WordPress无法删除插件,搜索引擎优化专员,电商网站开发人员配置,wordpress配置微信支付前言在日常的开发中#xff0c;我们有时会遇到添加银行卡的需求#xff0c;这时候#xff0c;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#xff0c;做这样的需求会去找找稳定的第三方#xff0c;本文通过 OpenCV 结合识别的需求带你分析如何实现银…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// dxx方向上的差分阶数// dyy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 MatMat 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 1/43.2 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 1/4card_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 0threshold(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 1/4int 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。
