信用卡卡号识别：OpenCV7模板匹配实战

25 浏览量更新于2024-09-01 收藏 470KB PDF 举报

"本文主要介绍了如何使用OpenCV7进行模板匹配来实现信用卡卡号的自动识别。通过一系列图像处理技术，如灰度转换、二值化、形态学操作等，来提取并识别信用卡上的数字序列。" 在OpenCV中，模板匹配是一种用于图像局部特征搜索的技术，它通过比较目标图像和预定义的模板图像之间的相似性来找到模板在原始图像中的位置。在这个信用卡卡号识别的案例中，模板匹配被用来识别信用卡号码的各个数字。 1. **导入必要的库**: 首先，程序导入了`imutils`、`numpy`、`argparse`、`imutils`、`cv2`以及自定义的`myutils`库，这些库提供了图像处理和可视化所需的功能。 2. **定义信用卡类型字典**: `FIRST_NUMBER`字典存储了信用卡前几位数字对应的信用卡类型，例如"3"代表AmericanExpress。 3. **`cv_show`函数**: 这是一个自定义的函数，用于显示图像并处理用户输入，通常用于调试和结果展示。 4. **读取模板图像**: 使用`cv2.imread`读取模板图像，并将其转化为灰度图像。 5. **二值化处理**: 使用`cv2.threshold`将灰度图像转化为二值图像，以突出数字轮廓。 6. **轮廓检测**: 使用`cv2.findContours`找到二值图像中的轮廓。 7. **轮廓绘制与排序**: 绘制轮廓并按照从左到右、从上到下的顺序进行排序，便于后续处理。 8. **创建模板**: 对排序后的轮廓，应用固定大小的外接矩形，得到模板。 9. **处理信用卡图像**: 定义不同的卷积核，对信用卡图像进行预处理，包括形态学操作，以增强数字特征。 10. **礼帽操作**: 应用形态学的礼帽变换，强调图像中的亮区，帮助分离数字。 11. **Sobel算子**: 使用Sobel算子进行梯度检测，此处仅使用了x方向的梯度，有助于边缘检测。 12. **闭操作**: 通过先膨胀后腐蚀的闭操作，连接相邻的数字。 13. **再次闭操作**: 提高数字连接的清晰度，确保每个数字的完整。 14. **轮廓检测与过滤**: 计算并过滤出有用的轮廓，可能包括单个数字或连续的数字组。 15. **轮廓排序与处理**: 对筛选出的四个数字轮廓进行排序，确保按正确的顺序处理。 16. **迭代处理**: 使用大循环拆分并处理每个数字，完成信用卡号码的识别。 17. **最终效果**: 结果会在图像窗口中显示，用户可以通过观察结果评估算法的准确性。通过这个过程，我们可以看出OpenCV提供的图像处理功能在信用卡卡号识别中的强大应用，从预处理到特征提取，再到最终的模板匹配，实现了自动化和高效识别。在实际应用中，这样的技术可以用于自动填写支付信息、提升支付安全性和便利性。

OpenCV7 模板匹配模板匹配—信用卡卡号识别信用卡卡号识别

模板匹配模板匹配I 整体代码II 代码解释1.导入开发用的工具包2.定义一个信用卡名称的字典，用于识别这是什么信用卡3.cv_show函数的定义4.把模板读取进

来5.转化为灰度图6.将灰度图转化为二值图片7.绘制外侧轮廓并打印个数8.将轮廓信息以从左到右从上到下的方式排序9.遍历排序完的轮廓并绘制固

定大小的外接矩形，并把这些矩形保留为模板10.准备导入信用卡图片，先定义两个不同大小的卷积核以便形态学操作使用11.导入信用卡图片，并

进行预处理12.进行一次礼帽操作，突出更明亮的区域13使用sobel算子进行梯度检测，这里只用了x14.通过闭操作（先膨胀，再腐蚀）将每四个数

字连在一起15.进行二值化处理16.再次闭操作，使四个数字连接的更为清晰17.计算轮廓18.遍历轮廓，过滤掉不需要的轮廓19.将符合要求的四个轮

廓进行排序20.(最后的迭代处理)一个大for循环来将这四个轮廓：处理-拆分-处理21.最终效果

I 整体代码整体代码

from imutils import contours

import numpy as np

import argparse

import imutils

import cv2

import myutils

FIRST_NUMBER = {

"3": "American Express",

"4": "Visa",

"5": "MasterCard",

"6": "Disco5ver Card"

}

def cv_show(name,img):

cv2.imshow(name, img)

cv2.waitKey(0)

cv2.destroyAllWindows()

img = cv2.imread('1.png',cv2.IMREAD_ANYCOLOR)#导入模板

ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1] refCnts, hierarchy = cv2.findContours(ref.copy(),

cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

cv2.drawContours(img,refCnts,-1,(0,0,255),3)

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))

digits[i] = roi

rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))

sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

image = cv2.imread('123.png') #导入目标

image = myutils.resize(image, width=300)

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)

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")

gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)

thresh = cv2.threshold(gradX, 0, 255,

cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)

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)

locs = [] for (i, c) in enumerate(cnts):

(x, y, w, h) = cv2.boundingRect(c)

ar = w / float(h)

if ar > 2.5 and ar 40 and w 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] group = cv2.threshold(group, 0, 255,

cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] digitCnts,hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,

cv2.CHAIN_APPROX_SIMPLE)

digitCnts = contours.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))

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 + 5, gY + gH + 5), (0, 0, 255), 1)

cv2.putText(image, "".join(groupOutput), (gX, gY - 15),

下载后可阅读完整内容，剩余7页未读，立即下载

weixin_38688371

粉丝: 7

信用卡卡号识别：OpenCV7模板匹配实战

QT+opencv+OCR 身份证号码，银行卡号识别

图像处理案例一 信用卡数字识别

信用卡卡号数字识别：Python+OpenCV图像处理教程

Python银行卡卡号自动识别源程序，GUI前端，基于PyQt5+opencv

基于OpenCV的银行卡号识别算法研究.pdf

使用OpenCV和Python实现信用卡号OCR识别

信用卡识别的模板匹配与深度学习应用

使用opencv实现银行卡号自动识别功能

基于Hough变换的光学音乐识别技术解析

linux利用opencv及数字图片模板匹配法实现一个银行卡或者饭卡卡号检测功能

最新资源

图像处理案例一信用卡数字识别