一、素材：
需要模板，输入模板必须带有所有的数字，且字体与识别的银行卡号一样
二、思路步骤：
首先把模板中的数字单个分离开，再提取银行卡上的ROI，再将两者的二值图像进行模板匹配，确定出每一个数字，即实现了银行卡号识别。
1、模板
（1）读取模板图像，将其转为灰度图，并且二值化。
（2）检测出模板图像中的数字轮廓；画出数字轮廓。
（3）将模板中的数字轮廓按照 x 方向的坐标大小进行排序，匹配对应的数字，并把轮廓定义为resize统一大小。
（4）将每个数字制成一个模板
2、银行卡
（1）读取银行卡图像，转为灰度图像；
（2）定义卷积核，通过顶帽操作——原图像与开操作之间的差值图像，突出明亮的区域；
（3）利用Sobel算子进行边缘检测
(4)Sobel算子运算后的图像进行闭操作
（5）为提取出对应数字那几块区域，可以通过闭操作，连接数字，闭操作后的图像进行二值化（threshold）；
（6）目标区域内部未填充完全，再通过闭操作连通区域；
（7）遍历轮廓，根据目标轮廓的特征，筛选出符合的轮廓；
（8）画出轮廓
（9）对轮廓进行筛选得出ROI（根据数字区域的W/H;以及图像大小范围）
（10）对ROI进行排序
（11）提取ROI中的每一位数字进行模板匹配，和模板中的数字进行模板匹配，选出最相近的数字图像；
3、上代码
import cv2
import numpy as np
import imutils
from imutils import contours
filepath = 'D:\openCVImage\bankCard'
def cv_show(name,img):
cv2.imshow(name,img)
cv2.waitKey(0)
cv2.destroyAllWindows()
#处理模板
def temp_deal():
# 读取模板图像
tempImage=cv2.imread(filepath+'\temp.png')
cv_show("temp",tempImage)
# 转换灰度图，颜色改变函数
tempGray = cv2.cvtColor(tempImage,cv2.COLOR_BGR2GRAY)
# 二值化处理，图像阈值函数，像素值超过127变成0，否则变成255 反二值化，高亮突出数字
ret,tempBinary=cv2.threshold(tempGray,127,255,cv2.THRESH_BINARY_INV)
#image_Binary = cv2.threshold(image_Gray, 177, 255, cv2.THRESH_BINARY_INV)[1] # 转换为二值化图像,[1]表示返回二值化图像，[0]表示返回阈值177
cv_show("tempBinary",tempBinary)
# 返回轮廓信息和轮廓层数
contours,hierarchy = cv2.findContours(tempBinary.copy(),cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 轮廓检测。第1个参数是二值图。第2个参数检测最外层轮廓，第3个参数保留轮廓终点坐标
# 绘制轮廓
drawTemp=tempImage.copy()# 复制一份原图像作为画板，不能在原图上画，不然原图会改变
res=cv2.drawContours(drawTemp,contours,-1,(0,0,255),2)#"-1"是指在画板上画出所有轮廓信息，红色，线宽为2
cv_show("drawTempImage",res)
#模板轮廓排序
#详细解释参考：使用Python和OpenCV对轮廓进行排序（从左到右，自上而下）
# 原理求每一个轮廓的外接矩形也就是轮廓拟合，根据返回的左上坐标点，就能判断出轮廓的位置，再排序
# boxing中存放每次计算轮廓外接矩形得到的x、y、w、h，它的shape为(10,4)。cnt存放每一个轮廓
#轮廓排序核心思想为先求出每个轮廓的外接矩形框,然后通过对外接框按照x或y坐标排序进⽽来实现对轮廓的排序.
refCnts = imutils.contours.sort_contours(contours, method="left-to-right")[0] # 排序，从左到右，从上到下
digits = {}
#遍历每一个轮廓
for(i,c) in enumerate(refCnts): #返回轮廓下标和对应的轮廓值
# 计算外接矩形并且resize成合适大小
(x,y,w,h) = cv2.boundingRect(c)# 轮廓拟合，中存放的是每个轮廓1 2 3 。。。。的最小矩形信息
roi = tempBinary[y:y+h,x:x+w]# tempBinary中依次保存的是高和宽，即(y,x)
# 将每个区域对应一个数字
roi = cv2.resize(roi,(55,85))# roi区域统一大小，根据自己需求来定
digits[i] = roi
return digits
#处理待识别银行卡图片
def bankCard_deal(digits):
# 初始化卷积核
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9,3))
myKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
img = cv2.imread(filepath+"\card2.png")
cv_show("img", img)
img = imutils.resize(img, width=300)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 礼帽操作，突出更明亮的区域
tophat=cv2.morphologyEx(gray,cv2.MORPH_TOPHAT,rectKernel)
cv_show("tophat",tophat)
#利用Sobel算子进行边缘检测
gradX=cv2.Sobel(tophat,ddepth=cv2.CV_32F,dx=1,dy=0,ksize=-1)
gradY = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=0, dy=1, ksize=-1)
gradX=np.absolute(gradX)
minVal = np.min(gradX)
maxVal = np.max(gradX)
gradX=(255*((gradX-minVal) / (maxVal-minVal)))
gradX=gradX.astype("uint8")
print(np.array(gradX).shape)
cv_show("gradX",gradX)
# 通过闭操作，先膨胀后腐蚀，将数字连接在一块
gradX=cv2.morphologyEx(gradX,cv2.MORPH_CLOSE,rectKernel)
cv_show("gradXclose",gradX)
thresh = cv2.threshold(gradX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show('threshImg', thresh)
# 再来一个闭操作
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, myKernel)
cv_show('gradXclose2', thresh)
# 计算轮廓
threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = threshCnts
cur_img = img.copy()
cv2.drawContours(cur_img, cnts, -1, (0, 0, 255), 2)
cv_show('imgCopy', cur_img)
locs = []
# 遍历轮廓，提取轮廓，需要尝试
for (i, c) in enumerate(cnts):
# 计算矩形
(x, y, w, h) = cv2.boundingRect(c)
ar = w / float(h)
# 选择合适的区域，根据实际任务来，这里的基本都是四个数字一组
# [(454, 213, 110, 29), (308, 211, 109, 31), (171, 211, 98, 31), (18, 211, 107, 31)]
if 2.5 < ar < 5.0:
if (40 < w < 85) and (10 < h < 20):
# 符合的留下来
locs.append((x, y, w, h))
#res = cv2.rectangle(img.copy(), (x, y), (x + w, y + h), (0, 0, 255), 2) # "-1"是指在画板上画出所有轮廓信息，红色，线宽为2
#cv_show("imgRect", res)
# 将符合的轮廓从左到右排序
locs = sorted(locs, key=lambda o: o[0])
output = []
#四组轮廓
for(i,(gx,gy,gw,gh)) in enumerate(locs ):
groupOutput=[]
group=gray[gy-5:gy+gh+5,gx-5:gx+gw+5]
group=cv2.threshold(group,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1]
cv_show("groupThreshold",group)#1234；5678；
digitCnts,his=cv2.findContours(group.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)#提取轮廓内数字1,2,3,4
digitCnts = imutils.contours.sort_contours(digitCnts, method="left-to-right")[0] # 对找到的轮廓进行排序 按照X轴坐标
# 计算每一组中的每一个数值
for c in digitCnts:#每组数字1,2,3,4
# 找到当前数值的轮廓，resize成合适的大小
(x,y,w,h)=cv2.boundingRect(c)#具体数字
roi = group[y:y + h, x:x + w] # 数字在每组group中的坐标
# 将每个区域对应一个数字
roi = cv2.resize(roi, (22, 44)) # roi区域统一大小，根据自己需求来定
print("roi",roi)
scores = []
for (digitKey,digitROIValue) in digits.items():#识别图的roi数字与模板里每个数字matchTemplate
result=cv2.matchTemplate(roi,digitROIValue,cv2.TM_CCOEFF_NORMED)
# 返回最值及最值位置，在这里我们需要的是最小值的得分，不同的匹配度计算方法的选择不同
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc (result)
scores.append(max_val)#最大值
score = np.abs(scores) # 有负数出现，统一成正数，相关系数都变成正数
flag=False
for val in score:
if val>0.9:
flag=True
break
if !flag:
best_index = np.argmax(score) # score最大值的下标，匹配度最高
best_value = str(best_index) # 下标就是对应的数字，在字典中，key是0对应的是值为0的图片
groupOutput.append(best_value)
cv2.rectangle(img,(gx-5,gy-5),(gx+gw+5,gy+gh+5),(0,0,255),1)
# 在矩形框上绘图
cv2.putText(img, ''.join(groupOutput), (gx, gy - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)
output.append(groupOutput)
cv_show('img',img)
print('数字为：',output)
如有疑问，欢迎进群学习交流 856044792
