OpenCV 信用卡号识别

荼蘼

于 2025-09-08 21:13:39 发布

阅读量883

点赞数 33

CC 4.0 BY-SA版权

文章标签： opencv 人工智能计算机视觉

本文链接：https://blog.csdn.net/2302_76756558/article/details/151332293

在计算机视觉领域，模板匹配是识别固定格式目标（如数字、文字）的常用技术。本文将以信用卡号自动识别为例，详细讲解如何使用 Python+OpenCV 实现从命令行参数定义、模板图像处理、轮廓识别到最终卡号匹配的完整流程，并提供可直接运行的代码与操作步骤，适合 OpenCV 初学者入门实践。

一、项目背景与核心技术

1. 项目目标

实现对信用卡图像中卡号的自动识别，包括：

读取用户指定的信用卡图像和数字模板；
定位信用卡中的卡号区域；
分割单个数字并与模板匹配；
输出卡号及对应信用卡类型（如 Visa、MasterCard）。

2. 核心技术

命令行参数解析：使用argparse模块让用户灵活输入图像路径；
图像预处理：灰度化、二值化、形态学操作（顶帽、闭操作）突出目标区域；
轮廓识别与排序：cv2.findContours提取轮廓，自定义函数按位置排序；
模板匹配：cv2.matchTemplate实现数字识别，计算匹配得分筛选最优结果。

二、自定义命令行参数

1、什么是自定义命令行参数

自定义命令行参数是指在编写命令行程序时，由程序开发者定义并期望用户通过命令行界面（CLI）输入的参数。这些参数允许用户向程序传递额外的信息或配置，以便程序能够根据这些信息执行不同的操作或行为。

在Python中，使用argparse模块可以方便地定义和解析自定义命令行参数。argparse模块提供了丰富的功能来定义参数的类型、默认值、是否必需等属性，并能够在用户没有按预期提供参数时给出友好的帮助信息。

2、自定义命令行参数的类型

1）位置参数（Positional Arguments）
位置参数是按照位置顺序提供的参数。在命令行中，它们紧跟在程序名称之后，不需要使用--或-前缀。位置参数的数量和顺序通常是固定的，用户必须按照程序的要求提供它们。

2）可选参数（Optional Arguments）
可选参数，也称为选项或开关，是可选提供的参数。它们通常使用--（长选项）或-（短选项）前缀来标识。可选参数可以指定默认值，这样即使用户没有提供它们，程序也能正常运行。可选参数还可以指定为必需的，这样如果用户没有提供它们，程序就会报错或显示帮助信息。

3）子命令（Sub-commands）
子命令允许程序具有多个相关的功能，每个功能都通过一个特定的子命令来调用。子命令是可选参数的一种特殊形式，它们通常用于实现类似git这样的命令行工具的复杂功能。

3、定义参数时注意

参数名称：选择一个简短、直观且易于理解的参数名称。
参数类型：确定参数应该接受的数据类型（如字符串、整数、浮点数等）。
默认值：为可选参数指定一个默认值，以便在用户没有提供参数时程序能够正常运行。
是否必需：确定参数是否必需提供。对于必需参数，如果用户没有提供，程序应该报错或显示帮助信息。
帮助信息：为每个参数提供清晰的帮助信息，以便用户了解参数的作用和用法。

4、代码案例

import argparse  
  
# 创建ArgumentParser对象  
parser = argparse.ArgumentParser(description='This is a sample script.')  
  
# 添加位置参数  
parser.add_argument('name', type=str, help='Your name')  
  
# 添加可选参数  
parser.add_argument('--age', type=int, default=25, help='Your age')  
parser.add_argument('-c', '--city', type=str, help='Your city')  
  
# 解析命令行参数  
args = parser.parse_args()  
  
# 使用解析后的参数  
print(f'Hello, {args.name}!')  
print(f'You are {args.age} years old.')  
if args.city:  
    print(f'You live in {args.city}.')

运行方法：

1）pycharm中右击鼠标，打开修改运行配置

输入参数，格式与定义时一致：

2）终端运行

打开终端，输入python + 代码地址，再输入参数内容，注意参数顺序

二、项目实施

1、案例图片

2、自定义参数

定义参数内容为待识别的信用卡号，以及0-1的数字模版

import numpy as np
import argparse   # py内置参数，用于自定义命令行参数
import cv2
import myutils    # 自定义的函数用法
#
"""
-i card1.png
-t kahao.png 
"""
ap = argparse.ArgumentParser()  # 创建一个自定义命令行参数对象，其中存放参数的内容
ap.add_argument("-i","--image",required=True,help="path to input image")  # 定义一个参数，命名为i或image，require=True表示参数是必须参数，help表示提示作用
ap.add_argument('-t',"--template",required=True,help="path to template OCA-A image")  # 同样定义一个必须参数t或template
args = vars(ap.parse_args())  # parse_args表示解析命令行参数，默认从sys.argv读取，得到一个命名空间，vars表示将这个空间转换为字典类型
 
 
FIRST_NUMBER = {   # 定义一个字典，用于存放信用卡类型的标识
    "3":"American Express"
    ,"4":"Visa"
    ,"5":"MasterCard"
    ,"6":"Discover Card"
}

3、处理模版图像

img = cv2.imread(args["template"])  # 读取图片，args["template"]为上述定义的参数用法的字典
cv_show('img',img)  # 调用自定义函数用法，展示原图
 
ref = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)   # 灰度图
cv_show('ref',ref)
# 对灰度图进行二值化处理，灰度值大于10转变为255，小于10转变为0，cv2.THRESH_BINARY_INV表示反二值化，即黑白颠倒（小于10的转变为255，大于10的转变为0）
# 返回两个参数，第一个是阈值10，一个是二值化图像，使用索引[1]只返回后者
ref = cv2.threshold(ref,10,255,cv2.THRESH_BINARY_INV)[1]
cv_show('ref_thr',ref)

运行结果：

4、识别数字轮廓

# 使用cv2.findContours识别轮廓，ref.copy()表示生成图像副本其为待识别图像
# cv2.RETR_EXTERNAL只检索最外层的轮廓
# cv2.CHAIN_APPROX_SIMPLE表示使用轮廓近似法，只保留轮廓端点
_,refCnts,hierarchy = cv2.findContours(ref.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)  # 返回三个参数，一个是原图，一个是轮廓的列表（全是点），以及轮廓的层次结构
cv2.drawContours(img,refCnts,-1,(0,0,255),3)  # 绘制轮廓，在原图上绘制轮廓，轮廓集为refCnts，-1表示绘制所有轮廓
cv_show('img',img)
 
refCnts = myutils.sort_contours(refCnts,method="left-to-right")[0]  # 调用自定义模块中的方法sort_contours对轮廓图进行排序返回索引对应的值和,利用索引[0],返回排序后的轮廓和轮廓的边界信息
digits = {}    # 定义一个空字典，保存模板中每个数字对应的像素值
for (i,c) in enumerate(refCnts):  # 使用numerate将每一个轮廓组成一个索引序列，返回轮廓索引和轮廓，此时i值表示轮廓中的值0-9
    (x,y,w,h) = cv2.boundingRect(c)  # 计算轮廓外接矩形，返回坐标和高宽
    roi = ref[y:y + h,x:x + w]    # 裁剪出每个数字对应的轮廓
    roi = cv2.resize(roi,(57,88))   # 缩放轮廓到指定的大小
    digits[i] = roi   # 每一个数字对应每一个模板，将他们存入字典

5、处理信用卡图片

1）读取图片

image = cv2.imread(args['image'])  # 读取图像
cv_show('image',image)  # 展示图像
image = myutils.resize(image,width=300)   # 缩放图像，将原始图像的宽度变为300像素值，高度根据比例自动改变
gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)   # 灰度图
cv_show('gray',gray)   # 展示灰度图

运行结果：

2）顶帽操作突出亮区域

# 顶帽操作，实出更明亮的区域，清除背景图，原因是背景颜色变化小，不被腐蚀掉。
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT,(9,3))   # 初始化卷积核，创建一个9x3的卷积核用于腐蚀膨胀等操作，cv2.MORPH_RECT表示结构为矩形
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
# cv2.morphologyEx表示图像形态学操作
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)   # 对信用卡的灰度图进行顶帽操作，cv2.MORPH_TOPHAT表示顶帽，突出亮色，rectKernel表示卷积核，顶帽 = 厡始图像 - 开运算结果(先腐蚀后膨胀)
cv_show('tophat',tophat)  # 展示顶帽后的图片

6、定位卡号轮廓

# """ 找到数字边框- """
# 图像形态学处理，通过闭操作(先膨胀，再腐蚀)将数字连在一起
closeX =cv2.morphologyEx(tophat, cv2.MORPH_CLOSE, rectKernel)
cv_show('gradX',closeX)
# 将灰度图转变为二值化图像，cv2.THRESH_BINARY | cv2.THRESH_OTSU为阈值类型和方法的组合，前者指定二值化，后者自动寻找合适阈值
thresh = cv2.threshold(closeX,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show('thresh',thresh)
# 再来一个闭操作，sqKernel为上述定义的卷积核
thresh = cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,sqKernel)
cv_show('thresh',thresh)
 
 
# 检索最外层的轮廓,使用轮廓近似法，只保留轮廓端点,返回原图，轮廓的列表（全是点），以及轮廓的层次结构
t_,threshCnts,h = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = threshCnts  # 信用卡全图的轮廓列表
cur_img = image.copy()  # 信用卡缩放图的副本
cv2.drawContours(cur_img,cnts,-1,(0,0,255),3)  # 绘制所有轮廓的外接矩形
cv_show('img',cur_img)
# 遍历轮廓，找到数字部分像素区域
locs =[]   # 定义一个空列表，用于存放满足条件的轮廓
for (i,c) in enumerate(cnts):  # 遍历轮廓信息的索引和轮廓
    (x,y,w,h) = cv2.boundingRect(c)   # 计算单个轮廓的外接矩形，返回边界信息
    ar = w / float(h)   # 设置一个值，为轮廓的宽度与高的比值
    # 选择合适的区域，根据实际任务来。
    if ar > 2.5 and ar < 4.0:   # 判断每个轮廓是否满足这个比值，这个比值需要自己去结合图像的像素值去设定
        if( w > 40 and w < 55) and ( h > 10 and h < 20):   # 轮廓比值符合后再对其进行判断，判断轮廓的宽度和高度的范围，此处的值需要自己去找，找到缩放后信用卡图片的卡号位置实际高宽范围
            locs.append((x,y,w,h))   # 将符合条件的轮廓存放进列表

运行结果如下：

7、识别卡号的每个数字

# # 将符合的轮廓从左到右排序
locs = sorted(locs,key=lambda x:x[0])
output =[]
# 遍历每一个对应的索引和轮廓边界信息
for (i,(gX,gY,gW,gH)) in enumerate(locs):  # enumerate用于返回一个可迭代对象的索引和数据，这里是轮廓索引、x坐标、y坐标、宽高
    groupOutput =[]
    group = gray[gY - 5:gY + gH + 5 , gX - 5:gX + gW + 5]  # 适当加一点边界，用于增大识别准确率
    cv_show('group',group)
    # 预处理
    group =cv2.threshold(group,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]  # 将每个轮廓进行二值化处理（黑白），返回两个值，一个是阈值，一个是图像，索引[1]表示图像
    cv_show('group',group)
    # 计算每一组的轮廓
    group_, digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)  # 查找每个轮廓中的数字轮廓，返回三个值，一个是每个轮廓，一个是轮廓数，以及轮廓的参层次信息
    digitCnts = myutils.sort_contours(digitCnts, method="left-to-right")[0]  # 调用自定义模块中的函数将识别的数字轮廓进行排序，排序依据为x轴大小，即卡面上的先后顺序，返回排序后的轮廓和轮廓边界
 
    # 计算每一组中的每一个数值
    for c in digitCnts:   # 遍历每一个轮廓中的数字轮廓
        (x, y, w, h) = cv2.boundingRect(c)    # 计算每个数字轮廓的矩形边界，返回边界信息
        roi = group[y:y + h, x: x + w]   # 裁剪每个数字
        roi = cv2.resize(roi, (57,88))   # 缩放每个数字轮廓
        cv_show('roi', roi)

运行结果：

8、使用模板匹配，计算匹配得分，并绘制

（此处需缩进，在上述for循环下）

        """  使用模板匹配，计算匹配得分  """
 
        scores = []
        # 在模板中计算每一个得分
        for (digit,digitROI) in digits.items():  # 此处digits为上述定义并存放这数字模版中数字轮廓及其对应的数字代号
            # 模板匹配
            result = cv2.matchTemplate(roi,digitROI,cv2.TM_CCOEFF)  # 对卡号数字轮廓和数字对应的轮廓进行模板匹配，使用相关系数匹配法
            (_,score,_,_) = cv2.minMaxLoc(result)   # 找到上述模板匹配相关系数最大值，只要score，其他返回值忽略
            scores.append(score)
 
        # 得到最合适的数字
        groupOutput.append(str(np.argmax(scores)))   # 返回scores中最大相关系数的索引，然后转换为字符串类型增加到上述定义的空列表
 
    # 画出来
    cv2.rectangle(image,(gX-5,gY-5),(gX+gW+5,gY+gH+5),(0,0,255),1)  # 在image图像上绘制矩形，其后参数表示左上角坐标、右下角坐标
    # cv2.putText()是OpenCV库中的一个函数，用于在图像上添加文本
    cv2.putText(image,''.join(groupOutput),(gX,gY-15),cv2.FONT_HERSHEY_SIMPLEX,0.65,(0,0,255),2)
    output.extend(groupOutput)  # 得到结果，将一个列表的元素添加到两一个列表的末尾
 
print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #:{}".format("".join(output)))
cv2.imshow("Image", image)
cv2.waitKey(0)

运行结果如下：