IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> 基于Python+Opencv的银行卡号识别系统(附完整代码) -> 正文阅读

[人工智能]基于Python+Opencv的银行卡号识别系统(附完整代码)

目录

前言

一、银行卡号识别系统是什么?

二、理论部分

1.总体思路

2.模板

3.识别图片

4.参数

三、完整代码

四、演示结果

总结


前言

????????随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就主要介绍基于Python+Opencv中的形态学操作和模板匹配的银行卡号识别系统


一、银行卡号识别系统是什么?

????????银行卡号识别系统是根据用户传入银行卡的图片,通过Opencv中比较简单的基础操作,识别出银行卡号并把结果展示出来的一个系统

二、理论部分

1.总体思路

????????首先把模板中的数字单个分离开,再提取银行卡上的ROI,再将两者的二值图像进行模板匹配,确定出每一个数字,即实现了银行卡号识别

2.模板

要求:输入模板必须带有所有的数字,且字体与识别的银行卡号一样

输入:模板图像

输出:0-9各个数字模板

流程:

(1)输入模板图像

(2)模板图像转换为灰度图

(3)灰度图转换为二值图

(4)找到所有数字的外轮廓

(5)将轮廓画出

(6)对找到的轮廓排序,得到轮廓集合

(7)将每个数字制成一个模板

3.识别图片

要求:银行卡号的字体与模板的一样

输入:识别图像

输出:识别完成并画上识别结果的图像

流程:

(1)读取识别图像

(2)图像转换为灰度图

(3)灰度图进行礼帽操作

(4)利用Sobel算子进行边缘检测

(5)Sobel算子运算后的图像进行闭操作

(6)闭操作后的图像进行二值化(threshold)

(7)二值化后的图像再次进行闭操作

(8)找出轮廓

(9)画出轮廓

(10)对轮廓进行筛选得出ROI(根据数字区域的W/H;以及图像大小范围)

(11)对ROI进行排序

(12)提取ROI中的每一位数字进行模板匹配

(13)筛选出最符合的数字

(14)展示结果

4.参数

1.输入的模板

2.识别图片

3.卷积核的大小(关键是闭操作时,要使得能够将ROI凸显出来)

4.筛选ROI的时候,比例的大小以及区域大小的范围(可以适当调大参数,得出想要的ROI,再把ROI打印出来,再根据ROI调整)

三、完整代码

"""
参数调整:
1.输入的模板
2.检测的图片
3.卷积核的大小(关键是闭操作时,要使得能够将ROI凸显出来)
4.筛选ROI的时候,比例的大小以及区域大小的范围(可以适当调大参数,得出想要的ROI,再把ROI打印出来,再根据ROI调整)
"""
import cv2
import numpy as np
import imutils
from imutils import contours

# 初始化卷积核
myKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (33, 21))
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
# sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))


def cv_show(name, imgs, time):
    cv2.imshow(name, imgs)
    cv2.waitKey(time)
    cv2.destroyAllWindows()


"""
模板图像的处理算法
输入:模板图像
输出:0-9各个数字模板
流程:
(1)读取模板图像
(2)模板图像转换为灰度图
(3)灰度图转换为二值图
(4)找到所有数字的外轮廓
(5)将轮廓画出
(6)对找到的轮廓排序,得到轮廓集合
(7)将每个数字制成一个模板
"""


temp = cv2.imread("D:/OpenCV_code/bank_card/temp.jpg")
cv_show("temp", temp, 100)
ref = cv2.cvtColor(temp, cv2.COLOR_BGR2GRAY)
cv_show("ref_gray", ref, 100)
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]
cv_show("ref_t", ref, 100)


'''
计算轮廓
cv2.findContours()函数接受的参数为二值图,即黑白的(不是灰度图)
ref_, refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.RETR_EXTERNAL只检测外轮廓
cv2.CHAIN_APPROX_SIMPLE只保留终点坐标
ref_:显示返回值ref_其实是输入的原图
refCnts:返回的list中每个元素都是图像中的一个轮廓
'''

refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)


# 画出找到的轮廓
cv2.drawContours(temp, refCnts, -1, (0, 0, 255), 2)
cv_show('temp', temp, 100)
print(np.array(refCnts, dtype=object).shape)
refCnts = imutils.contours.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


"""
输入图像的处理算法
输入:识别图像
输出:识别完成并画上识别结果的图像
流程:
(1)读取识别图像
(2)图像转换为灰度图
(3)灰度图进行礼帽操作
(4)利用Sobel算子进行边缘检测
(5)Sobel算子运算后的图像进行闭操作
(6)闭操作后的图像进行二值化(threshold)
(7)二值化后的图像再次进行闭操作
(8)找出轮廓
(9)画出轮廓
(10)对轮廓进行筛选得出ROI(根据数字区域的W/H;以及图像大小范围)
(11)对ROI进行排序
(12)提取ROI中的每一位数字进行模板匹配
(13)筛选出最符合的数字
(14)展示结果
"""


img = cv2.imread("D:/OpenCV_code/bank_card/img.png")
cv_show("img", img, 800)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show("img_gray", gray, 100)


# 礼帽操作,突出更明亮的区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show('tophat', tophat, 100)


# 利用Sobel算子进行边缘检测
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)

# 获得gradX的绝对值
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('Sobel', gradX, 100)


# 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, myKernel)
cv_show('close_1', gradX, 100)


# 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, 100)


# 再来一个闭操作
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, myKernel)
cv_show('close_2', thresh, 100)


# 计算轮廓
threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,	cv2.CHAIN_APPROX_SIMPLE)

cnts = threshCnts
cur_img = img.copy()
cv2.drawContours(cur_img, cnts, -1, (0, 0, 255), 3)
cv_show('img', cur_img, 100)


locs = []

# 遍历轮廓
for (i, c) in enumerate(cnts):
    # 计算矩形
    (x, y, w, h) = cv2.boundingRect(c)
    ar = w / float(h)

    # 选择合适的区域,根据实际任务来,这里的基本都是四个数字一组
    # [(454, 213, 110, 29), (308, 211, 109, 31), (171, 211, 98, 31), (18, 211, 107, 31)]
    if 2.5 < ar < 4.0:
        if (90 < w < 120) and (20 < h < 40):
            # 符合的留下来
            locs.append((x, y, w, h))

print(locs)


# 将符合的轮廓从左到右排序
locs = sorted(locs, key=lambda o: o[0])
output = []


result = img.copy()

# 遍历每一个轮廓中的数字
for (i, (gX, gY, gW, gH)) in enumerate(locs):
    # initialize the list of group digits
    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, 100)

    # 预处理
    group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
    cv_show('group', group, 100)

    # 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 digitCnts:
        # 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, 100)

        # 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
            res = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)
            (_, score, _, _) = cv2.minMaxLoc(res)
            scores.append(score)

        # 得到最合适的数字
        groupOutput.append(str(np.argmax(scores)))

    # 画出来
    cv2.rectangle(result, (gX - 5, gY - 5), (gX + gW + 5, gY + gH + 5), (0, 0, 255), 1)
    cv2.putText(result, "".join(groupOutput), (gX, gY - 15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)

    # 得到结果
    output.extend(groupOutput)


# 打印结果
print("Card number: {}".format("".join(output)))
cv_show("result", result, 800)
contrast = np.hstack((img, result))
cv_show("contrast", contrast, 0)


# 保存结果
cv2.imwrite("result.jpg", result)
cv2.imwrite("contrast.jpg", contrast)

四、演示结果

?


总结

????????本文阐述了基于Python+Opencv的银行卡号识别系统,全文比较详细,适合新手阅读,希望能给读者带来一些帮助,若有不正确的地方,还请及时指出。

  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2021-08-30 12:03:49  更:2021-08-30 12:05:00 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/27 17:59:31-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码