使用Python+OpenCV进行卡类型及16位卡号数字的OCR功能

本文将使用Python+OpenCV实现模板匹配算法，以自动识别卡的类型和以及16位卡号数字，通过实例代码给大家介绍的非常详细，需要的朋友参考下吧

在对信用卡OCR系统进行评估后，发现如果发卡信用卡公司使用OCR-A字体作为数字，该系统的准确率为100%。 优化可以考虑在野外采集信用卡的真实图像，并训练机器学习模型（通过标准特征提取或训练或卷积神经网络），以进一步提高此系统的准确性。

1. 效果图

首先了解一下卡的组成：

OCR-A 参考字体识别如下：原始图 VS 灰度图 VS 阈值化图 VS 轮廓每个数字提取图：

灰度图：忽略颜色对轮廓提取的影响

阈值化图：使得轮廓在前景白色，背景黑色便于轮廓提取。

轮廓提取图：提取每个数字ROI并记录，方便后续对比卡片中的区域以识别出对应的数字。

以下卡号均是演示卡，

正确的识别卡的类型和卡号，效果图1：

识别过程1――原图 VS 灰度图 VS 白帽图 VS 梯度图如下：

灰度图：忽略色彩影响

白帽图：从较暗的背景中提取较亮的区域

梯度图：计算Schaar梯度图，便于了解图像的色彩分配及提取；

识别过程2――形态学闭合图 VS 二值化图1 VS 阈值化图2 如下：

形态学闭合图：矩形框形态学闭合操作，以帮助闭合信用卡数字之间的小的缝隙

二值化图：以便于提取

阈值化图：方形框形态学闭合操作，以二次帮助闭合信用卡数字区域之间的缝隙

识别过程3――轮廓过滤图 VS 提取最终效果图如下：

轮廓过滤图：根据面积及纵横比，只保留卡片中的卡号区

最终效果图：提取4组4数字每一个组，然后对每一个组中的4个数字进行截取ROI并识别，并与之前存储的数字ROI进行模板匹配，选取匹配值最高的作为最终结果。

2. 原理

2.1 OCR-A字体

OCR-A字体，是一种专门用于辅助光学字符识别算法的字体。

主要分为：

检测图像中信用卡的位置；本地化信用卡上的四组四位数字；应用OCR识别信用卡上的16位数字；识别信用卡的类型。

Tesseract库在某些情况无法正确识别数字（这可能是因为Tesseract未接受信用卡示例字体培训）。

2.2 检测过程步骤

在字典中存储卡类型映射关系（卡号的第一位数字代表卡类型）。获取参考图像并提取数字。将数字模板存储在字典中。本地化四个信用卡号组，每个组有四位数字（总共16位）。提取要“匹配”的数字。对每个数字执行模板匹配，将每个单独的ROI与每个数字模板0-9进行比较，同时存储每个尝试匹配的分数。查找每个候选数字的最高分数，并构建一个名为“输出”的列表。其中包含信用卡号。将信用卡号和信用卡类型输出到终端，并将输出图像显示到屏幕上。

2.3 优化

使用OpenCV和Python匹配OCR脚本的模板在100%的时间内正确识别了16位数字中的每一位。然而在将OCR图像应用于真实的信用卡图像时，考虑到照明条件、视角和其他一般噪音的变化，可能需要采取更面向机器学习的方法。

3. 源代码

# 信用卡类型及卡号OCR系统 # USAGE # python ocr_template_match.py --reference images/ocr_a_reference.png --image images/credit_card_05.png import argparse import cv2 import imutils import numpy as np # 导入必要的包 from imutils import contours # 构建命令行参数及解析 # --image 必须要进行OCR的输入图像 # --reference 必须参考OCR-A图像 ap = argparse.ArgumentParser() ap.add_argument("-i", "--image", required=True, help="path to input image") ap.add_argument("-r", "--reference", required=True, help="path to reference OCR-A image") args = vars(ap.parse_args()) # 定义一个字典（映射信用卡第一位数字和信用卡类型的编号） FIRST_NUMBER = { "3": "American Express", "4": "Visa", "5": "MasterCard", "6": "Discover Card" } # 从磁盘加载参考OCR-A图像，转换为灰度图，阈值化图像以显示为白色前景和黑色背景 # 并反转图像 # and invert it, such that the digits appear as *white* on a *black* ref_origin = cv2.imread(args["reference"]) cv2.imshow("ref_origin", ref_origin) ref = ref_origin.copy() ref = cv2.cvtColor(ref, cv2.COLOR_BGR2GRAY) cv2.imshow("ref_gray", ref) ref = cv2.threshold(ref, 180, 255, cv2.THRESH_BINARY)[1] cv2.imshow("ref_threshhold", ref) cv2.waitKey(0) # 寻找OCR-A图像中的轮廓（数字的外轮廓线） # 并从左到右排序轮廓，初始化一个字典来存储数字ROI refCnts = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) print('findContours: ', len(refCnts)) refCnts = imutils.grab_contours(refCnts) refCnts = contours.sort_contours(refCnts, method="left-to-right")[0] digits = {} # 遍历OCR-A轮廓 for (i, c) in enumerate(refCnts): # 计算数字的边界框，提取它，缩放到固定的大小 (x, y, w, h) = cv2.boundingRect(c) cv2.rectangle(ref_origin, (x, y), (x + w, y + h), (0, 255, 0), 2) roi = ref[y:y + h, x:x + w] roi = cv2.resize(roi, (57, 88)) # 更新数字字典，数字匹配ROI digits[i] = roi cv2.imshow("ref and digits", ref_origin) cv2.上一篇：女神相册密码忘记了我只用Python写了20行代码下一篇：Python的内置数据类型中的数字热门搜索：

Python数据类型

数字类型

显卡类型

opencv识别数字

卡尺的使用方法及读数视频