基于模板匹配的信用卡号码识别系统

本项目实现了一个基于模板匹配的信用卡号码识别系统。

1. 导入库和设置参数

# -*- coding: utf-8 -*-
# 导入工具包
from imutils import contours
import numpy as np
import argparse
import cv2
import myutils
import os

# 设置参数
ap = argparse.ArgumentParser()
# 替换为实际的绝对路径
ap.add_argument("-i", "--image", required=False, default=r"F:/cv/creditproject/template-matching-ocr/ocr_a_reference.png",
                help="path to input image")
ap.add_argument("-t", "--template", required=False, default=r"F:/cv/creditproject/template-matching-ocr/ocr_a_reference.png",
                help="path to template OCR-A image")
args = vars(ap.parse_args())

• 导入了图像处理、参数解析等所需的库。
• 使用 argparse 模块设置命令行参数，允许用户指定输入图像和模板图像的路径，若未指定则使用默认路径。

2. 定义信用卡类型映射和绘图函数

# 指定信用卡类型
FIRST_NUMBER = {
	"3": "American Express",
	"4": "Visa",
	"5": "MasterCard",
	"6": "Discover Card"
}
# 绘图展示
def cv_show(name,img):
	cv2.imshow(name, img)
	cv2.waitKey(0)
	cv2.destroyAllWindows()

• FIRST_NUMBER 字典将信用卡号码的首位数字映射到对应的信用卡类型。
• cv_show 函数用于显示图像，等待用户按键后关闭窗口。

3. 读取和处理模板图像

# 读取一个模板图像
template_path = args["template"]

# 检查文件是否存在
if not os.path.isfile(template_path):
    print(f"文件不存在: {template_path}")
    print("请检查文件路径是否正确。")
    import sys
    sys.exit(1)

img = cv2.imread(template_path)

# 检查图像是否成功读取
if img is None:
    print(f"无法打开或读取文件: {template_path}")
    print("请检查文件路径是否正确，或者文件是否存在。")
    import sys
    sys.exit(1)
else:
    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)

• 检查模板文件是否存在并尝试读取图像。
• 将图像转换为灰度图，再进行二值化处理，方便后续轮廓检测。

4. 计算模板图像的轮廓并排序

# 修改解包逻辑，适应 OpenCV 4.x 和 5.x 版本
refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

cv2.drawContours(img, refCnts, -1, (0, 0, 255), 3) 
cv_show('img', img)
print(f"轮廓数量: {len(refCnts)}")

# 若想查看每个轮廓的点数，可以遍历 refCnts
for i, cnt in enumerate(refCnts):
    print(f"轮廓 {i} 的点数: {cnt.shape[0]}")
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

• 使用 cv2.findContours 函数检测二值图像的轮廓。
• 绘制轮廓并显示图像，打印轮廓数量和每个轮廓的点数。
• 对轮廓进行排序，提取每个轮廓的外接矩形区域并调整大小，存储在 digits 字典中作为模板。

5. 读取和预处理输入图像

# 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(args["image"])
cv_show('image',image)
image = myutils.resize(image, width=300)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show('gray',gray)

#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)


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)

• 初始化卷积核，用于形态学操作。
• 读取输入图像，调整大小并转换为灰度图。
• 使用礼帽操作突出明亮区域，再使用 Sobel 算子计算水平梯度，对梯度值进行归一化处理。

6. 对梯度图像进行形态学操作并检测轮廓

#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)

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

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

• 对梯度图像进行闭操作，将数字连在一起。
• 使用 Otsu 阈值法进行二值化处理，再进行一次闭操作。
• 检测二值图像的轮廓并绘制在图像上。

7. 筛选和排序符合条件的轮廓

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
	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
			locs.append((x, y, w, h))

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

• 遍历所有轮廓，计算每个轮廓的外接矩形和宽高比。
• 根据宽高比和矩形尺寸筛选出符合条件的轮廓，存储在 locs 列表中并排序。

8. 识别每个轮廓中的数字并输出结果

output = []

# 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)
    # 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 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)

        # 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)))

    # 画出来
    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)


# 打印结果
if len(output) == 0:
    print("未识别到有效的信用卡号码，请检查输入图像或调整识别参数。")
else:
    first_digit = output[0]
    if first_digit in FIRST_NUMBER:
        print("Credit Card Type: {}".format(FIRST_NUMBER[first_digit]))
        print("Credit Card #: {}".format("".join(output)))
    else:
        print("无法根据首位数字 {} 确定信用卡类型，请检查识别结果。".format(first_digit))

cv2.imshow("Image", image)
cv2.waitKey(0)

• 遍历筛选后的轮廓，提取每个轮廓区域并进行预处理。
• 检测每个区域内的数字轮廓，使用模板匹配方法识别每个数字。
• 在图像上绘制识别结果，根据识别结果输出信用卡类型和号码。

ocr_template_match.py

# -*- coding: utf-8 -*-
# 导入工具包，contours 用于轮廓排序，numpy 用于数值计算，argparse 用于命令行参数解析
# cv2 是 OpenCV 库，用于计算机视觉任务，myutils 是自定义工具包，os 用于文件操作
from imutils import contours
import numpy as np
import argparse
import cv2
import myutils
import os

# 设置参数，使用 argparse 模块创建一个参数解析器
ap = argparse.ArgumentParser()
# 定义输入图像的路径参数，若未提供则使用默认值
ap.add_argument("-i", "--image", required=False, default=r"F:/cv/creditproject/template-matching-ocr/ocr_a_reference.png",
                help="path to input image")
# 定义模板图像的路径参数，若未提供则使用默认值
ap.add_argument("-t", "--template", required=False, default=r"F:/cv/creditproject/template-matching-ocr/ocr_a_reference.png",
                help="path to template OCR-A image")
# 解析命令行参数并转换为字典形式
args = vars(ap.parse_args())

# 指定信用卡类型，将信用卡号码的首位数字映射到对应的信用卡类型
FIRST_NUMBER = {
    "3": "American Express",
    "4": "Visa",
    "5": "MasterCard",
    "6": "Discover Card"
}

# 绘图展示函数，用于显示图像并等待用户按键后关闭窗口
def cv_show(name,img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# 读取一个模板图像，从命令行参数中获取模板图像的路径
template_path = args["template"]

# 检查文件是否存在，若不存在则打印错误信息并退出程序
if not os.path.isfile(template_path):
    print(f"文件不存在: {template_path}")
    print("请检查文件路径是否正确。")
    import sys
    sys.exit(1)

# 读取模板图像
img = cv2.imread(template_path)

# 检查图像是否成功读取，若读取失败则打印错误信息并退出程序
if img is None:
    print(f"无法打开或读取文件: {template_path}")
    print("请检查文件路径是否正确，或者文件是否存在。")
    import sys
    sys.exit(1)
else:
    # 若读取成功，显示模板图像
    cv_show('img', img)

# 将模板图像转换为灰度图
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 显示灰度图
cv_show('ref',ref)

# 将灰度图转换为二值图像，使用阈值 10，将背景设为黑色，数字设为白色
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]
# 显示二值图
cv_show('ref',ref)

# 计算轮廓，cv2.findContours() 函数接受的参数为二值图，只检测外轮廓，只保留终点坐标
# 返回的 list 中每个元素都是图像中的一个轮廓
# 修改解包逻辑，适应 OpenCV 4.x 和 5.x 版本
refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 在原始图像上绘制轮廓，颜色为红色，线宽为 3
cv2.drawContours(img, refCnts, -1, (0, 0, 255), 3) 
# 显示绘制轮廓后的图像
cv_show('img', img)
# 打印检测到的轮廓数量
print(f"轮廓数量: {len(refCnts)}")

# 若想查看每个轮廓的点数，可以遍历 refCnts
for i, cnt in enumerate(refCnts):
    print(f"轮廓 {i} 的点数: {cnt.shape[0]}")

# 对轮廓进行排序，从左到右，从上到下
refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0] 
# 初始化一个字典，用于存储每个数字对应的模板
digits = {}

# 遍历每一个轮廓
for (i, c) in enumerate(refCnts):
    # 计算当前轮廓的外接矩形
    (x, y, w, h) = cv2.boundingRect(c)
    # 从二值图中提取外接矩形区域
    roi = ref[y:y + h, x:x + w]
    # 将提取的区域调整为固定大小 (57, 88)
    roi = cv2.resize(roi, (57, 88))

    # 将每个数字对应的模板存储到字典中
    digits[i] = roi

# 初始化卷积核，用于形态学操作
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

# 读取输入图像
image = cv2.imread(args["image"])
# 显示输入图像
cv_show('image',image)
# 调整输入图像的宽度为 300
image = myutils.resize(image, width=300)
# 将输入图像转换为灰度图
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 显示灰度图
cv_show('gray',gray)

# 礼帽操作，突出更明亮的区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel) 
# 显示礼帽操作后的图像
cv_show('tophat',tophat) 

# 使用 Sobel 算子计算水平梯度，ksize=-1 相当于使用 3*3 的核
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)

# 取梯度的绝对值
gradX = np.absolute(gradX)
# 获取梯度的最小值和最大值
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
# 对梯度值进行归一化处理，将其映射到 0-255 范围
gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))
# 将梯度值转换为 uint8 类型
gradX = gradX.astype("uint8")

# 打印梯度图像的形状
print (np.array(gradX).shape)
# 显示梯度图像
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) 
# 显示闭操作后的图像
cv_show('gradX',gradX)

# 使用 Otsu 阈值法进行二值化处理，自动寻找合适的阈值
thresh = cv2.threshold(gradX, 0, 255,
    cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] 
# 显示二值化后的图像
cv_show('thresh',thresh)

# 再来一个闭操作
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel) 
# 显示再次闭操作后的图像
cv_show('thresh',thresh)

# 计算二值图像的轮廓
threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
                                         cv2.CHAIN_APPROX_SIMPLE)

# 将检测到的轮廓赋值给 cnts
cnts = threshCnts
# 复制一份输入图像
cur_img = image.copy()
# 在复制的图像上绘制轮廓，颜色为红色，线宽为 3
cv2.drawContours(cur_img, cnts, -1, (0, 0, 255), 3) 
# 显示绘制轮廓后的图像
cv_show('img', cur_img)

# 初始化一个列表，用于存储符合条件的轮廓的外接矩形信息
locs = []

# 遍历轮廓
for (i, c) in enumerate(cnts):
    # 计算当前轮廓的外接矩形
    (x, y, w, h) = cv2.boundingRect(c)
    # 计算外接矩形的宽高比
    ar = w / float(h)

    # 选择合适的区域，根据实际任务，这里基本都是四个数字一组
    if ar > 2.5 and ar < 4.0:
        if (w > 40 and w < 55) and (h > 10 and h < 20):
            # 符合条件的外接矩形信息添加到列表中
            locs.append((x, y, w, h))

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

# 初始化一个列表，用于存储最终识别的信用卡号码
output = []

# 遍历每一个轮廓中的数字
for (i, (gX, gY, gW, gH)) in enumerate(locs):
    # 初始化一个列表，用于存储当前组的数字识别结果
    groupOutput = []

    # 根据坐标提取每一个组
    group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
    # 显示提取的组图像
    cv_show('group',group)

    # 对提取的组图像进行预处理，使用 Otsu 阈值法进行二值化处理
    group = cv2.threshold(group, 0, 255,
        cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
    # 显示预处理后的组图像
    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)
    # 对每一组的轮廓进行排序，从左到右
    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，计算其外接矩形
        (x, y, w, h) = cv2.boundingRect(c)
        # 从二值化的组图像中提取当前数值的区域
        roi = group[y:y + h, x:x + w]
        # 将提取的区域调整为固定大小 (57, 88)
        roi = cv2.resize(roi, (57, 88))
        # 显示提取的数值区域
        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)
            # 获取匹配结果的最大值和其位置
            (_ , score, _, _) = cv2.minMaxLoc(result)
            # 将得分添加到列表中
            scores.append(score)

        # 得到最合适的数字，取得分最高的模板对应的数字
        groupOutput.append(str(np.argmax(scores)))

    # 在原始图像上绘制矩形框和识别结果
    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)

    # 将当前组的识别结果添加到最终结果列表中
    output.extend(groupOutput)

# 打印结果
if len(output) == 0:
    print("未识别到有效的信用卡号码，请检查输入图像或调整识别参数。")
else:
    # 获取识别结果的首位数字
    first_digit = output[0]
    if first_digit in FIRST_NUMBER:
        print("Credit Card Type: {}".format(FIRST_NUMBER[first_digit]))
        print("Credit Card #: {}".format("".join(output)))
    else:
        print("无法根据首位数字 {} 确定信用卡类型，请检查识别结果。".format(first_digit))

# 显示最终识别结果的图像
cv2.imshow("Image", image)
# 等待用户按键
cv2.waitKey(0)

 myutils.py

import cv2

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
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