银行卡号识别

opencv银行卡号识别是对学习opencv，个个操作的总结与检验，对于银行卡号识别需要用到大部分所学知识，以及对opencv的一系列图像处理操作；更能够有进一步的理解。

大致思路如下：

1、建立银行卡数字识别的标准模版，处理模板图片，将每个模板数字单独提取出来

2，准确定位银行卡卡号的数字区域
3、通过图像处理，分割等一系列操作，将银行卡每个卡号数字单独提取出来形成待测试区域
4、通过模板匹配来找到最大相似度的图像，识别每个卡号，从而得出银行卡号

# 读取模板图片
img_m = cv2.imread("tu.jpg")
img_m_g = cv2.cvtColor(img_m,cv2.COLOR_BGR2GRAY)
# 反二值化处理，常见的二值图像一般前景为白色，背景为黑色
img_m_g = cv2.threshold(img_m_g,0,255,cv2.THRESH_OTSU|cv2.THRESH_BINARY_INV)[1]
# 查找图像的轮廓
img_m_g_con = cv2.findContours(img_m_g,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE)[0]
img_m_g_dst = cv2.drawContours(img_m.copy(),img_m_g_con,-1,(0,0,255),2)
plt.imshow(img_m_gdst[:,:,::-1])

plt.show()

对银行卡处理如下：

def cv_show(img,windows="fig"):
    cv.imshow(windows,img)
    cv.waitKey(0)
    cv.destroyWindow(windows)

img=cv.imread('card.jpg')
#转换颜色空间，便于后续处理
img_gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
plt.imshow(img_gray,cmap=plt.cm.gray)
plt.show()
#cv_show(img_gray)
#图像阈值处理为二值图像，然后进行反阈值处理
ret1,img_threshold=cv.threshold(img_gray,20,255,cv.THRESH_BINARY)
# plt.imshow(img_threshold,cmap=plt.cm.gray)
# plt.show()
ret2,re_img_threshold=cv.threshold(img_threshold,20,255,cv.THRESH_BINARY_INV)
plt.imshow(re_img_threshold,cmap=plt.cm.gray)
plt.show()
#
contours,hierarchay=cv.findContours(img_threshold,cv.RETR_LIST,cv.CHAIN_APPROX_NONE)
#
# mask=cv.drawContours(img,contours,-1,(0,0,255),5)
# plt.imshow(mask[:,:,::-1])
# plt.show()
x,y,w,h=cv.boundingRect(contours[0])
bound_img=cv.rectangle(img_threshold, (x,y), (x+w,y+h), (0,255,0), 2)
plt.imshow(img_threshold,cmap=plt.cmgray)
plt.show()

 （不便展示）

 对进行银行卡找到数字区域进行一系列图像的形态学操作，然后绘图找到带识别区域，进行图像分割（我感觉对于银行卡的数字区域应该都是在特定的一个范围内，如果这样的话可以设定一个大多数银行卡卡号的一个图像的区域，当然对于不同的图像大小可能不同这会导致识别出现错误，甚至不能进行，但是在实际中我们可以在特定的摄像距离下，得到大小相近的照片，可以通过放缩处理图像的大小进行识别，这样可以直接判断出来减少大部分操作，直接可以分割梳理数字图像进进行模版匹配，用字典储存信息最后打印出keys即可）

#求图像梯度或使用Canny边缘检测，
grady =  cv2.Sobel(tophat,ddepth = cv2.CV_32F,dx=0,dy=1,ksize = 3)
grady = cv2.convertScaleAbs(grady)
# imshow(grady)
gradx = cv2.Sobel(tophat,ddepth = cv2.CV_32F,dx=1,dy=0,ksize=3)
gradx = cv2.convertScaleAbs(gradx)
# imshow(gradx) 
grad = cv2.addWeighted(gradx,0.5,grady,0.5,0)
imshow(grad)

 

digital = []
def f(img):
    img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    img_2 = cv2.threshold(img_gray,0,255,cv2.THRESH_OTSU)[1]
    imgcon = cv2.findContours(img_2,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE)[0]
    new_con = []

************************************
    for con in imgcon:
        (x,y,w,h) = cv2.boundingRect(con) 
        if h>35 or w<15:
            continue
        new_con.append((x,y,w,h)
    sort_con = sorted(new_con,key = lambda x:x[0]) 
    for i in sort_con:
        x,y,w,h = i[0],i[1],i[2],i[3]
        con = np.array([[[x,y],[x+w,y],[x+w,y+h],[x,y+h]]])
        roi = img_2[y-1:y+h+1,x-1:x+w+1]
        digital.append(cv2.resize(roi,(57,88)))
for i in img_part:
   最后打印列表

【6，2,3,0,5,2，**************】
对于在识别的过程最主要的是个个API参数的设定怎样才能达到一个理想的效果