = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)
_, cnts, _ = cv2.findContours(close2.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 筛选身份证号轮廓
locs = []
for c in cnts:
(x, y, w, h) = cv2.boundingRect(c)
ar = w / float(h)
if 5 < ar < 30 and (100 < w < 600) and (10 < h < 50):
locs.append((x, y, w, h))
# 按y轴反向排序（身份证号通常在下方），取最下方的区域
locs = sorted(locs, key=lambda x: x[1], reverse=True)
(gX, gY, gW, gH) = locs[0]
groupOutput = []
# 提取身份证号区域（扩大边界，避免截断）
group = gray[max(0, gY - 10):min(gray.shape[0], gY + gH + 10),
max(0, gX - 10):min(gray.shape[1], gX + gW + 10)]
# 预处理数字区域
group_thresh = cv2.threshold(group, 80, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 2))
group_thresh = cv2.dilate(group_thresh, kernel, iterations=1) # 膨胀增强数字
# 提取单个数字轮廓
_, digit_cnts, _ = cv2.findContours(group_thresh.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
# 过滤小轮廓（噪声）
digit_cnts = [c for c in digit_cnts if cv2.boundingRect(c)[2] > 5 and cv2.boundingRect(c)[3] > 10]
digit_cnts = myutils.sort_contours(digit_cnts, method="left-to-right")[0]
# 模板匹配识别每个数字
for c in digit_cnts:
(x, y, w, h) = cv2.boundingRect(c)
if w < 5 or h < 10:
continue
# 计算绝对坐标，绘制矩形框
abs_x = gX - 10 + x
abs_y = gY - 10 + y
cv2.rectangle(img, (abs_x, abs_y), (abs_x + w, abs_y + h), (0, 0, 255), 1)
# 匹配模板
roi = group_thresh[y:y + h, x:x + w]
roi = cv2.resize(roi, (57, 88))
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)))
id_number = "".join(groupOutput)
cv2.putText(img, id_number, (gX, gY - 25),
cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)
print("身份证号: " + id_number)
cv2.imshow("ID Card Result", img)
cv2.waitKey(0)
cv2.destroyAllWindows()