一、技术背景与需求分析

银行卡卡号识别是金融、支付领域常见的OCR（光学字符识别）应用场景。传统人工录入效率低、易出错，而自动化识别可显著提升用户体验。OpenCV作为开源计算机视觉库，提供了丰富的图像处理工具，结合Tesseract OCR或深度学习模型，可构建高效的卡号识别系统。

核心需求

1. 图像预处理：消除光照、倾斜、噪声等干扰。
2. 卡号区域定位：精准定位卡号在银行卡上的位置。
3. 字符分割：将连续卡号分割为独立字符。
4. 字符识别：准确识别分割后的字符。

二、技术实现步骤

1. 图像预处理

1.1 灰度化与二值化

银行卡图像通常为彩色，但卡号识别仅需灰度信息。通过cv2.cvtColor将图像转为灰度图，再使用cv2.threshold进行二值化，增强字符与背景的对比度。

import cv2
img = cv2.imread('card.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

1.2 噪声去除

使用cv2.medianBlur或cv2.GaussianBlur平滑图像，减少椒盐噪声或高斯噪声的影响。

blurred = cv2.medianBlur(binary, 3)

1.3 倾斜校正

银行卡拍摄时可能存在倾斜，需通过霍夫变换检测直线并计算旋转角度进行校正。

edges = cv2.Canny(blurred, 50, 150)
lines = cv2.HoughLinesP(edges, 1, np.pi/180, threshold=100, minLineLength=100, maxLineGap=10)
angles = []
for line in lines:
    x1, y1, x2, y2 = line[0]
    angle = np.arctan2(y2 - y1, x2 - x1) * 180 / np.pi
    angles.append(angle)
median_angle = np.median(angles)
(h, w) = img.shape[:2]
center = (w // 2, h // 2)
M = cv2.getRotationMatrix2D(center, median_angle, 1.0)
rotated = cv2.warpAffine(img, M, (w, h))

2. 卡号区域定位

银行卡卡号通常位于固定区域（如底部中央），可通过模板匹配或轮廓检测定位。

2.1 模板匹配

预先截取卡号区域模板，使用cv2.matchTemplate在图像中搜索匹配区域。

template = cv2.imread('template.jpg', 0)
res = cv2.matchTemplate(gray, template, cv2.TM_CCOEFF_NORMED)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
x, y = max_loc
h, w = template.shape
card_number_roi = rotated[y:y+h, x:x+w]

2.2 轮廓检测

若卡号区域与背景对比度高，可直接检测轮廓并筛选符合条件的区域。

contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    aspect_ratio = w / h
    if 5 < aspect_ratio < 15 and 100 < w < 300:  # 根据实际卡号尺寸调整
        card_number_roi = rotated[y:y+h, x:x+w]
        break

3. 字符分割

卡号通常为16-19位数字，字符间距均匀。可通过垂直投影法分割字符。

# 对卡号区域进行二值化
gray_roi = cv2.cvtColor(card_number_roi, cv2.COLOR_BGR2GRAY)
_, binary_roi = cv2.threshold(gray_roi, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
# 垂直投影
hist = np.sum(binary_roi, axis=0)
start_x, end_x = 0, 0
chars = []
for i in range(len(hist)):
    if hist[i] > 10 and start_x == 0:  # 字符开始
        start_x = i
    elif hist[i] <= 10 and start_x != 0:  # 字符结束
        end_x = i
        char = binary_roi[:, start_x:end_x]
        chars.append(char)
        start_x, end_x = 0, 0

4. 字符识别

4.1 Tesseract OCR

Tesseract是开源OCR引擎，支持英文数字识别。需安装pytesseract并配置Tesseract路径。

import pytesseract
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'  # Windows路径
text = pytesseract.image_to_string(card_number_roi, config='--psm 7 --oem 3 -c tessedit_char_whitelist=0123456789')
print(text.strip())

4.2 深度学习模型

若Tesseract识别率不足，可训练CRNN（卷积循环神经网络）或使用预训练模型（如EasyOCR）。

# 使用EasyOCR示例
import easyocr
reader = easyocr.Reader(['en'])
result = reader.readtext(card_number_roi)
print(result[0][1])  # 输出识别结果

三、优化与改进

1. 数据增强：对训练集进行旋转、缩放、噪声添加，提升模型鲁棒性。
2. 后处理规则：添加卡号校验规则（如Luhn算法），过滤非法卡号。

   def luhn_check(card_number):
    digits = [int(c) for c in str(card_number)]
    odd_digits = digits[-1::-2]
    even_digits = digits[-2::-2]
    checksum = sum(odd_digits)
    for d in even_digits:
        checksum += sum(divmod(d * 2, 10))
    return checksum % 10 == 0

3. 多模型融合：结合Tesseract与深度学习模型，通过投票机制提升准确率。

四、实战建议

1. 硬件选择：优先使用高分辨率摄像头，避免反光与阴影。
2. 环境控制：在均匀光照下拍摄，减少预处理难度。
3. 性能优化：对实时性要求高的场景，可简化预处理步骤或使用轻量级模型。

五、总结

本文通过OpenCV实现了银行卡卡号识别的完整流程，包括图像预处理、区域定位、字符分割与识别。开发者可根据实际需求选择Tesseract或深度学习模型，并结合后处理规则提升准确率。实际应用中，需持续优化模型与参数，以适应不同场景的挑战。