在学习人工智能的路上，自己接触到了很多比较有意思的小demo,感觉比较有意思的也就拿出来作为分享了，这里主要是应用open-cv的一些特性进行银行卡号的识别。
主要代码
# python ocr_template_match.py 执行脚本文件
from imutils import contours
import numpy as np
import imutils
import cv2
# 定义了一个字典 FIRST_NUMBER ，它将第一个数字映射到相应的信用卡类型。
FIRST_NUMBER = {
"3": "American Express",
"4": "Visa",
"5": "MasterCard",
"6": "Discover Card"
}
# 参考数字图像，用于匹配
# 灰度化及二值化
ref = cv2.imread("images/ocr_a_reference.png")
ref = cv2.cvtColor(ref, cv2.COLOR_BGR2GRAY)
ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)[1]
# 查找轮廓，从左往右排序
refCnts = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
refCnts = imutils.grab_contours(refCnts)
refCnts = contours.sort_contours(refCnts, method="left-to-right")[0]
digits = {}
# 对于其中每一个轮廓进行提循环，i为数字名称,c为轮廓，我们将每个数字0-9（字典键）与第30行的每个roi 图像（字典值）相关联 。
for (i, c) in enumerate(refCnts):
(x, y, w, h) = cv2.boundingRect(c)
roi = ref[y:y + h, x:x + w]
roi = cv2.resize(roi, (57, 88))
digits[i] = roi
# 初始化几个结构化内核，构造了两个这样的内核 - 一个矩形和一个正方形。我们将使用矩形的一个用于Top-hat形态运算符，将方形一个用于关闭操作。
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 加载信用卡图像
image = cv2.imread("images/credit_card_05.png")
image = imutils.resize(image, width=300)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 执行Top-hat形态操作，将结果存储为 tophat,Top-hat操作显示了深色背景下的亮区（即信用卡号）
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
# 计算沿x方向的渐变在计算gradX 数组中每个元素的绝对值之后 ，我们采取一些步骤将值缩放到范围[0-255]（因为图像当前是浮点数据类型）。要做到这一点，我们计算 MINVAL
# 和 MAXVAL 的 gradX （线72），然后由我们的缩放方程上显示 线73（即，最小/最大归一化）。最后一步是将gradX转换 为 uint8 ，其范围为[0-255]
gradx = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)
gradx = np.absolute(gradx)
(minval, maxval) = (np.min(gradx), np.max(gradx))
gradx = (255 * ((gradx - minval) / (maxval - minval)))
gradx = gradx.astype("uint8")
# 执行gradX 图像的Otsu和二进制阈值，然后是另一个关闭操作,对数字分段
gradx = cv2.morphologyEx(gradx, cv2.MORPH_CLOSE, rectKernel)
thresh = cv2.threshold(gradx, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)
# 找到轮廓并初始化数字分组位置列表
cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
locs = []
# 循环遍历轮廓，同时根据每个的宽高比进行过滤，允许我们从信用卡的其他不相关区域修剪数字组位置
for (i, c) in enumerate(cnts):
# 计算轮廓的边界框,然后使用边界框坐标导出长宽比
(x, y, w, h) = cv2.boundingRect(c)
ar = w / float(h)
# 因为信用卡使用4组固定大小的字体,我们可以修剪潜在轮廓基于纵横比
if ar > 2.5 and ar < 4.0:
# 轮廓线可以在最小/最大宽度上被进一步修剪和高度
if (w > 40 and w < 55) and (h > 10 and h < 20):
# 附加数字组的边界框区域到我们的位置列表
locs.append((x, y, w, h))
# 从左到右对分组进行排序，并初始化信用卡数字列表
locs = sorted(locs, key=lambda x: x[0])
output = []
# 遍历四个排序的分组并确定其中的数字,循环的第一个块中，我们在每一侧提取并填充组5个像素（第125行），应用阈值处理（第126和127行），并查找和排序轮廓（第129-135行）
for (i, (gX, gY, gW, gH)) in enumerate(locs):
# 初始化组数字列表
groupOutput = []
# 从灰度图像中提取4位的组感兴趣区域，然后应用阈值分割数字从信用卡背景
group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]
group = cv2.threshold(group, 0, 255,
cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
# 检测组中每一个数字的轮廓，然后排序数字轮廓从左到右
digitCnts = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
digitCnts = imutils.grab_contours(digitCnts)
digitCnts = contours.sort_contours(digitCnts,
method="left-to-right")[0]
# 循环数字轮廓
for c in digitCnts:
# 计算单个数字的边界框，提取该数字，并调整其大小，使其具有相同的固定大小参考cra图像
(x, y, w, h) = cv2.boundingRect(c)
roi = group[y:y + h, x:x + w]
roi = cv2.resize(roi, (57, 88))
# 初始化匹配分数的模板列表
scores = []
# 循环参考数字名称和数字ROI
for (digit, digitROI) in digits.items():
# 应用基于相关性的模板匹配，取score，并更新分数列表
result = cv2.matchTemplate(roi, digitROI,
cv2.TM_CCOEFF)
(_, score, _, _) = cv2.minMaxLoc(result)
scores.append(score)
# 对数字ROI的分类将作为参考模板匹配分数最大的数字名
groupOutput.append(str(np.argmax(scores)))
# 在组周围画出数字分类
cv2.rectangle(image, (gX - 5, gY - 5),
(gX + gW + 5, gY + gH + 5), (0, 0, 255), 2)
cv2.putText(image, "".join(groupOutput), (gX, gY - 15),
cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)
# 更新输出数字列表
output.extend(groupOutput)
# 在屏幕上显示输出的信用卡信息
print("Credit Card Type: {}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #: {}".format("".join(output)))
# 进行图片识别标注展示
cv2.imshow("Image", image)
cv2.waitKey(0)
参考数字图像：
ocr_a_reference.png
测试银行卡图片：
credit_card_05.png
测试识别结果
image.png
其实这个demo的识别率不高，主要还是在对数字识别的一些处理上存在一些差异。后续了解一些相关技术后，再来做一些优化。
网友评论