一、思路分析

大体思路：首先拿到一张银行卡，我们得有银行卡号数字的0-9样式的模板，然后再通过不同数字的轮廓的外接矩形来进行匹配，最终识别出银行卡号所对应的数字。
银行卡数字模板：

银行卡信息：

拿到银行卡的时候，因为银行卡上面不仅仅只是银行卡号，还会存在一些干扰项，这时候需要对这些干扰项进行过滤，这些干扰项和数字所在的外接轮廓大小是不相同的，故可以以此进行过滤筛选。当然，一下次不会将单个数字给定位到，拿到的也不是单个数字，绝大多数的银行卡号都是四个为一组，接下来再对每一组中的四个数字进行拆分。

二、导包以及相关函数

from imutils import contours
import numpy as np
import argparse
import cv2

# 绘图展示
def cv_show(name,img):cv2.imshow(name, img)cv2.waitKey(0)cv2.destroyAllWindows()

#因为银行卡分为四个大轮廓，每个大轮廓中又包括四个数字，这里需要定义一个函数用于将识别出的四个大轮廓依次排序存放
def sort_contours(cnts, method="left-to-right"):reverse = Falsei = 0if method == "right-to-left" or method == "bottom-to-top":reverse = Trueif method == "top-to-bottom" or method == "bottom-to-top":i = 1boundingBoxes = [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))#对模板上的轮廓进行排序，也就是将模板上的数字给贴个标签return cnts, boundingBoxes#返回轮廓以及轮廓信息一个列表

#因为银行卡数字这块图像会较小，需要重新指定一下图像大小
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 imageif 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

三、获取模板上的数字信息

指定测试图像以及模板图像位置

# 设置参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,help="path to input image")#指定输入图像
ap.add_argument("-t", "--template", required=True,help="path to template OCR-A image")#指定模板图像
args = vars(ap.parse_args())

设置银行卡类型参数

# 指定信用卡类型
FIRST_NUMBER = {"3": "American Express","4": "Visa","5": "MasterCard","6": "Discover Card"
}

首先处理模板图像，模板图像存放这0-9数字，读取模板图像，灰度图、二值化

# 读取一个模板图像
img = cv2.imread(args["template"])
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)

对二值化之后的模板图像获取轮廓

# 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）,cv2.RETR_EXTERNAL只检测外轮廓，cv2.CHAIN_APPROX_SIMPLE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
ref_, refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

用红色线进行绘制模板轮廓，定义一个空字典digits，用于存储后续得到模板图像轮廓信息

cv2.drawContours(img,refCnts,-1,(0,0,255),3) #用红色线画轮廓
cv_show('img',img)
print (np.array(refCnts).shape)#出现10个轮廓，0-9数字所对应的图像信息
refCnts = sort_contours(refCnts, method="left-to-right")[0] #排序，从左到右，从上到下  得到模板排序完之后的轮廓
digits = {}#指定一个空字典

对模板图像中0-9个轮廓依次去遍历，得到信息存储到digits字典中

# 遍历每一个轮廓
for (i, c) in enumerate(refCnts):#在模板轮廓中不断的去遍历，i为轮廓的索引，c为轮廓# 计算外接矩形并且resize成合适大小(x, y, w, h) = cv2.boundingRect(c)#得到第i个轮廓的外接矩形信息roi = ref[y:y + h, x:x + w]#用外接矩形对模板图像相同位置抠出来roi = cv2.resize(roi, (57, 88))#抠出来的模板图像的大小可能会较小，把图像给resize成一个差不多大小的图像# 每一个数字对应每一个模板digits[i] = roi#把从模板中抠出来的数字存入到字典中，模板为value，索引为key
#循环结束之后，digits字典中就存放有了0-9数字的模板图像信息

三、对测试图像进行形态学操作，消除其他的干扰因素

根据不同情景选取合适的卷积核

# 初始化卷积核 这里主要是根据具体情况具体分析  卷积核的定义需要看具体情况而定
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

对测试图像进行预处理操作

#读取输入图像，预处理
image = cv2.imread(args["image"])#读取测试图片
cv_show('image',image)#显示一下测试图像
image = resize(image, width=300)#重新resize一下图像大小
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)#因为传入的测试图像是彩色图，需要转换为灰度图
cv_show('gray',gray)#显示一下灰度图

将得到的灰度图图像通过礼帽操作，使得数字特征信息更加明显

#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)#ksize=-1相当于用3*3的

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)

将数字部分进行融合到一块，分成四个大轮廓

#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)#因为实际效果并不好，没有完全融合到一块，故再来一个闭操作
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel) #再来一个闭操作
cv_show('thresh',thresh)

绘制测试图像中的轮廓信息

# 计算轮廓
thresh_, 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) #将处理之后的图像轮廓绘制到原始图像中去
cv_show('img',cur_img)
locs = []#因为对测试图像轮廓检测会得到很多个轮廓，其中只有数字部分轮廓是我们需要的，这里定义一个列表，用于存储我们需要的数字轮廓

四、开始将测试图像与模板图像数字轮廓依次进行比较

因为测试图像中的轮廓会有好多，我们只需要数字轮廓部分，故图像轮廓的宽高比进行筛选

# 遍历轮廓
for (i, c) in enumerate(cnts):# 计算矩形(x, y, w, h) = cv2.boundingRect(c)#绘制外接矩形ar = w / float(h)#算出宽高比比例，根据不同的比例筛选我们需要的数字轮廓# 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:#银行卡上一般都是四个字为一组为一个轮廓，这个轮廓的宽高比是有个取值范围的，通过这个范围进行筛选我们需要的数字轮廓if (w > 40 and w < 55) and (h > 10 and h < 20):#符合的留下来locs.append((x, y, w, h))#将符合我们所设定的轮廓进行存储，这些都是四个数字为一组，一共有四组轮廓信息

将筛选之后得出的轮廓进行排序存放

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

遍历每个轮廓中的数字信息与模板中的数字信息比较评分

# 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 digitsgroupOutput = []# 根据坐标提取每一个组group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]#为了使得效果处理较好，将拿到的大轮廓数据往上往下往左往右都扩大点cv_show('group',group)#显示第i个大轮廓# 预处理group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]#对第i个大轮廓二值化，为了找大轮廓中的四个数字轮廓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)#对第i个大轮廓依次进行轮廓检测digitCnts = contours.sort_contours(digitCnts,method="left-to-right")[0]#对检测出来的小轮廓从左到右排序# 计算每一组中的每一个数值for c in digitCnts:#每个大轮廓都有四个数字，对每一个大轮廓中的每一个小数字分别进行计算，此时c有4个值，因为测试图像中有每个大轮廓有四个数字# 找到当前数值的轮廓，resize成合适的的大小(x, y, w, h) = cv2.boundingRect(c)#对大轮廓找取外接轮廓roi = group[y:y + h, x:x + w]#找到每个数字的轮廓信息roi = cv2.resize(roi, (57, 88))#这个resize的参数要与上列的模板设定的大小一致，到时候需要做模板匹配大小应该一致cv_show('roi',roi)#依次展示第i个大轮廓中的四个数字# 计算匹配得分scores = []#得到数字轮廓信息，要对模板进行比较，存储得分信息# 在模板中计算每一个得分for (digit, digitROI) in digits.items():#将这个数字模板依次与标准模板中的十个数进行匹配# 模板匹配result = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)(_, score, _, _) = cv2.minMaxLoc(result)scores.append(score)#依次将得分信息存入# 得到最合适的数字groupOutput.append(str(np.argmax(scores)))#选出得分最高的那个数即可# 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)#得到第c组大轮廓的四个数

五、输出展示

# 打印结果
print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #: {}".format("".join(output)))
cv2.imshow("Image", image)
cv2.waitKey(0)

六、Pycharm参数设定方法

找到Edit Configurations

--image images/credit_card_04.png --template ocr_a_reference.png
其中：images/credit_card_04.png为测试图片的位置、ocr_a_reference.png为银行卡数字模板图片的位置

七、项目完整代码

# 导入工具包
from imutils import contours
import numpy as np
import argparse
import cv2
#import myutils# 设置参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,help="path to input image")#指定输入图像
ap.add_argument("-t", "--template", required=True,help="path to template OCR-A image")#指定模板图像
args = vars(ap.parse_args())# 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()def sort_contours(cnts, method="left-to-right"):reverse = Falsei = 0if method == "right-to-left" or method == "bottom-to-top":reverse = Trueif method == "top-to-bottom" or method == "bottom-to-top":i = 1boundingBoxes = [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))#对模板上的轮廓进行排序，也就是将模板上的数字给贴个标签return cnts, boundingBoxes#返回轮廓以及轮廓信息一个列表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 imageif 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# 读取一个模板图像
img = cv2.imread(args["template"])
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)# 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）,cv2.RETR_EXTERNAL只检测外轮廓，cv2.CHAIN_APPROX_SIMPLE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
ref_, refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)cv2.drawContours(img,refCnts,-1,(0,0,255),3) #用红色线画轮廓
cv_show('img',img)
print (np.array(refCnts).shape)#出现十个轮廓
refCnts = sort_contours(refCnts, method="left-to-right")[0] #排序，从左到右，从上到下  得到模板排序完之后的轮廓
digits = {}#指定一个空字典# 遍历每一个轮廓
for (i, c) in enumerate(refCnts):#在模板轮廓中不断的去遍历，i为轮廓的索引，c为轮廓# 计算外接矩形并且resize成合适大小(x, y, w, h) = cv2.boundingRect(c)#得到第i个轮廓的外接矩形信息roi = ref[y:y + h, x:x + w]#用外接矩形对模板图像相同位置抠出来roi = cv2.resize(roi, (57, 88))#抠出来的模板图像的大小可能会较小，把图像给resize成一个差不多大小的图像# 每一个数字对应每一个模板digits[i] = roi#把从模板中抠出来的数字存入到字典中，模板为value，索引为key
#循环结束之后，digits字典中就存放有了0-9数字的模板图像信息# 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"])#读取测试图片
cv_show('image',image)#显示一下测试图像
image = resize(image, width=300)#重新resize一下图像大小
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)#因为传入的测试图像是彩色图，需要转换为灰度图
cv_show('gray',gray)#显示一下灰度图#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)#ksize=-1相当于用3*3的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)# 计算轮廓
thresh_, 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) #将处理之后的图像轮廓绘制到原始图像中去
cv_show('img',cur_img)
locs = []#因为对测试图像轮廓检测会得到很多个轮廓，其中只有数字部分轮廓是我们需要的，这里定义一个列表，用于存储我们需要的数字轮廓# 遍历轮廓
for (i, c) in enumerate(cnts):# 计算矩形(x, y, w, h) = cv2.boundingRect(c)#绘制外接矩形ar = w / float(h)#算出宽高比比例，根据不同的比例筛选我们需要的数字轮廓# 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:#银行卡上一般都是四个字为一组为一个轮廓，这个轮廓的宽高比是有个取值范围的，通过这个范围进行筛选我们需要的数字轮廓if (w > 40 and w < 55) and (h > 10 and h < 20):#符合的留下来locs.append((x, y, w, h))#将符合我们所设定的轮廓进行存储，这些都是四个数字为一组，一共有四组轮廓信息# 将符合的轮廓从左到右排序
locs = sorted(locs, key=lambda x:x[0])#对获取的大轮廓从左到右排序
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 digitsgroupOutput = []# 根据坐标提取每一个组group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]#为了使得效果处理较好，将拿到的大轮廓数据往上往下往左往右都扩大点cv_show('group',group)#显示第i个大轮廓# 预处理group = cv2.threshold(group, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]#对第i个大轮廓二值化，为了找大轮廓中的四个数字轮廓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)#对第i个大轮廓依次进行轮廓检测digitCnts = contours.sort_contours(digitCnts,method="left-to-right")[0]#对检测出来的小轮廓从左到右排序# 计算每一组中的每一个数值for c in digitCnts:#每个大轮廓都有四个数字，对每一个大轮廓中的每一个小数字分别进行计算，此时c有4个值，因为测试图像中有每个大轮廓有四个数字# 找到当前数值的轮廓，resize成合适的的大小(x, y, w, h) = cv2.boundingRect(c)#对大轮廓找取外接轮廓roi = group[y:y + h, x:x + w]#找到每个数字的轮廓信息roi = cv2.resize(roi, (57, 88))#这个resize的参数要与上列的模板设定的大小一致，到时候需要做模板匹配大小应该一致cv_show('roi',roi)#依次展示第i个大轮廓中的四个数字# 计算匹配得分scores = []#得到数字轮廓信息，要对模板进行比较，存储得分信息# 在模板中计算每一个得分for (digit, digitROI) in digits.items():#将这个数字模板依次与标准模板中的十个数进行匹配# 模板匹配result = cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF)(_, score, _, _) = cv2.minMaxLoc(result)scores.append(score)#依次将得分信息存入# 得到最合适的数字groupOutput.append(str(np.argmax(scores)))#选出得分最高的那个数即可# 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)#得到第c组大轮廓的四个数# 打印结果
print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #: {}".format("".join(output)))
cv2.imshow("Image", image)
cv2.waitKey(0)

八、测试图片和模板图片

模板图像：

测试图像：

九、运行效果展示