一、设计思路
1、预处理银行卡号序列模版，对其进行一系列形态学操作，继而进行轮廓识别，构建与各个轮廓所对应的数字元组。
2、对将要识别的银行卡进行灰度处理、二值化、阈值处理，sobel算子边缘检测等预处理，再通过模版匹配方法找出与已知轮廓高度符合的数字。
二、代码复现
预操作：
自定义一个cv_show函数，便于后来的图像展示。
# 绘图展示
def cv_show(name,img):
cv2.imshow(name, img)
cv2.waitKey(0)
cv2.destroyAllWindows()#对于myutils模块，在其中定义一个对模版排序的函数
def sort_contours(cnts, method="left-to-right"):
reverse = False
i = 0
if method == "right-to-left" or method == "bottom-to-top":
reverse = True
if method == "top-to-bottom" or method == "bottom-to-top":
i = 1
boundingBoxes = [cv2.boundingRect(c) for c in cnts] #用一个最小的矩形，把找到的形状包起来x,y,h,w
(cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),
key=lambda b: b[1][i], reverse=reverse))
return cnts, boundingBoxes#在自定义模块myutils中定义一个resize函数，可以自定义图像大小
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<1>、模版处理
（1）对模版进行预处理：
将模版转化为灰度图并且进行二值化处理，因为后来的轮廓识别需要传入二值图像
#导入python模块以及自定义模块
from imutils import contours
import numpy as np
import argparse
import cv2
import myutils
# 读取一个模板图像
img = cv2.imread('D:\\OpenCV\\practice\\ocr_a_reference.png')
cv_show('img',img)
# 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)（2）对预处理后的模版进行轮廓识别，再将各个轮廓与对于的数字匹配
#计算轮廓
refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
#绘制轮廓
cv2.drawContours(img,refCnts,-1,(0,0,255),3)
cv_show('img',img)
#利用自定义模块myutils中的sort_contours对模版进行排序，这里的各个模版依次对应0,1,2,3等
refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0] #排序，从左到右，从上到下
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到这里，对模版的序列识别已经完成。通过这些操作，已知模版分别对应相应的数字。
<2>、银行卡处理
（1）定义卷积核，并且导入银行卡图片，对其进行预处理
# 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('D:\\OpenCV\\practice\\credit_card_01.png' )
cv_show('image',image)
image = myutils.resize(image, width=300)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show('gray',gray)（2）对其进行一系列形态学操作
扫描二维码关注公众号，回复：
17458465 查看本文章
银行卡号可以分为四个大模块，但是每个数字之间会有间隙，所以对其进行闭操作使其连接在一起，便于之后的轮廓识别。通过这些操作，可以从图像上提取到很多轮廓，如下图所展示的一样，因此我们需要把不需要检测的轮廓过滤掉。
#礼帽操作，突出更明亮的区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show('tophat',tophat)
#
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, #ksize=-1相当于用3*3的
ksize=-1)
#利用sobel算子进行梯度处理，剔除不相关的信息
gradX = np.absolute(gradX)
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))
gradX = gradX.astype("uint8")
print (np.array(gradX).shape)
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)
#THRESH_OTSU会自动寻找合适的阈值，适合双峰，需把阈值参数设置为0
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) #再来一个闭操作
cv_show('thresh',thresh)（3）对无用的轮廓进行过滤。对于银行卡来说，各字符的长宽比例是固定的，对此我们可以查询数据或者是自己测量相应的长宽比来过滤。
#过滤无用的轮廓，先定义一个列表用来存取过剩下的轮廓
loc=[]
for (i,c) in enumerate(cnts):
(x,y,w,h)=cv2.boundingRect(c)
ar=w / float(h)
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
loc.append((x, y, w, h))
loc=sorted(loc, key=lambda x:x[0])（4）遍历每个轮廓，对银行卡的各个数字进行匹配，并且将匹配完的结果直接展示在原始图像上。
#遍历各个轮廓
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)
# 对组进行预处理
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 :
# 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)))
#在原始图像中标注出匹配完成的结果
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)
# 得到结果
output.extend(groupOutput)三、总结
到此，我们就完成了基于OpenCV的银行卡识别模型。如果涉及一些OpenCV函数以及一些numpy函数的用法不明白的话，希望大家自己查询资料。接下来会陆续发一些OpenCV实战及YOLO模型的实战例子。