前言
在日常的开发中，我们有时会遇到添加银行卡的需求，这时候，产品可能会让你仿一下支付宝之类的相机扫描识别银行卡号。很多时候，做这样的需求会去找找稳定的第三方，本文通过 OpenCV 结合识别的需求带你分析如何实现银行卡号的识别。由于作者技术有限，本文仅从如何做到识别的思路上介绍，文中例子不适用于实际开发，也不是所有银行卡都能识别，但希望读者可以在实现的思路上给予一些启发，以及更深入熟悉 OpenCV 的组合使用。
1. 银行卡识别思路分析
1.1 银行卡一般具有的特征
银行卡一般会有 银行、卡号、银联标识等等，主要的是卡号区域，大多数银行卡卡号都是在下方显示的。那么，在检索一张图片的时候，要首先找到卡在哪里，卡一般是长方形，所以我们在背景色不非常接近下可以找到银行卡的轮廓。
1.2 总体实现思路和步骤
在图片中找到银行卡区域 --> 在银行卡区域找到卡号区域 --> 在卡号区域中找到卡号每个数字的集合 --> 识别数字
2. 在图片中找到银行卡区域
2.1 实现思路和步骤
高斯模糊降噪处理
边缘梯度增强
取增强绝对值
合并 Mat
转灰度
二值化
从二值图像中检索轮廓
从集合中找合适的轮廓
2.2 具体实现
/**
* 在图片中找到银行卡区域
* @param mat 图片
* @param rect 银行卡区域
* @return 是否成功
*/
int ocr::find_card_area(const Mat &mat, Rect &card_area) {
// 1. 高斯模糊降噪处理
Mat blurMat;
GaussianBlur(mat, blurMat, Size(5, 5), BORDER_DEFAULT, BORDER_DEFAULT);
// 2. 边缘梯度增强
// Scharr( InputArray src, OutputArray dst, int ddepth, int dx, int dy, double scale = 1, double delta = 0, int borderType = BORDER_DEFAULT )
// ddepth：输出图像的深度
// dx：x方向上的差分阶数
// dy：y方向上的差分阶数
// 对 x 增强
Mat grade_x;
Scharr(blurMat, grade_x, CV_32F, 1, 0);
// 对 y 增强
Mat grade_y;
Scharr(blurMat, grade_y, CV_32F, 0, 1);
// 3. 取增强绝对值
Mat abs_grade_x;
convertScaleAbs(grade_x, abs_grade_x);
Mat abs_grade_y;
convertScaleAbs(grade_y, abs_grade_y);
// 4. 合并 Mat
Mat gradeMat;
addWeighted(abs_grade_x, 0.5, abs_grade_y, 0.5, 0, gradeMat);
//imwrite("/storage/emulated/0/ocr/find_card_area_gradeMat.jpg", gradeMat);
// 5. 转灰度
Mat grayMat;
cvtColor(gradeMat, grayMat, COLOR_BGRA2GRAY);
//imwrite("/storage/emulated/0/ocr/find_card_area_grayMat.jpg", grayMat);
// 6. 二值化
// threshold( InputArray src, OutputArray dst, double thresh, double maxval, int type )
// thresh：设定的阈值
// maxval；当灰度值大于(或小于)阈值时将该灰度值赋成的值
// type：当前二值化的方式 THRESH_BINARY 大于阈值的部分被置为255，小于部分被置为0
// 此处其实是将 白变成黑，黑变成白
Mat binaryMat;
threshold(grayMat, binaryMat, 40, 255, THRESH_BINARY);
//imwrite("/storage/emulated/0/ocr/find_card_area_binaryMat.jpg", binaryMat);
// 7. 从二值图像中检索轮廓
// findContours( InputOutputArray image, OutputArrayOfArrays contours, int mode, int method, Point offset = Point())
// contours：双重向量，向量内每个元素保存了一组由连续的 Point 点构成的点的集合的向量，每一组Point点集就是一个轮廓
// mode：定义轮廓的检索模式，其中 RETR_EXTERNAL 表示只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略
// method：定义轮廓的近似方法，其中 CHAIN_APPROX_SIMPLE 表示 仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours 向量内，拐点与拐点之间直线段上的信息点不予保留
vector > contours;
findContours(binaryMat, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
LOGE("find_card_area contours.size():%d", contours.size());
// 8. 从集合中找合适的轮廓
for (int i = 0; i < contours.size(); i++) {
// boundingRect 函数计算并返回指定点集或非零像素的灰度图像
Rect rect = boundingRect(contours[i]);
//LOGE("从集合中找合适的轮廓 i=%d rect.width=%d mat.cols=%d", i, rect.width, mat.cols);
if (rect.width > mat.cols / 2 /*&& rect.width != mat.cols*/ && rect.height > mat.rows / 2) {
// 银行卡区域的宽高必须大于图片的一半
LOGE("find_card_area 哈哈哈，找到啦");
card_area = rect;
break;
}
}
//LOGE("card_area h:%d", card_area.height);
// 9. 释放资源
blurMat.release();
grade_x.release();
grade_y.release();
abs_grade_x.release();
abs_grade_y.release();
gradeMat.release();
binaryMat.release();
// 没有找到合适的轮廓 返回失败错误码
if (card_area.empty()) {
LOGE("find_card_area 啊啊啊，找不到");
return -1;
}
return 0;
}
复制代码
3. 在银行卡区域找到卡号区域
3.1 实现思路和步骤
此处仅做一个粗略的位置计算，实际开发时，一般和相机搭配扫描一个框的内容，也可以按框的比例来计算。
此方法有些银行卡会有误差，有误差时，实际开发应该有输入框给用户手动补充识别失败的数字。
卡号区域 起点 (x, y) = (银行卡区域宽度的 1/12, 银行卡区域高度的 1/2)
卡号区域的宽高 width = 银行卡区域宽度的 5/6, height = 银行卡区域高度的 1/4
3.2 具体实现
/**
* 在银行卡区域找到卡号区域
* @param mat 图片
* @param card_area 存放卡号区域
* @return 是否成功
*/
int ocr::find_card_number_area(const Mat &mat, Rect &card_area) {
// 此处仅做一个粗略的位置计算，实际开发时，一般和相机搭配扫描一个框的内容，也可以按框的比例来计算。
// 此方法有些银行卡会有误差，有误差时，实际开发应该有输入框给用户手动补充识别失败的数字。
// 卡号区域 起点 (x, y) = (银行卡区域宽度的 1/12, 银行卡区域高度的 1/2)
// 卡号区域的宽高 width = 银行卡区域宽度的 5/6, height = 银行卡区域高度的 1/4
card_area.x = mat.cols / 12;
card_area.y = mat.rows / 2;
card_area.width = mat.cols * 5 / 6;
card_area.height = mat.rows / 4;
return 0;
}
复制代码
4. 在卡号区域中找到卡号每个数字的集合
4.1 实现思路和步骤
转灰度图
二值化
降噪过滤
取反 黑变白，白变黑
从二值图像中检索轮廓，黑色的背景，白色的数字，可以检测出噪点
将高度小于我们设定的最小值的轮廓区域过滤掉
过滤掉再合起来再取反恢复
过滤后再次检索轮廓
将轮廓提取成矩形轮廓集合
对矩形轮廓集合进行排序
裁剪出单个数字，保存数字
4.2 具体实现
/**
* 在卡号区域中找到卡号每个数字的集合
* @param mat 图片
* @param numbers 存放卡号每个数字的集合
* @return 是否成功
*/
int ocr::find_card_numbers(const Mat &mat, vector &numbers) {
// 1. 转灰度图
Mat grayMat;
cvtColor(mat, grayMat, COLOR_BGRA2GRAY);
// 2. 二值化
Mat binaryMat;
// THRESH_BINARY 大于阈值的部分被置为255，小于部分被置为 0
threshold(grayMat, binaryMat, 39, 255, THRESH_BINARY);
// 3. 降噪过滤
Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));
// 形态学操作
// morphologyEx( InputArray src, OutputArray dst, int op, InputArray kernel,
// Point anchor = Point(-1,-1), int iterations = 1,
// int borderType = BORDER_CONSTANT,
// const Scalar& borderValue = morphologyDefaultBorderValue() );
// op：操作的类型 MORPH_CLOSE 表示闭操作，先膨胀后腐蚀
// kernel：用于膨胀操作的结构元素 如果取值为 Mat, 那么默认使用一个 3 x 3 的方形结构元素，可以使用 getStructuringElement() 来创建结构元素
// anchor：参考点，其默认值为(-1,-1)说明位于kernel的中心位置
// borderType：边缘类型
// borderValue：边缘值
morphologyEx(binaryMat, binaryMat, MORPH_CLOSE, kernel);
// 4. 取反 黑变白，白变黑
Mat binaryNotMat = binaryMat.clone();
bitwise_not(binaryNotMat, binaryNotMat);
// 5. 从二值图像中检索轮廓，黑色的背景，白色的数字，可以检测出噪点
vector > contours;
findContours(binaryNotMat, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
LOGE("find_card_numbers 1 contours.size():%d", contours.size());
// 6. 将高度小于我们设定的最小值的轮廓区域过滤掉
int mat_area = mat.rows * mat.cols;
int min_h = mat.rows / 4;
for (int i = 0; i < contours.size(); i++) {
// 所有轮廓进行检测过滤
Rect rect = boundingRect(contours[i]);
// 面积太小的噪点过滤掉
int area = rect.width * rect.height;
if (area < mat_area / 200) {
// 小面积轮廓填充为 白色背景
drawContours(binaryMat, contours, i, Scalar(255), -1);
} else if (rect.height < min_h) {
// 小面积轮廓填充为 白色背景
drawContours(binaryMat, contours, i, Scalar(255), -1);
}
}
// 7. 过滤掉再合起来再取反恢复
binaryMat.copyTo(binaryNotMat);
bitwise_not(binaryNotMat, binaryNotMat);
// 8. 过滤后再次检索轮廓
contours.clear();
findContours(binaryNotMat, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
// 9. 将轮廓提取成矩形轮廓集合，找到最小宽度轮廓
Rect rects[contours.size()];
// 白色的图片，单颜色
Mat contoursMat(binaryMat.size(), CV_8UC1, Scalar(255));
// min_w 存放最小宽度轮廓
int min_w = mat.cols;
for (int i = 0; i < contours.size(); i++) {
rects[i] = boundingRect(contours[i]);
drawContours(contoursMat, contours, i, Scalar(0), 1);
min_w = min(rects[i].width, min_w);
}
// 10. 对矩形轮廓集合进行排序
// 冒泡排序
LOGE("contours.size()=%d", contours.size());
if (contours.size() <= 0) return -1;
for (int i = 0; i < contours.size() - 1; ++i) {
for (int j = 0; j < contours.size() - i - 1; ++j) {
if (rects[j].x > rects[j + 1].x) {
swap(rects[j], rects[j + 1]);
}
}
}
// 11. 裁剪出单个数字，保存数字
numbers.clear();
for (int i = 0; i < contours.size(); i++) {
// >= 最小宽度的两倍，是粘连的数字
if (rects[i].width >= min_h * 2) {
// 处理粘连字符
Mat mat(contoursMat, rects[i]);
int cols_pos = find_split_number(mat);
// 左右两个数字都存进去
Rect rect_left(0, 0, cols_pos - 1, mat.rows);
numbers.push_back(Mat(mat, rect_left));
Rect rect_right(cols_pos, 0, mat.cols, mat.rows);
numbers.push_back(Mat(mat, rect_right));
} else {
Mat number(contoursMat, rects[i]);
numbers.push_back(number);
// 保存数字图片
LOGE("保存数字图片:%d", i);
char name[50];
sprintf(name, "/storage/emulated/0/CardOCR/number_%d.jpg", i);
imwrite(name, number);
}
}
LOGE("numbers.size:%d", numbers.size());
// 释放资源
grayMat.release();
binaryMat.release();
kernel.release();
binaryNotMat.release();
contoursMat.release();
return 0;
}
复制代码
4.3 字符串进行粘连处理
/**
* 字符串进行粘连处理
* @param mat
* @return 粘连的那一列
*/
int ocr::find_split_number(const Mat &mat) {
// 对中心位置的左右 1/4 扫描，记录最少的黑色像素点的这一列的位置，就当做字符串的粘连位置
int mx = mat.cols / 2;
int height = mat.rows;
// 围绕中心左右扫描 1/4
int start_x = mx - mx / 2;
int end_x = mx + mx / 2;
// 字符的粘连位置
int cols_pos = mx;
// 获取像素子
int c = 0;
// 最小的像素值
int min_h_p = mat.rows;
for (int col = start_x; col < end_x; ++col) {
int total = 0;
for (int row = 0; row < height; ++row) {
c = mat.at(row, col)[0];// 单通道
if (c == 0) {
total++;
}
}
if (total < min_h_p) {
min_h_p = total;
cols_pos = col;
}
}
return cols_pos;
}
复制代码
5. 原图和识别效果
原图(图片来源网络，侵删)
识别效果
后话
由于时间等原因，还需对识别出来的单个数字进行样本对比，识别出最相似的数字。作者也没有足够的样本，所以此步骤留到后续完善，但本文的初衷是为了分析识别思路和如何使用 OpenCV 进行实现，因此，读者也可结合我的基础上进行完善，本文完整的源码地址是: github.com/Vegen/BankC… ,欢迎 star 和 交流。
