目錄

一、項目原理與核心技術

二、環境準備與工具包導入

1. 環境依賴

2. 工具包導入

三、自定義工具類 myutils.py 實現

四、主程序核心流程（銀行卡識別.py）

1. 命令行參數設置

2. 銀行卡類型映射

3. 輔助函數：圖像展示

五、步驟 1：模板圖像預處理與數字提取

1. 讀取模板并預處理

2. 檢測模板數字輪廓并排序

六、步驟 2：銀行卡圖像預處理與卡號識別

1. 讀取銀行卡圖像并預處理

2. 數字區域定位（閉運算 + 二值化 + 輪廓檢測）

3. 篩選有效數字區域

4. 模板匹配識別卡號

七、結果展示與輸出

1. 打印識別結果

2. 顯示最終結果圖

八、運行示例與效果驗證

1. 準備測試文件

2. 運行命令

3. 預期結果

九、常見問題與優化建議

1. 識別準確率低的原因與解決方法

2. 功能擴展建議

---

在金融場景中，自動識別銀行卡號能極大提升業務處理效率，避免人工錄入的誤差。本文將詳細介紹如何使用 Python+OpenCV 構建一套智能卡號識別系統，通過模板匹配的方式，從銀行卡圖片中精準提取卡號并判斷卡類型，適合 OpenCV 初學者和計算機視覺入門學習者參考。

---

一、項目原理與核心技術

本系統核心采用模板匹配思想，通過預先制作的數字模板（OCR-A 字體，銀行卡常用字體），與待識別銀行卡圖片中的數字區域進行匹配，計算相似度后確定對應數字。整體流程分為兩大模塊：模板圖像預處理與數字提取、銀行卡圖像預處理與卡號識別。

涉及的關鍵技術如下：

• 圖像預處理：灰度化、二值化、形態學操作（頂帽、閉運算），用于突出數字區域、抑制背景干擾。
• 輪廓檢測與排序：通過cv2.findContours檢測數字輪廓，并按 “從左到右” 順序排序，確保數字識別順序正確。
• 模板匹配：使用cv2.matchTemplate計算待識別數字與模板的相似度，選擇得分最高的模板作為識別結果。

---

二、環境準備與工具包導入

1. 環境依賴

• Python 3.6+
• OpenCV-Python（pip install opencv-python）
• NumPy（pip install numpy）

2. 工具包導入

代碼中需導入 OpenCV（核心圖像處理）、NumPy（數值計算）、argparse（命令行參數解析），以及自定義工具類myutils（封裝輪廓排序和圖像縮放功能）。

import numpy as np
import argparse
import cv2
import myutils  # 自定義工具類，下文會提供完整代碼

---

三、自定義工具類 myutils.py 實現

myutils.py封裝了兩個核心函數：輪廓排序和圖像縮放，是整個系統的基礎工具，代碼如下：

import cv2def sort_contours(cnts, method='left-to-right'):"""對輪廓進行排序（支持4種排序方式）:param cnts: 輸入的輪廓列表:param method: 排序方式，默認左到右（left-to-right），可選：right-to-left、top-to-bottom、bottom-to-top:return: 排序后的輪廓列表、對應的邊界框列表"""reverse = False  # 是否逆序，默認正序i = 0  # 排序依據：0=x坐標（左右排序），1=y坐標（上下排序）# 若為右到左或下到上，設置逆序if method in ['right-to-left', 'bottom-to-top']:reverse = True# 若為上下排序，按y坐標排序if method in ['top-to-bottom', 'bottom-to-top']:i = 1# 計算每個輪廓的外接矩形，按指定維度排序bounding_boxes = [cv2.boundingRect(c) for c in cnts]# 同時對輪廓和邊界框排序（確保一一對應）cnts, bounding_boxes = zip(*sorted(zip(cnts, bounding_boxes),key=lambda item: item[1][i], reverse=reverse))return list(cnts), list(bounding_boxes)  # 返回列表格式，兼容后續操作def resize(image, width=None, height=None, inter=cv2.INTER_AREA):"""圖像縮放（保持寬高比，避免拉伸變形）:param image: 輸入圖像:param width: 目標寬度（若為None，按高度縮放）:param height: 目標高度（若為None，按寬度縮放）:param inter: 插值方式，默認INTER_AREA（適合縮小圖像，畫質更清晰）:return: 縮放后的圖像"""dim = None  # 目標尺寸（寬，高）h, w = image.shape[:2]  # 獲取原始圖像高度和寬度# 若寬高均為None，返回原始圖像if width is None and height is None:return image# 按高度縮放（寬度為None時）if width is None:r = height / float(h)  # 縮放比例dim = (int(w * r), height)  # 計算目標尺寸# 按寬度縮放（默認邏輯）else:r = width / float(w)dim = (width, int(h * r))# 執行縮放resized = cv2.resize(image, dim, interpolation=inter)return resized

---

四、主程序核心流程（銀行卡識別.py）

主程序分為模板處理和銀行卡處理兩大步驟，下面逐模塊詳細講解。

1. 命令行參數設置

通過argparse設置兩個必填參數：待識別銀行卡圖片路徑（-i/--image）和數字模板圖片路徑（-t/--template），方便運行時靈活指定輸入文件。

# 創建參數解析器
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True, help="path to input image（銀行卡圖片路徑）")
ap.add_argument("-t", "--template", required=True, help="path to template OCR-A image（數字模板路徑）")
args = vars(ap.parse_args())  # 解析參數，轉為字典格式

2. 銀行卡類型映射

根據銀行卡號第一位數字，映射對應的卡類型（符合國際標準）：

FIRST_NUMBER = {"3": "American Express（美國運通卡）","4": "Visa（維薩卡）","5": "MasterCard（萬事達卡）","6": "Discover Card（發現卡）"
}

3. 輔助函數：圖像展示

封裝cv_show函數，方便在處理過程中查看每一步的圖像結果：

def cv_show(name, img):"""顯示圖像（按任意鍵關閉窗口）:param name: 窗口名稱:param img: 待顯示圖像"""cv2.imshow(name, img)cv2.waitKey(0)  # 等待按鍵（0表示無限等待）cv2.destroyWindow(name)  # 關閉窗口

---

五、步驟 1：模板圖像預處理與數字提取

模板圖片（如kahao.png）包含 0-9 的 OCR-A 字體數字，需先提取每個數字的輪廓，作為后續匹配的 “模板庫”。

1. 讀取模板并預處理

• 讀取模板圖像 → 轉為灰度圖 → 二值化（THRESH_BINARY_INV：黑底白字，突出數字）。

# 讀取模板圖像
template_img = cv2.imread(args["template"])
cv_show("模板原始圖", template_img)# 1. 轉為灰度圖
template_gray = cv2.cvtColor(template_img, cv2.COLOR_BGR2GRAY)
cv_show("模板灰度圖", template_gray)# 2. 二值化（黑底白字，便于輪廓檢測）
# THRESH_BINARY_INV：反轉二值化（原白色區域變黑色，原黑色變白色）
template_binary = cv2.threshold(template_gray, 10, 255, cv2.THRESH_BINARY_INV)[1]
cv_show("模板二值化圖", template_binary)

2. 檢測模板數字輪廓并排序

• 用cv2.findContours檢測數字外輪廓 → 按 “從左到右” 排序（確保數字順序為 0-9）→ 提取每個數字的 ROI（感興趣區域）并縮放為統一尺寸（57×88），存入digits字典（鍵：0-9，值：對應數字的 ROI 模板）。

# 檢測模板中的輪廓（只檢測外輪廓，簡化輪廓坐標）
_, template_cnts, _ = cv2.findContours(template_binary.copy(), cv2.RETR_EXTERNAL,  # 只檢測外輪廓cv2.CHAIN_APPROX_SIMPLE  # 簡化輪廓（只保留頂點）
)# 在模板圖上繪制輪廓（紅色，線寬3），驗證輪廓檢測結果
cv2.drawContours(template_img, template_cnts, -1, (0, 0, 255), 3)
cv_show("模板輪廓圖", template_img)# 按“從左到右”排序輪廓（確保數字順序為0-9）
sorted_cnts, _ = myutils.sort_contours(template_cnts, method="left-to-right")# 提取每個數字的ROI，構建模板庫
digits = {}
for i, cnt in enumerate(sorted_cnts):# 計算輪廓的外接矩形（x：左上角x坐標，y：左上角y坐標，w：寬度，h：高度）x, y, w, h = cv2.boundingRect(cnt)# 提取ROI（數字區域）digit_roi = template_binary[y:y+h, x:x+w]# 縮放ROI為統一尺寸（57×88），便于后續匹配digit_roi = cv2.resize(digit_roi, (57, 88))cv_show(f"數字{i}模板", digit_roi)# 存入字典（鍵：數字0-9，值：對應ROI模板）digits[i] = digit_roiprint("模板庫構建完成，包含數字0-9的ROI模板")

---

六、步驟 2：銀行卡圖像預處理與卡號識別

銀行卡圖片（如card1.png、card2.png）需經過多步預處理，突出數字區域，再通過模板匹配識別卡號。

1. 讀取銀行卡圖像并預處理

• 讀取圖像 → 縮放（統一寬度為 300，避免尺寸差異影響后續處理）→ 轉為灰度圖 → 頂帽操作（突出亮細節，抑制暗背景，增強數字與背景的對比度）。

# 讀取銀行卡圖像
card_img = cv2.imread(args["image"])
cv_show("銀行卡原始圖", card_img)# 縮放圖像（寬度300，保持寬高比）
card_img_resized = myutils.resize(card_img, width=300)
cv_show("銀行卡縮放圖", card_img_resized)# 轉為灰度圖
card_gray = cv2.cvtColor(card_img_resized, cv2.COLOR_BGR2GRAY)
cv_show("銀行卡灰度圖", card_gray)# 頂帽操作（突出亮細節，消除亮背景干擾）
# 定義矩形卷積核（9×3，適合橫向數字區域）
rect_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
# 頂帽 = 原始圖像 - 開運算結果（開運算：先腐蝕后膨脹，用于去除小亮點）
card_tophat = cv2.morphologyEx(card_gray, cv2.MORPH_TOPHAT, rect_kernel)
cv_show("銀行卡頂帽圖（突出數字）", card_tophat)

2. 數字區域定位（閉運算 + 二值化 + 輪廓檢測）

• 閉運算（先膨脹后腐蝕）：將數字區域連接成一個整體，便于定位 → 二值化（THRESH_OTSU自動找閾值，適合雙峰圖像）→ 再次閉運算（填補數字內部的小空隙）→ 輪廓檢測（找到所有可能的數字區域）。

# 1. 第一次閉運算：連接數字區域（橫向）
card_close1 = cv2.morphologyEx(card_tophat, cv2.MORPH_CLOSE, rect_kernel)
cv_show("第一次閉運算（連接數字）", card_close1)# 2. 二值化（OTSU自動閾值，適合數字與背景對比明顯的圖像）
_, card_thresh = cv2.threshold(card_close1, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU  # 二值化+自動閾值
)
cv_show("銀行卡二值化圖", card_thresh)# 3. 第二次閉運算：填補數字內部小空隙（使用5×5正方形核）
sq_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
card_close2 = cv2.morphologyEx(card_thresh, cv2.MORPH_CLOSE, sq_kernel)
cv_show("第二次閉運算（填補空隙）", card_close2)# 4. 檢測數字區域輪廓
_, card_cnts, _ = cv2.findContours(card_close2.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE
)# 在銀行卡圖上繪制所有輪廓（紅色，線寬3），驗證輪廓檢測結果
card_cnts_img = card_img_resized.copy()
cv2.drawContours(card_cnts_img, card_cnts, -1, (0, 0, 255), 3)
cv_show("銀行卡輪廓檢測圖", card_cnts_img)

3. 篩選有效數字區域

通過寬高比（AR）?和尺寸范圍篩選出真正的數字區域（排除無關輪廓，如卡面 logo、文字等）：

# 存儲有效數字區域的坐標（x, y, w, h）
valid_locs = []for cnt in card_cnts:x, y, w, h = cv2.boundingRect(cnt)ar = w / float(h)  # 寬高比（數字區域通常為橫向，AR>2.5）# 篩選條件：寬高比2.5~4.0，寬度40~55，高度10~20（需根據實際圖片調整）if 2.5 < ar < 4.0 and 40 < w < 55 and 10 < h < 20:valid_locs.append((x, y, w, h))# 按“從左到右”排序有效區域（確保卡號順序正確）
valid_locs = sorted(valid_locs, key=lambda x: x[0])
print(f"找到{len(valid_locs)}個數字區域")

4. 模板匹配識別卡號

遍歷每個有效數字區域，提取 ROI → 預處理（二值化）→ 檢測單個數字輪廓 → 模板匹配（計算與每個模板的相似度）→ 選擇得分最高的模板作為識別結果，最終拼接成完整卡號。

# 存儲最終識別結果
card_number = []# 遍歷每個有效數字區域
for i, (gx, gy, gw, gh) in enumerate(valid_locs):# 提取數字區域ROI（適當擴大邊界5個像素，避免裁剪到數字）group_roi = card_gray[gy-5:gy+gh+5, gx-5:gx+gw+5]cv_show(f"數字區域{i}", group_roi)# 預處理：二值化（突出單個數字）_, group_binary = cv2.threshold(group_roi, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)cv_show(f"數字區域{i}二值化", group_binary)# 檢測單個數字輪廓（每個數字區域包含4個數字，如“4000”）_, digit_cnts, _ = cv2.findContours(group_binary.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 按“從左到右”排序單個數字輪廓sorted_digit_cnts, _ = myutils.sort_contours(digit_cnts, method="left-to-right")# 識別當前區域的4個數字group_result = []for cnt in sorted_digit_cnts:# 提取單個數字的ROI并縮放為模板尺寸（57×88）x, y, w, h = cv2.boundingRect(cnt)digit_roi = group_binary[y:y+h, x:x+w]digit_roi = cv2.resize(digit_roi, (57, 88))cv_show("單個數字ROI", digit_roi)# 模板匹配：計算與每個模板的相似度（使用TM_CCOEFF方法，值越大相似度越高）match_scores = []for digit, digit_template in digits.items():# 模板匹配result = cv2.matchTemplate(digit_roi, digit_template, cv2.TM_CCOEFF)_, score, _, _ = cv2.minMaxLoc(result)  # 獲取最大相似度得分match_scores.append(score)# 選擇得分最高的模板對應的數字（np.argmax返回最大得分的索引，即數字0-9）best_digit = str(np.argmax(match_scores))group_result.append(best_digit)# 在銀行卡圖上繪制矩形框和識別結果（紅色框，紅色文字）cv2.rectangle(card_img_resized, (gx-5, gy-5),  # 左上角坐標(gx+gw+5, gy+gh+5),  # 右下角坐標(0, 0, 255), 1  # 紅色，線寬1)# 繪制文字（位置在矩形框上方，字體大小0.65，紅色，線寬2）cv2.putText(card_img_resized, "".join(group_result),  # 識別的數字（如“4000”）(gx, gy-15),  # 文字左上角坐標cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)# 將當前區域的識別結果添加到總卡號中card_number.extend(group_result)

---

七、結果展示與輸出

1. 打印識別結果

輸出銀行卡類型（通過卡號第一位數字映射）和完整卡號：

# 打印銀行卡類型和卡號
card_type = FIRST_NUMBER.get(card_number[0], "Unknown Card Type（未知卡類型）")
print(f"\n銀行卡類型：{card_type}")
print(f"銀行卡號：{' '.join(card_number[i:i+4] for i in range(0, len(card_number), 4))}")

2. 顯示最終結果圖

cv_show("銀行卡號識別結果", card_img_resized)
cv2.destroyAllWindows()  # 關閉所有窗口

---

八、運行示例與效果驗證

1. 準備測試文件

• 模板圖片：kahao.png（包含 0-9 的 OCR-A 字體數字）。

• 銀行卡圖片：card1.png（卡號 4000 1234 5678 9010，）、card2.png（萬事達卡，卡號 5412 7512 3456 7890）等。

2. 運行命令

在終端中執行以下命令（需替換為實際文件路徑）：

python 銀行卡識別.py -i card1.png -t kahao.png

3. 預期結果

• 依次彈出每一步的圖像處理窗口（模板輪廓、銀行卡頂帽圖、數字區域 ROI 等）。
• 最終輸出：

  銀行卡類型：Visa（維薩卡）
  銀行卡號：4000 1234 5678 9010
  

• 顯示標注了卡號的銀行卡圖片，紅色矩形框包圍數字區域，上方顯示識別的數字。

---

九、常見問題與優化建議

1. 識別準確率低的原因與解決方法

• 問題 1：數字區域未被正確檢測（輪廓篩選條件不合適）。
  解決：調整valid_locs篩選時的寬高比（AR）和尺寸范圍（如寬度 40~60，高度 8~22），根據實際銀行卡圖片尺寸優化。
• 問題 2：模板匹配得分低（數字 ROI 與模板尺寸不匹配）。
  解決：確保數字 ROI 縮放后的尺寸與模板尺寸一致（本文為 57×88），若模板字體不同，需重新制作 OCR-A 字體模板。
• 問題 3：圖像噪聲干擾（如卡面反光、污漬）。
  解決：增加高斯模糊（cv2.GaussianBlur）預處理步驟，減少噪聲影響，例如：

  card_gray = cv2.GaussianBlur(card_gray, (3, 3), 0)  # 在灰度圖后添加高斯模糊
  

2. 功能擴展建議

• 支持更多卡類型：在FIRST_NUMBER字典中添加更多卡類型映射（如 “2” 對應 MasterCard Maestro）。
• 批量識別：修改代碼支持批量讀取文件夾中的銀行卡圖片，自動輸出所有識別結果到文檔（如 Excel、TXT）。
• 實時識別：結合攝像頭（cv2.VideoCapture），實現實時拍攝銀行卡并識別卡號。