需求描述：

通過(guò)OpenCV識(shí)別身份證照片上的身份證號(hào)碼（僅識(shí)別身份證號(hào)碼）

實(shí)現(xiàn)思路：

1.將身份證號(hào)中的0,1,2,3,4,5,6,7,8,9作為模板，與身份證照片中的身份證號(hào)碼區(qū)域進(jìn)行模板匹配。

2.先要制作一個(gè)身份證號(hào)碼模板，我這里弄了一個(gè)，基本上可以用。

?3.識(shí)別出身份證照片身份證號(hào)區(qū)域，進(jìn)行圖像模板匹配。

? ?以下面這樣圖為例（你也可以替換為你要識(shí)別的圖片）：

?4.識(shí)別出身份證號(hào)碼后，在圖中標(biāo)記出識(shí)別結(jié)果。

運(yùn)行效果：

Python源代碼（目前只能識(shí)別標(biāo)準(zhǔn)角度拍攝照片，拍攝角度變形的無(wú)法識(shí)別）：

import cv2
import numpy as np 

rectKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(15,15)) #kernel1 = np.ones((15, 15), np.uint8)
sqKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

#輪廓排序
def sort_contours(cnts,method="left-to-right"):
    reverse=False
    i=0
    if method=="right-to-left" or method=="bottom-to-top":
        reverse=True
    if method=="top-to-bottom" or method=="bottom-to-top":
        i=1
    boundingBoxes=[cv2.boundingRect(c) for c in cnts] #外接矩形
    (cnts,boundingBoxes)=zip(*sorted(zip(cnts,boundingBoxes),key=lambda b:b[1][i],reverse=reverse))
    return cnts,boundingBoxes

# 第一步：預(yù)處理模板文件
templateImg = cv2.imread("template.jpg") #template.jpg 即為模板文件，上面那張0-9數(shù)字圖片
templateImg = cv2.resize(templateImg, (900, 200), interpolation=cv2.INTER_CUBIC)
#轉(zhuǎn)灰度圖
templateGray=cv2.cvtColor(templateImg,cv2.COLOR_BGR2GRAY) 
cv2.imshow("1.1 templateGray",templateGray)
#二值處理
templateGray=cv2.threshold(templateGray,30,255,cv2.THRESH_BINARY_INV)[1] 
# cvblackhat = cv2.morphologyEx(templateGray, cv2.MORPH_BLACKHAT, np.ones((50, 50), np.uint8))
# templateGray=cv2.threshold(cvblackhat,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1] 
cv2.imshow("1.2 threshold",templateGray)

#提取輪廓（10個(gè)數(shù)字的外部輪廓）
templateContours,hierarchy=cv2.findContours(templateGray.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(templateImg,templateContours,-1,(0,0,255),3)
cv2.imshow("1.3 drawContours",templateImg)
templateContours=sort_contours(templateContours,method="left-to-right")[0]

#用于做模板匹配的圖像集合
templates={}
for(i,c) in enumerate(templateContours):
    (x,y,w,h)=cv2.boundingRect(c) #外接矩形
    roi=templateGray[y:y+h,x:x+w]
    roi=cv2.resize(roi,(57,88))
    templates[i]=roi

#第二步：處理身份證圖片

# 1.讀取原圖
idimg = cv2.imread("idcard.jpg") #需要進(jìn)行識(shí)別的圖片
idimg = cv2.resize(idimg, (509, 300), interpolation=cv2.INTER_CUBIC)
idimgok = idimg.copy()
cv2.imshow("1.origin", idimg)

#2.轉(zhuǎn)灰度圖
gray = cv2.cvtColor(idimg, cv2.COLOR_BGR2GRAY)
cv2.imshow("2.gray", gray)

#3.黑帽運(yùn)算：移除干擾項(xiàng)
cvblackhat = cv2.morphologyEx(gray, cv2.MORPH_BLACKHAT, rectKernel)
cv2.imshow("3.black", cvblackhat)

#4.頂帽運(yùn)算：突出輪廓
tophat=cv2.morphologyEx(cvblackhat,cv2.MORPH_TOPHAT,rectKernel)
cv2.imshow("4.tophat", tophat)

#5.邊緣檢測(cè)
sobel=cv2.Sobel(tophat,ddepth=cv2.CV_32F,dx=1,dy=0,ksize=-1)
sobel=np.absolute(sobel)
(min,max)=(np.min(sobel),np.max(sobel))
sobel=(255*((sobel-min)/(max-min)))
sobel=sobel.astype("uint8")
cv2.imshow("5.sobel", sobel)

#6.閉操作，先膨脹，再腐蝕
sobel=cv2.morphologyEx(sobel,cv2.MORPH_CLOSE,rectKernel) 
cv2.imshow("6.close", sobel)

#7.二值化突出輪廓，自動(dòng)閾值范圍 cv2.THRESH_BINARY|cv2.THRESH_OTSU
thresh=cv2.threshold(sobel,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1] 
cv2.imshow("7.thresh", thresh)

#8.再閉操作，先膨脹，再腐蝕
thresh=cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,sqKernel) 
cv2.imshow("8.close2", thresh)

#9.提取輪廓，并在圖上標(biāo)記輪廓
cnts,hierarchy=cv2.findContours(thresh.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
mark=idimg.copy()
cv2.drawContours(mark,cnts,-1,(0,0,255),2)
cv2.imshow("9.mark", mark)

#身份證區(qū)域，雖然只有一個(gè)輪廓，這里還是用集合來(lái)處理
pidArea=[]
for(i,c) in enumerate(cnts):
    (x,y,w,h)=cv2.boundingRect(c)
    ar=w/float(h)
    if ar>12 and ar<40:
        pidArea.append((x,y,w,h)) #身份證號(hào)區(qū)域長(zhǎng)寬比比較明顯，算是一個(gè)比較明顯的特征
        break
#pidArea=sorted(pidArea,key=lambda x:x[0])#若有多個(gè)區(qū)域，需進(jìn)行從左到右排序

#10.模板匹配
output=[] 
for(i,(gx,gy,gw,gh)) in enumerate(pidArea):
    area=gray[gy-5:gy+gh+5,gx-5:gx+gw+5] #稍微擴(kuò)展點(diǎn)區(qū)域，保證內(nèi)容都能框住
    cv2.imshow("9.matched", area) 

    #下面操作跟處理模板圖像一樣：
    #先黑帽處理，移除干擾項(xiàng)，再二值化處理（自動(dòng)閾值）    
    area = cv2.morphologyEx(area, cv2.MORPH_BLACKHAT, np.ones((10, 10), np.uint8))
    area=cv2.threshold(area,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1] 
    cv2.imshow("10.threshold", area) 

    # 再檢測(cè)輪廓
    numContours,hierarchy=cv2.findContours(area.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)     

    #注意：此處需判斷輪廓的個(gè)數(shù)是否是18個(gè)，對(duì)應(yīng)18個(gè)數(shù)字 
    numContours=sort_contours(numContours,method="left-to-right")[0]

    #11.遍歷輪廓，并逐個(gè)與模板圖像進(jìn)行匹配，將最高得分保留
    for c in numContours:
        (x,y,w,h)=cv2.boundingRect(c)
        roi=area[y:y+h,x:x+w]
        roi=cv2.resize(roi,(57,88)) #模板也做了縮放，相同尺寸進(jìn)行比較
        scores=[]
        #跟10張模板圖片進(jìn)行模板匹配
        for (j,templateROI)in templates.items():
            result=cv2.matchTemplate(roi,templateROI,cv2.TM_CCOEFF)
            (_,score,_,_)=cv2.minMaxLoc(result)
            scores.append(score) #scores中存放了當(dāng)前輪廓對(duì)應(yīng)0-10中每個(gè)數(shù)字的概率

        #將分值最大的保留下來(lái)
        num=np.argmax(scores)  #np.argmax():獲取array的某一個(gè)維度中數(shù)值最大的那個(gè)元素的索引,索引即為對(duì)應(yīng)數(shù)字
        output.append(str(num))
        

#12.在原圖上繪制識(shí)別結(jié)果
index=0
(gx,gy,gw,gh)=pidArea[0] #身份證區(qū)域位置
for c in numContours:
    (x,y,w,h)=cv2.boundingRect(c) #數(shù)字輪廓位置
    num=output[index]
    cv2.putText(idimg,str(num),(gx+x-8 ,gy+y-15),cv2.FONT_HERSHEY_SIMPLEX,0.65,(0,0,255),2) 
    index=index+1    
cv2.imshow("12.done", idimg)

print("識(shí)別結(jié)果:"+"".join(output))
cv2.waitKey(0)

?運(yùn)行結(jié)果：

模板處理

圖像處理

?特別說(shuō)明：

1.對(duì)輸入身份證照片有要求，必須是完全的身份證照片，不能有背景，不能變形。

2.只識(shí)別了身份證號(hào)區(qū)域，如需識(shí)別其他信息，可以自行修改代碼。

3.如無(wú)法識(shí)別你的圖片，請(qǐng)手動(dòng)調(diào)試代碼，注釋都在代碼里，修改對(duì)應(yīng)步驟參數(shù)，多試幾次。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-506320.html

到了這里，關(guān)于8.OpenCV-識(shí)別身份證號(hào)碼（Python）的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)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TOY模板網(wǎng)！