快捷導(dǎo)航

Python+Opencv身份證號碼區(qū)域提取及識(shí)別實(shí)現(xiàn)

更新時(shí)間：2020年08月25日 10:08:35 作者：Meteor Lee

這篇文章主要介紹了Python+Opencv身份證號碼區(qū)域提取及識(shí)別實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

前端時(shí)間智能信息處理實(shí)訓(xùn)，我選擇的課題為身份證號碼識(shí)別，對中華人民共和國公民身份證進(jìn)行識(shí)別，提取并識(shí)別其中的身份證號碼，將身份證號碼識(shí)別為字符串的形式輸出?，F(xiàn)在實(shí)訓(xùn)結(jié)束了將代碼發(fā)布出來供大家參考，識(shí)別的方式并不復(fù)雜，并加了一些注釋，如果有什么問題可共同討論。最后重要的事情說三遍：請勿直接抄襲，請勿直接抄襲，請勿直接抄襲！尤其是我的學(xué)弟學(xué)妹們，還是要自己做的，小心直接拿我的用被老師發(fā)現(xiàn)了挨批^_^。

實(shí)訓(xùn)環(huán)境：CentOS-7.5.1804 + Python-3.6.6 + Opencv-3.4.1

做測試用的照片以及數(shù)字識(shí)別匹配使用的模板（自制）提供給大家，通過查詢得到，身份證號碼使用的字體格式為OCR-B 10 BT格式，實(shí)訓(xùn)中用到的身份證圖片為訓(xùn)練測試圖片，有一部分是老師當(dāng)時(shí)直接給出的，還有一部分是我自己用自己身份證做的測試和從網(wǎng)上找到了一張，由于部分身份證號碼不是標(biāo)準(zhǔn)字體格式，對識(shí)別造成影響，所以有部分圖片我還提前ps了一下。

流程圖

前期處理的部分不在描述，流程圖和代碼注釋中都有。其實(shí)整個(gè)過程并不是很復(fù)雜，本來想過在數(shù)字識(shí)別方面用現(xiàn)成的一些方法，或者想要嘗試用到卷積神經(jīng)網(wǎng)絡(luò)（CNN）然后做訓(xùn)練集來識(shí)別。后來在和老師交流的時(shí)候，老師給出建議可以嘗試使用特征點(diǎn)匹配或者其他類方法。根據(jù)最后數(shù)字分割出來單獨(dú)顯示的效果，想到了一個(gè)適合于我代碼情況的簡單方法。

建立一個(gè)標(biāo)準(zhǔn)號碼庫（利用上面自制模板數(shù)字分割后獲得），然后用每一個(gè)號碼圖片與庫中所有標(biāo)準(zhǔn)號碼圖片做相似度匹配，和哪一個(gè)模板相似度最高，則說明該圖片為哪一位號碼。在將模板號碼分割成功后，最關(guān)鍵的一步就是進(jìn)行相似度匹配。為提高匹配的精確度和效率，首先利用cv.resize()將前面被提取出的每位身份證號碼以及標(biāo)準(zhǔn)號碼庫中的號碼做圖像大小調(diào)整，統(tǒng)一將圖像均調(diào)整為12x18像素的大小，圖像大小的選擇是經(jīng)過慎重的考慮的，如果太大則計(jì)算過程耗時(shí)，如果過小則可能存在較大誤差。匹配的具體方案為：記錄需要識(shí)別的圖片與每個(gè)模板圖片中有多少位置的像素點(diǎn)相同，相同的越多，說明相似度越高，也就最有可能是某個(gè)號碼。最終將18位號碼都識(shí)別完成后，得到的具體的相似度矩陣。

具體代碼如下所示：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 將身份證號碼區(qū)域從身份證中提取出
def Extract(op_image, sh_image):

 binary, contours, hierarchy = cv.findContours(op_image,
  cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
 contours.remove(contours[0])
 max_x, max_y, max_w, max_h = cv.boundingRect(contours[0])
 color = (0, 0, 0)
 for c in contours:
 x, y, w, h = cv.boundingRect(c)
 cv.rectangle(op_image, (x, y), (x + w, y + h), color, 1)
 cv.rectangle(sh_image, (x, y), (x + w, y + h), color, 1)
 if max_w < w:
  max_x = x
  max_y = y
  max_w = w
  max_h = h
 cut_img = sh_image[max_y:max_y+max_h, max_x:max_x+max_w]
 cv.imshow("The recognized enlarged image", op_image)
 cv.waitKey(0)
 cv.imshow("The recognized binary image", sh_image)
 cv.waitKey(0)
 return cut_img

# 號碼內(nèi)部區(qū)域填充(未繼續(xù)是用此方法)
def Area_filling(image, kernel):
 # The boundary image
 iterate = np.zeros(image.shape, np.uint8)
 iterate[:, 0] = image[:, 0]
 iterate[:, -1] = image[:, -1]
 iterate[0, :] = image[0, :]
 iterate[-1, :] = image[-1, :]
 while True:
 old_iterate = iterate
 iterate_dilation = cv.dilate(iterate, kernel, iterations=1)
 iterate = cv.bitwise_and(iterate_dilation, image)
 difference = cv.subtract(iterate, old_iterate)
 # if difference is all zeros it will return False
 if not np.any(difference):
  break
 return iterate

# 將身份證號碼區(qū)域再次切割使得一張圖片一位號碼
def Segmentation(cut_img, kernel, n):
 #首先進(jìn)行一次號碼內(nèi)空白填充(效果不佳，放棄)
 #area_img = Area_filling(cut_img, kernel)
 #cv.imshow("area_img", area_img)
 #cv.waitKey(0)
 #dilate = cv.dilate(area_img, kernel, iterations=1)
 #cv.imshow("dilate", dilate)
 #cv.waitKey(0)

 cut_copy = cut_img.copy()
 binary, contours, hierarchy = cv.findContours(cut_copy, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
 contours.remove(contours[0])
 for c in contours:
 x, y, w, h = cv.boundingRect(c)
 for i in range(h):
  for j in range(w):
  # 把首次用findContours()方法識(shí)別的輪廓內(nèi)區(qū)域置黑色
  cut_copy[y + i, x + j] = 0
  # cv.rectangle(cut_copy, (x, y), (x + w, y + h), color, 1)
 cv.imshow("Filled image", cut_copy)
 cv.waitKey(0)

 # 嘗試進(jìn)行分割
 binary, contours, hierarchy = cv.findContours(cut_copy, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
 #tmp_img = cut_img.copy()
 # 如果識(shí)別的輪廓數(shù)量不是n+1位(首先是一個(gè)整個(gè)區(qū)域的輪廓，然后是n位號碼各自的輪廓，身份證和匹配模板分割均用此方法)
 while len(contours)!=n+1:
 if len(contours) < n+1:
  # 如果提取的輪廓數(shù)量小于n+1, 說明可能有兩位數(shù)被識(shí)別到一個(gè)輪廓中，做一次閉運(yùn)算，消除數(shù)位之間可能存在的連接部分，然后再次嘗試提取
  #cut_copy = cv.dilate(cut_copy, kernel, iterations=1)
  cut_copy = cv.morphologyEx(cut_copy, cv.MORPH_CLOSE, kernel)
  cv.imshow("cut_copy", cut_copy)
  cv.waitKey(0)
  # 再次嘗試提取身份證區(qū)域的輪廓并將輪廓內(nèi)區(qū)域用黑色覆蓋
  binary, contours, hierarchy = cv.findContours(cut_copy, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
  # 去掉提取出的第一個(gè)輪廓(第一個(gè)輪廓為整張圖片)
  contours.remove(contours[0])
  for c in contours:
  x, y, w, h = cv.boundingRect(c)
  for i in range(h):
   for j in range(w):
   cut_copy[y + i, x + j] = 0
   # cv.rectangle(cut_copy, (x, y), (x + w, y + h), color, 1)
  cv.imshow("Filled image", cut_copy)
  cv.waitKey(0)
  #如果findContours()結(jié)果為n，跳出
  if len(contours) == n:
  break

 elif len(contours) > n+1:
  # 如果提取的輪廓數(shù)量大于n+1, 說明可能有一位數(shù)被識(shí)別到兩個(gè)輪廓中，做一次開運(yùn)算，增強(qiáng)附近身份證區(qū)域部分之間的連接部分，然后再次嘗試提取
  #cut_copy = cv.erode(cut_copy, kernel, iterations=1)
  cut_copy = cv.morphologyEx(cut_copy, cv.MORPH_OPEN, kernel2)
  cv.imshow("cut_copy", cut_copy)
  cv.waitKey(0)
  #再次嘗試提取身份證區(qū)域的輪廓并將輪廓內(nèi)區(qū)域用黑色覆蓋
  binary, contours, hierarchy = cv.findContours(cut_copy, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
  #去掉提取出的第一個(gè)輪廓(第一個(gè)輪廓為整張圖片)
  contours.remove(contours[0])
  for c in contours:
  x, y, w, h = cv.boundingRect(c)
  for i in range(h):
   for j in range(w):
   cut_copy[y + i, x + j] = 0
   # cv.rectangle(cut_copy, (x, y), (x + w, y + h), color, 1)
  #cv.imshow("cut_copy", cut_copy)
  #cv.waitKey(0)
  if len(contours) == n:
  break
 # 上述while()中循環(huán)完成后，處理的圖像基本滿足分割要求，進(jìn)行最后的提取分割
 binary, contours, hierarchy = cv.findContours(cut_copy, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
 contours.remove(contours[0])
 color = (0, 0, 0)
 for c in contours:
 x, y, w, h = cv.boundingRect(c)
 for i in range(h):
  for j in range(w):
  cv.rectangle(cut_copy, (x, y), (x + w, y + h), color, 1)
  cv.rectangle(cut_img, (x, y), (x + w, y + h), color, 1)

 cv.imshow("Filled image", cut_copy)
 cv.waitKey(0)
 cv.imshow("cut_img", cut_img)
 cv.waitKey(0)
 #print('number:', len(contours))
 # Returns the result of the split
 return contours
 #return cut_img

# Sort排序方法，先將圖像分割，由于分割的先后順序不是按照從左往右，根據(jù)橫坐標(biāo)大小將每位身份證號碼圖片進(jìn)行排序
def sort(contours, image):
 tmp_num = []
 x_all = []
 x_sort = []
 for c in contours:
 x, y, w, h = cv.boundingRect(c)
 # 使用x坐標(biāo)來確定身份證號碼圖片的順序，把個(gè)圖片坐標(biāo)的x值放入x_sort中
 x_sort.append(x)
 # 建立一個(gè)用于索引x坐標(biāo)的列表
 x_all.append(x)
 tmp_img = image[y+1:y+h-1, x+1:x+w-1]
 tmp_img = cv.resize(tmp_img, (40, 60))
 cv.imshow("Number", tmp_img)
 cv.waitKey(0)
 # 將分割的圖片縮小至12乘18像素的大小，標(biāo)準(zhǔn)化同時(shí)節(jié)約模板匹配的時(shí)間
 tmp_img = cv.resize(tmp_img, (12, 18))
 tmp_num.append(tmp_img)
 # 利用x_sort排序，用x_all索引，對身份證號碼圖片排序
 x_sort.sort()
 num_img = []
 for x in x_sort:
 index = x_all.index(x)
 num_img.append(tmp_num[index])
 # 返回排序后圖片列表
 return num_img

# 圖像識(shí)別方法
def MatchImage(img_num, tplt_num):
 # IDnum用于存儲(chǔ)最終的身份證字符串
 IDnum = ''
 # 身份證號碼18位
 for i in range(18):
 # 存儲(chǔ)最大相似度模板的索引以及最大相似度
 max_index = 0
 max_simil = 0
  # 模板有1~9，0，X共11個(gè)
 for j in range(11):
  # 存儲(chǔ)身份證號碼圖片與模板之間的相似度
  simil = 0
  for y in range(18):
  for x in range(12):
   # 如果身份證號碼圖片與模板之間對應(yīng)位置像素點(diǎn)相同，simil 值自加1
   if img_num[i][y,x] == tplt_num[j][y,x]:
   simil+=1
  if max_simil < simil:
  max_index = j
  max_simil = simil
  print(str(simil)+' ',end='')
 if max_index < 9:
  IDnum += str(max_index+1)
 elif max_index == 9:
  IDnum += str(0)
 else:
  IDnum += 'X'
 print()
 return IDnum

# 最終效果展示
def display(IDnum, image):
 image = cv.resize(image, (960, 90))
 plt.figure(num='ID_Number')
 plt.subplot(111), plt.imshow(image, cmap='gray'), plt.title(IDnum, fontsize=30), plt.xticks([]), plt.yticks([])
 plt.show()


if __name__ == '__main__':
 # 一共三張做測試用身份證圖像
 path = 'IDcard01.jpg'
 #path = 'IDcard02.png'
 #path = 'IDcard.jpg'
 id_card = cv.imread(path, 0)
 cv.imshow('Original image', id_card)
 cv.waitKey(0)
 # 將圖像轉(zhuǎn)化成標(biāo)準(zhǔn)大小
 id_card = cv.resize(id_card,(1200, 820))
 cv.imshow('Enlarged original image', id_card)
 cv.waitKey(0)
 # 圖像二值化
 ret, binary_img = cv.threshold(id_card, 127, 255, cv.THRESH_BINARY)
 cv.imshow('Binary image', binary_img)
 cv.waitKey(0)

 # RECTANGULAR
 kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3))
 # RECTANGULAR
 kernel2 = cv.getStructuringElement(cv.MORPH_DILATE, (5, 5))
 #close_img = cv.morphologyEx(binary_img, cv.MORPH_CLOSE, kernel)
 # The corrosion treatment connects the ID Numbers
 erode = cv.erode(binary_img, kernel, iterations=10)
 cv.imshow('Eroded image', erode)
 cv.waitKey(0)

 cut_img = Extract(erode, binary_img.copy())
 cv.imshow("cut_img", cut_img)
 cv.waitKey(0)

 # 存儲(chǔ)最終分割的輪廓
 contours = Segmentation(cut_img, kernel, 18)
 # 對圖像進(jìn)行分割并排序
 img_num = sort(contours, cut_img)

 # 識(shí)別用的模板
 tplt_path = '/home/image/Pictures/template.jpg'
 tplt_img = cv.imread(tplt_path, 0)
 #cv.imshow('Template image', tplt_img)
 #cv.waitKey(0)

 ret, binary_tplt = cv.threshold(tplt_img, 127, 255, cv.THRESH_BINARY)
 cv.imshow('Binary template image', binary_tplt)
 cv.waitKey(0)

 # 與身份證相同的分割方式
 contours = Segmentation(binary_tplt, kernel, 11)
 tplt_num = sort(contours, binary_tplt)
 # 最終識(shí)別出的身份證號碼
 IDnum = MatchImage(img_num, tplt_num)
 print('\nID_Number is:', IDnum)
 # 圖片展示
 display(IDnum, cut_img)

效果展示：

到此這篇關(guān)于Python+Opencv身份證號碼區(qū)域提取及識(shí)別實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)Python+Opencv身份證號碼區(qū)域提取及識(shí)別內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: