基于OpenCV的銀行卡號識別系統

文/劉振飛

近年來，中國的互聯網金融發展迅速，網上資金交易逐漸成為日常生活中的主流消費方式。在進行在線基金業務時，通常涉及銀行卡的運作。在實際測試中，手動輸入的19 位銀行卡號碼很慢且容易出錯，導致涉及銀行卡綁定的各種產品的用戶體驗不佳。因此，銀行卡號識別系統的開發也將為人們帶來極大的便利。

1 銀行卡號定位

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算量，因此在對圖像執行各種處理之前，彩色圖像通常被轉換為灰度圖像。圖像灰度級的方法通常具有最大值方法，平均值方法和加權方法。通過多次實驗，我們發現采用加權法進行灰度處理。本文采用雙峰法來確定最佳分割閾值，經過多次實驗選取40 閾值，采用固定閾值法進行二值化處理。收集的銀行卡號圖像被標準化。

1.2 噪聲去除和邊緣提取

在圖像采集期間，由于諸如照明的環境影響，由多個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。實驗表明，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 算子進行邊緣檢測之后，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。對于上下邊緣，通過看其水平投影，會有兩條明顯的分界點，其就是銀行卡號的上下邊界。對于左右邊緣，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者大津在1979年提出的。它是一種自適應閾值確定方法，也稱為Otsu 或OTSU。該算法假設圖像由前景區域和背景區域兩部分組成。通過遍歷不同閾值（通常在[0255]的范圍內）分割結果中的前景和背景區域的漸變直方圖，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。背景和目標之間的類別之間的差異越大，構成圖像的兩個部分之間的差異就越大。當目標的一部分被劃分為背景或者背景的一部分被劃分為目標時，兩個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誤分類的概率最小。Otsu 方法通過計算最佳閾值來降低錯誤分類的可能性。

2.2 字符投影分割

銀行卡卡號名具有比較統一的格式，字的大小及間距比較固定。我們采用垂直投影法進行分割。在處理背景圖案之后，我們去除了背景圖案對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，并且我們在銀行卡的左下角有字符。從左至右掃描，每到值為0 的區域記錄其位置，直到掃描結束。根據剛才的記錄，我們便可以將字符分割出來。

3 字符識別

通過前面的工作，我們已經得到的含有單個字符的圖像，接下來就是進行識別工作。常用的識別方法包括模板匹配方法，使用支持向量機方法的特征提取，以及基于卷積神經網絡的深度學習方法。

3.1 模板匹配法

我們將處理好的卡號字符與模板想對比，在數字模板庫中找到和待識別卡號字符匹配的字符，從而完成字符的識別。我們采用逐像素點比對。通過將字符圖像與每個模板的每個點進行比較，計算相似比，找出具有最高相似比的模板，并獲得字符圖像的數量。然而，結果證明該系統可以識別大多數樣本并且未能實現100%的識別率。

3.2 特征提取運用與支持向量機

3.2.1 HOG 特征提取

HOG 特征是具有優異性能的單個窗口對象檢測特征，其通過梯度方向上的目標的梯度強度的直方圖分布來描述目標對象的局部外觀形狀特征。由于HOG 特征對目標局部區域內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造來執行HOG 提取。

3.2.2 支持向量機

我們選擇SVM 作為分類器并選擇SVM模式識別方法。SVM 是由美國的貝爾實驗室提出的一種基于統計學習理論的模式識方法，率先應用于美國郵政手寫數字庫識別研究方面并取得了較好的效果，隨后，在文本識別和語音識別等許多領域取得了許多成就。基于綜合實驗結果，SVM 分類器在訓練樣本時可以獲得更高的識別率。

3.3 卷積神經網絡

卷積神經網絡是由多個二維平面組成的多層神經網絡模型，與傳統的神經網絡不同。卷積審計網絡添加了用于特征提取的卷積層和唯一的不變下采樣層。重點是卷積梯度計算和下采樣層梯度計算。由于銀行卡字符總數為0-9，因此很容易使用LeNet-5 模型記憶卷積神經網絡的訓練和識別。該方法使用大量數據進行訓練并具有高識別率。

4 結語

銀行卡號的分割和識別也具有廣闊的前景，仍具有很大的研究價值。接下來應繼續深入深度學習領域的學習，優化算法，不斷實驗，優化流程進而取得良好的實驗效果。