基于OpenCV的銀行卡號(hào)識(shí)別系統(tǒng)

文/劉振飛

近年來，中國(guó)的互聯(lián)網(wǎng)金融發(fā)展迅速，網(wǎng)上資金交易逐漸成為日常生活中的主流消費(fèi)方式。在進(jìn)行在線基金業(yè)務(wù)時(shí)，通常涉及銀行卡的運(yùn)作。在實(shí)際測(cè)試中，手動(dòng)輸入的19 位銀行卡號(hào)碼很慢且容易出錯(cuò)，導(dǎo)致涉及銀行卡綁定的各種產(chǎn)品的用戶體驗(yàn)不佳。因此，銀行卡號(hào)識(shí)別系統(tǒng)的開發(fā)也將為人們帶來極大的便利。

1 銀行卡號(hào)定位

1.1 圖像灰度化和歸一化

由于彩色圖像在處理中需要大的空間并且增加了計(jì)算量，因此在對(duì)圖像執(zhí)行各種處理之前，彩色圖像通常被轉(zhuǎn)換為灰度圖像。圖像灰度級(jí)的方法通常具有最大值方法，平均值方法和加權(quán)方法。通過多次實(shí)驗(yàn)，我們發(fā)現(xiàn)采用加權(quán)法進(jìn)行灰度處理。本文采用雙峰法來確定最佳分割閾值，經(jīng)過多次實(shí)驗(yàn)選取40 閾值，采用固定閾值法進(jìn)行二值化處理。收集的銀行卡號(hào)圖像被標(biāo)準(zhǔn)化。

1.2 噪聲去除和邊緣提取

在圖像采集期間，由于諸如照明的環(huán)境影響，由多個(gè)采集的圖像通常伴隨有各種噪聲。在本文中，中值濾波用于組合降噪和Canny 邊緣處理。實(shí)驗(yàn)表明，該方法可以最大化去噪并保留更多的邊緣信息。

1.3 字符定位

在我們使用Canny 算子進(jìn)行邊緣檢測(cè)之后，為了獲得卡片的特定上下邊界和左右邊界，我們需要水平和垂直投影。對(duì)于上下邊緣，通過看其水平投影，會(huì)有兩條明顯的分界點(diǎn)，其就是銀行卡號(hào)的上下邊界。對(duì)于左右邊緣，看其垂直投影，是由很多明顯的豎直線和較短的直線組成，我們通過判斷最左邊字符的左邊緣和最右邊字符的右邊緣，可以得到銀行卡號(hào)的左右邊界。

2 字符分割

2.1 背景干擾消除

最大的類間方差法是由日本學(xué)者大津在1979年提出的。它是一種自適應(yīng)閾值確定方法，也稱為Otsu 或OTSU。該算法假設(shè)圖像由前景區(qū)域和背景區(qū)域兩部分組成。通過遍歷不同閾值（通常在[0255]的范圍內(nèi)）分割結(jié)果中的前景和背景區(qū)域的漸變直方圖，然后比較兩者之間的方差，以使最大化方差的灰色閾值是所需的二值化閾值。背景和目標(biāo)之間的類別之間的差異越大，構(gòu)成圖像的兩個(gè)部分之間的差異就越大。當(dāng)目標(biāo)的一部分被劃分為背景或者背景的一部分被劃分為目標(biāo)時(shí)，兩個(gè)部分之間的差異將減小。因此，最大化類之間方差的分段意味著錯(cuò)誤分類的概率最小。Otsu 方法通過計(jì)算最佳閾值來降低錯(cuò)誤分類的可能性。

2.2 字符投影分割

銀行卡卡號(hào)名具有比較統(tǒng)一的格式，字的大小及間距比較固定。我們采用垂直投影法進(jìn)行分割。在處理背景圖案之后，我們?nèi)コ吮尘皥D案對(duì)垂直投影的干擾并獲得了投影圖。在垂直方向上，投影值的值不是0，并且我們?cè)阢y行卡的左下角有字符。從左至右掃描，每到值為0 的區(qū)域記錄其位置，直到掃描結(jié)束。根據(jù)剛才的記錄，我們便可以將字符分割出來。

3 字符識(shí)別

通過前面的工作，我們已經(jīng)得到的含有單個(gè)字符的圖像，接下來就是進(jìn)行識(shí)別工作。常用的識(shí)別方法包括模板匹配方法，使用支持向量機(jī)方法的特征提取，以及基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法。

3.1 模板匹配法

我們將處理好的卡號(hào)字符與模板想對(duì)比，在數(shù)字模板庫(kù)中找到和待識(shí)別卡號(hào)字符匹配的字符，從而完成字符的識(shí)別。我們采用逐像素點(diǎn)比對(duì)。通過將字符圖像與每個(gè)模板的每個(gè)點(diǎn)進(jìn)行比較，計(jì)算相似比，找出具有最高相似比的模板，并獲得字符圖像的數(shù)量。然而，結(jié)果證明該系統(tǒng)可以識(shí)別大多數(shù)樣本并且未能實(shí)現(xiàn)100%的識(shí)別率。

3.2 特征提取運(yùn)用與支持向量機(jī)

3.2.1 HOG 特征提取

HOG 特征是具有優(yōu)異性能的單個(gè)窗口對(duì)象檢測(cè)特征，其通過梯度方向上的目標(biāo)的梯度強(qiáng)度的直方圖分布來描述目標(biāo)對(duì)象的局部外觀形狀特征。由于HOG 特征對(duì)目標(biāo)局部區(qū)域內(nèi)的梯度方向的直方圖分布更敏感，因此HOG特征受尺寸和光照變化的影響較小。我們通過圖像灰度和伽馬校正，尺寸歸一化和梯度直方圖的構(gòu)造來執(zhí)行HOG 提取。

3.2.2 支持向量機(jī)

我們選擇SVM 作為分類器并選擇SVM模式識(shí)別方法。SVM 是由美國(guó)的貝爾實(shí)驗(yàn)室提出的一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)方法，率先應(yīng)用于美國(guó)郵政手寫數(shù)字庫(kù)識(shí)別研究方面并取得了較好的效果，隨后，在文本識(shí)別和語(yǔ)音識(shí)別等許多領(lǐng)域取得了許多成就?；诰C合實(shí)驗(yàn)結(jié)果，SVM 分類器在訓(xùn)練樣本時(shí)可以獲得更高的識(shí)別率。

3.3 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是由多個(gè)二維平面組成的多層神經(jīng)網(wǎng)絡(luò)模型，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)不同。卷積審計(jì)網(wǎng)絡(luò)添加了用于特征提取的卷積層和唯一的不變下采樣層。重點(diǎn)是卷積梯度計(jì)算和下采樣層梯度計(jì)算。由于銀行卡字符總數(shù)為0-9，因此很容易使用LeNet-5 模型記憶卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和識(shí)別。該方法使用大量數(shù)據(jù)進(jìn)行訓(xùn)練并具有高識(shí)別率。

4 結(jié)語(yǔ)

銀行卡號(hào)的分割和識(shí)別也具有廣闊的前景，仍具有很大的研究?jī)r(jià)值。接下來應(yīng)繼續(xù)深入深度學(xué)習(xí)領(lǐng)域的學(xué)習(xí)，優(yōu)化算法，不斷實(shí)驗(yàn)，優(yōu)化流程進(jìn)而取得良好的實(shí)驗(yàn)效果。