案例教学：基于 OpenCV 的身份证号识别系统
在计算机视觉的应用中，OCR（光学字符识别）是一个非常常见的任务。本案例展示了如何利用 OpenCV + 模板匹配 来识别信用卡上的卡号。整个流程分为 模板建立 和 目标图像处理 两大部分。
图片准备：
运行结果：
一、导入库与准备工作
import numpy as np
import cv2
import myutils
cv2：OpenCV 核心库，主要用于图像处理。numpy：矩阵运算库，图像在内存中就是一个矩阵。myutils：自定义工具模块，包含sort_contours（轮廓排序）等常用函数。
自建模块：myutils.py
import cv2 """ myutils.py - 自定义工具函数模块 包含轮廓排序和图像缩放两个常用功能， 用于银行卡号识别系统中的图像处理 """ def sort_contours(cnts, method='left-to-right'): """ 对轮廓进行排序（按指定方向） 参数: cnts: 轮廓列表，由cv2.findContours()返回 method: 排序方法，可选值包括： 'left-to-right' (默认) - 从左到右 'right-to-left' - 从右到左 'top-to-bottom' - 从上到下 'bottom-to-top' - 从下到上 返回: 排序后的轮廓列表和对应的边界框列表 """ # 初始化排序方向标志和排序依据索引 reverse = False # 是否反向排序 i = 0 # 排序依据的维度索引（0表示x轴，1表示y轴） # 确定是否需要反向排序 if method == 'right-to-left' or method == 'bottom-to-top': reverse = True # 确定排序依据是x轴还是y轴 # 垂直方向排序（上下）用y坐标，水平方向排序（左右）用x坐标 if method == 'top-to-bottom' or method == 'bottom-to-top': i = 1 # 使用y坐标排序 # 为每个轮廓计算边界框（x, y, w, h） boundingBoxes = [cv2.boundingRect(c) for c in cnts] # 将轮廓与对应的边界框组合，按指定维度排序后再拆分 # sorted()的key参数指定按边界框的第i个值（x或y）排序 (cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes), key=lambda b: b[1][i], # b[1]是边界框，b[1][i]是x或y坐标 reverse=reverse)) return cnts, boundingBoxes def resize(image, width=None, height=None, inter=cv2.INTER_AREA): """ 按比例缩放图像（保持原图宽高比） 参数: image: 输入图像 width: 目标宽度（若为None则按height计算） height: 目标高度（若为None则按width计算） inter: 插值方法，默认cv2.INTER_AREA（适合缩小图像） 返回: 缩放后的图像 """ # 初始化目标尺寸 dim = None # 获取原图高度和宽度 (h, w) = image.shape[:2] # shape[:2]取前两个值（高度、宽度），忽略通道数 # 若宽高均未指定，则返回原图 if width is None and height is None: return image # 若未指定宽度，则按高度计算缩放比例 if width is None: r = height / float(h) # 计算高度缩放比例 dim = (int(w * r), height) # 计算对应的宽度（保持比例） # 否则按宽度计算缩放比例 else: r = width / float(w) # 计算宽度缩放比例 dim = (width, int(h * r)) # 计算对应的高度（保持比例） # 执行缩放操作 resized = cv2.resize(image, dim, interpolation=inter) return resized
接着定义信用卡类型字典，用来根据首位数字判断卡种：
FIRST_NUMBER = {"3": "American Express",
"4": "Visa",
"5": "MasterCard",
"6": "Discover Card"}
辅助函数 cv_show 用于快速显示图像：
def cv_show(name, img): # 绘图展示
cv2.imshow(name, img)
cv2.waitKey(0)
二、模板图像中数字的定位处理
识别卡号之前，需要先有一份 数字模板，作为对比参考。
"""----------模板图像中数字的定位处理----------"""
img = cv2.imread("kahao.png")
cv_show('img', img)
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰度图
cv_show('ref', ref)
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1] # 二值图像 黑底白字，方便找轮廓
cv_show('ref', ref)这里对模板图像做了灰度化和二值化，得到清晰的数字轮廓。
接着提取轮廓：
# 计算轮廓。cv2.findContours()函数最重要的参数为 原图，即黑白的（不是灰度图），
# 然后是轮廓检索模式，cv2.RETR_EXTERNAL表示只检测外轮廓，cv2.CHAIN_APPROX_SIMPLE压缩水平垂直
_, refCnts, hierarchy = cv2.findContours(ref, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img, refCnts, -1, (0, 0, 255), 3)
cv_show('img', img)然后按从左到右排序，依次提取每个数字，统一缩放到 (57, 88) 的大小：
refCnts = myutils.sort_contours(refCnts, method="left-to-right")[0] # 排序，从左到右，从上到下
digits = {} # 保存每一个数字对应的模板
for (i, c) in enumerate(refCnts): # 遍历每一个轮廓
(x, y, w, h) = cv2.boundingRect(c) # 计算外接矩形并且resize成合适大小
roi = cv2.resize(ref[y:y + h, x:x + w], (57, 88)) # 缩放成指定的大小
cv_show('roi', roi)
digits[i] = roi # 每一个数字对应每一个模板
print(digits)此时，digits 就是一个数字模板库，包含 0-9 的标准图案。
三、身份证图像的处理
接下来处理实际的信用卡图片 card1.jpg。
"""----------身份证的图像处理----------"""
image = cv2.imread("card1.jpg")
cv_show('image', image)
# image = myutils.resize(image, width=300) # 设置图像的大小
image = cv2.resize(image,(640,400))
print(image.shape)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show('gray', gray)使用 顶帽操作 突出明亮的数字区域：
# 顶帽操作，突出更明亮的区域，消除背景元素，原因是谱系图下变化小，不被腐蚀掉。
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (15, 5)) # 初始化卷积核
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel) # 顶帽 = 原始图像 - 开运算结果(来增强亮部区域)
cv_show('tophat', tophat)四、找到卡号所在区域
闭操作 让数字连成一片。
二值化 + OTSU 自动分割前景和背景。
再闭操作 去掉细小噪声。
轮廓提取 找到数字所在的大区域。
"""-----------找到数字边框-----------"""
# 1、通过闭操作（先膨胀，再腐蚀）将数字连在一起
closeX = cv2.morphologyEx(tophat, cv2.MORPH_CLOSE, rectKernel)
cv_show('gradX', closeX)
# 2、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(closeX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show('thresh', thresh)
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel) # 再来一个闭操作
cv_show('thresh1', thresh)
# 3、计算轮廓
_, threshCnts, h = 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)遍历这些轮廓，筛选出长宽比合适的区域作为卡号段：
# 4、遍历轮廓，找到数字部分轮廓区域
locs = []
for (i, c) in enumerate(cnts):
(x, y, w, h) = cv2.boundingRect(c) # 计算外接矩形
ar = w / float(h)
# 选择合适的区域，根据实际任务来，
if ar > 16 and ar < 20:
# if (w > 100 and w < 400) and (h > 3 and h < 20): # 符合的留下来
# 符合的留下来的位置，然后再排序
locs.append((x, y, w, h))
locs = sorted(locs, key=lambda x: x[0])
五、逐位数字识别（模板匹配）
对每个数字分组区域进行处理：
提取轮廓并排序，逐个与模板数字比对：
识别完成后，将结果绘制在图像上：
output = []
# 遍历每一个轮廓中的数字
for (i, (gX, gY, gW, gH)) in enumerate(locs):
groupOutput = []
group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5] # 适当加一点边界
cv_show('group', group)
# 预处理
group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
# print(group.shape)
# group = cv2.resize(group, (300, 20))
# cv_show('group', group)
# 颜色反转
group = cv2.bitwise_not(group)
cv_show('group', group)
# 计算每一组的轮廓
group_, digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
digitCnts = myutils.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)
'''-------使用模板匹配，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()是OpenCV库中的一个函数，用于在图像上添加文本。
cv2.putText(image, "".join(groupOutput), (gX, gY - 15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)
output.extend(groupOutput) # 得到结果 将一个列表的元素添加到另一个列表的末尾。
六、最终结果输出
根据卡号首位判断卡种，并输出卡号：
print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #: {}".format("".join(output)))
cv2.imwrite('card_result.jpg', image)
cv2.imshow("result", image)
cv2.waitKey(0)
最终结果会在窗口显示，同时保存为 card_result.jpg。
七、案例总结
模板构建：利用标准数字图像，建立模板库。
图像预处理：灰度化 → 顶帽操作 → 闭运算 → 二值化，得到清晰的卡号区域。
区域筛选：根据宽高比和大小，精确定位卡号段。
逐位识别：通过模板匹配，识别每一位数字。
结果展示：输出卡种 + 卡号，并可视化标注。
这个流程思路清晰，适合入门 OCR 与模板匹配 的学习案例。