引言在图像处理中模板匹配是一项基础且重要的技术。通过模板匹配我们可以在目标图像中寻找与给定模板最相似的区域。身份证号码识别是计算机视觉中一个经典的应用场景常用于自动化信息录入、身份验证等系统。由于身份证号码区域具有固定的位置、字体和大小我们可以通过图像处理技术定位该区域并利用模板匹配方法识别每个数字字符。本文将基于OpenCV实现一个完整的身份证号码识别系统主要包含以下模块数字模板的构建从包含0-9数字的模板图片kahao.png中提取数字身份证图像的预处理与号码区域定位基于模板匹配的数字识别结果可视化与输出代码将逐步解释每个环节并重点剖析轮廓排序和模板匹配这两个关键用法。环境与依赖Python 3.xOpenCVcv2NumPynp任务描述给定一张包含0-9数字的模板图片kahao.png和一张待识别的身份证图片sfz.jpg要求完成以下任务从kahao.png中提取每个数字的轮廓并按照从左到右的顺序构建数字模板库对待识别图片sfz.jpg进行预处理定位身份证号码区域使用模板匹配方法识别每个数字字符在原图上绘制识别结果并输出完整的身份证号码。模板图片 (sfz_tp.png) 示意待识别图片 (sfz.jpg) 内容最终效果示意实现步骤详解1. 工具函数定义首先定义两个辅助函数方便后续调用。1.1 图像显示函数cv_showdef cv_show(name, image): if image is None or image.size 0: print(f[{name}] 图像为空无法显示) return cv2.imshow(name, image) cv2.waitKey(0)该函数封装了图像显示并增加了空值检查避免程序崩溃。1.2 轮廓排序函数sort_contoursdef sort_contours(cnts, methodleft-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] (cnts, boundingBoxes) zip(*sorted(zip(cnts, boundingBoxes), keylambda b: b[1][i], reversereverse)) return cnts, boundingBoxes该函数根据指定的方向如从左到右对轮廓进行排序。在识别身份证号码时我们需要按字符从左到右的顺序输出结果因此这个函数非常实用。2. 数字模板构建从sfz_tp.png提取模板图片sfz_tp.png包含0-9十个数字我们需要从中提取每个数字的ROI并将其缩放到统一尺寸57×88作为后续匹配的模板库。2.1 读取模板图像并预处理img cv2.imread(sfz_tp.png) cv_show(img, img) gray cv2.imread(sfz_tp.png, 0) # 灰度读取 ref cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY_INV)[1] # 反色二值化 cv_show(ref, ref)说明使用阈值150进行二值化并采用THRESH_BINARY_INV反色处理使数字变为白色255背景为黑色0。这有利于轮廓检测。结果展示2.2 查找轮廓并绘制_, refCnts, hierarchy cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) cv2.drawContours(img, refCnts, -1, (0, 255, 0), 2) cv_show(img, img)使用RETR_EXTERNAL只检测最外层轮廓避免内部空洞干扰。绘制轮廓可以验证检测效果。结果展示2.3 对轮廓排序并提取每个数字refCnts sort_contours(refCnts, methodleft-to-right)[0] digits [] for c in refCnts: (x, y, w, h) cv2.boundingRect(c) # 稍微扩大一点范围防止切到数字边缘 roi gray[y-2:yh2, x-2:xw2] roi cv2.resize(roi, (57, 88)) # 统一缩放 cv_show(roi, roi) digits.append(roi) cv2.destroyAllWindows()排序后轮廓顺序与数字顺序一致从左到右。对每个轮廓计算外接矩形并向外扩展2个像素后截取ROI然后缩放到固定尺寸57×88。digits列表存储了所有数字模板。结果展示3. 身份证号码识别从sfz.jpg识别3.1 读取待识别图像并预处理img cv2.imread(sfz.jpg) img_copy img.copy() cv_show(img, img) gray cv2.imread(sfz.jpg, 0) cv_show(gray, gray) ref cv2.threshold(gray, 120, 255, cv2.THRESH_BINARY_INV)[1] cv_show(ref, ref)同样进行灰度化和反色二值化。阈值120可根据图像质量微调。3.2 查找轮廓并筛选号码区域_, refCnts, hierarchy cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) a cv2.drawContours(img.copy(), refCnts, -1, (0, 255, 0), 2) cv_show(img, a) locs [] for c in refCnts: (x, y, w, h) cv2.boundingRect(c) # 根据身份证号码区域的实际坐标范围进行筛选 if (330 y 360) and (x 220): locs.append((x, y, w, h)) locs sorted(locs, keylambda x: x[0]) # 按x坐标从左到右排序由于身份证号码通常位于固定位置我们可以通过观察图像确定坐标范围。本例中号码区域的y坐标大致在330~360之间且x220。筛选后得到每个字符的外接矩形并按x排序。结果展示3.3 模板匹配识别数字output [] for (gX, gY, gW, gH) in locs: # 截取单个字符区域并稍微扩大边界 group ref[gY-2:gYgH2, gX-2:gXgW2] roi cv2.resize(group, (57, 88)) cv_show(roi, roi) scores [] for digitROI in digits: result cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF) (_, score, _, _) cv2.minMaxLoc(result) scores.append(score) jiegou str(np.argmax(scores)) output.append(jiegou) # 在原图上绘制矩形和识别结果 cv2.rectangle(img, (gX-5, gY-5), (gXgW5, gYgH5), (0, 0, 255), 1) cv2.putText(img, jiegou, (gX, gY-15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)匹配过程对每个待识别字符ROI与digits列表中的10个模板分别进行模板匹配使用相关系数法TM_CCOEFF得分最高的模板对应的数字即为识别结果。np.argmax(scores)返回得分最高的索引该索引即为数字值。3.4 输出与显示print(Card ID #: {}.format(.join(output))) cv2.imshow(Image, img) cv2.waitKey(0) cv2.destroyAllWindows()最终打印识别出的身份证号码并显示带有标记的图片。结果展示完整代码整合以上所有步骤得到完整的识别程序。import cv2 import numpy as np # 通用工具函数定义 def cv_show(name, image): 图片展示函数 :param name: 窗口名称 :param image: 图像对象 # 防止传入空图像导致报错 if image is None or image.size 0: print(f[{name}] 图像为空无法显示) return cv2.imshow(name, image) cv2.waitKey(0) # cv2.destroyWindow(name) def sort_contours(cnts, methodleft-to-right): 轮廓排序函数用于数字识别时按从左到右顺序排列 :param cnts: 找到的轮廓列表 :param method: 排序方式默认从左到右 :return: 排序后的轮廓、对应的边界框坐标 # 初始化排序索引 i 0 reverse False # 根据排序方向调整 if method right-to-left or method bottom-to-top: reverse True if method top-to-bottom or method bottom-to-top: i 1 # 存储每个轮廓的边界框 boundingBoxes [cv2.boundingRect(c) for c in cnts] # 按指定规则排序 (cnts, boundingBoxes) zip(*sorted(zip(cnts, boundingBoxes), keylambda b: b[1][i], reversereverse)) return cnts, boundingBoxes # 模板图像中的数字定位处理 # 1. 读取模板图片身份证模板 img cv2.imread(sfz_tp.png) cv_show(img, img) # 2. 灰度化处理 # 注意此处图片路径重复且flags0 代表以灰度模式读取下面重新规范读取 gray cv2.imread(sfz_tp.png, 0) # 3. 二值化处理 (THRESH_BINARY_INV 表示反色二值化白色背景变黑数字变白) ref cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY_INV)[1] cv_show(ref, ref) # 4. 查找轮廓 (只检测外轮廓压缩轮廓点) _,refCnts, hierarchy cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 5. 在原图上绘制轮廓 (绿色线条厚度2) cv2.drawContours(img, refCnts, -1, color(0, 255, 0), thickness2) cv_show(img, img) # 6. 对检测到的轮廓进行从左到右排序 refCnts sort_contours(refCnts, methodleft-to-right)[0] # 7. 遍历每一个数字轮廓提取ROI并标准化大小 digits [] for c in refCnts: # 计算外接矩形 (x, y, w, h) cv2.boundingRect(c) # 截取ROI区域并稍微扩大一点范围x-2: xw2, y-2: yh2 # 防止切到数字边缘 roi gray[y - 2: y h 2, x - 2: x w 2] # 统一缩放为 57x88 的标准尺寸适配模型输入 roi cv2.resize(roi, dsize(57, 88)) cv_show(roi, roi) digits.append(roi) # 8. 销毁所有OpenCV窗口 cv2.destroyAllWindows() # 身份证号码识别 # 1. 读取待识别的身份证照片 img cv2.imread(sfz.jpg) img_copy img.copy() # 备份原图 cv_show(img, img) # 2. 灰度化处理 gray cv2.imread(sfz.jpg, 0) cv_show(gray, gray) # 3. 二值化处理 (阈值120反色) ref cv2.threshold(gray, 120, 255, cv2.THRESH_BINARY_INV)[1] cv_show(ref, ref) # 查找轮廓外轮廓压缩轮廓点 _, refCnts, hierarchy cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 在副本上绘制轮廓绿色厚度2 a cv2.drawContours(img.copy(), refCnts, -1, color(0, 255, 0), thickness2) cv_show(nameimg, imagea) locs [] # 遍历轮廓筛选符合坐标范围的区域 for c in refCnts: (x, y, w, h) cv2.boundingRect(c) # 外接矩形 # 选择合适的区域根据实际任务来 if (330 y 360) and (x 220): # 符合的留下来 locs.append((x, y, w, h)) # 按x坐标从左到右排序 locs sorted(locs, keylambda x: x[0]) import numpy as np output [] # 遍历每个定位到的字符区域 for (gX, gY, gW, gH) in locs: # 截取区域并加一点边界 group ref[gY - 2:gY gH 2, gX - 2:gX gW 2] # cv_show(group, group) # 缩放到和模板一致的尺寸 roi cv2.resize(group, (57, 88)) cv_show(roi, roi) ------使用模板匹配计算匹配得分------ scores [] # 在模板中计算每一个得分 for digitROI in digits: # 模板匹配相关系数法 result cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF) (_, score, _, _) cv2.minMaxLoc(result) scores.append(score) # 得到最合适的数字得分最大的索引 jiegou str(np.argmax(scores)) output.append(jiegou) # 在图像上绘制矩形和识别结果 cv2.rectangle(img, pt1(gX - 5, gY - 5), pt2(gX gW 5, gY gH 5), color(0, 0, 255), thickness1) cv2.putText(img, jiegou, org(gX, gY - 15), fontFacecv2.FONT_HERSHEY_SIMPLEX, fontScale0.65, color(0, 0, 255), thickness2) # 打印结果 print(Card ID #: {}.format(.join(output))) # 显示最终结果 cv2.imshow(winnameImage, matimg) cv2.waitKey(0) cv2.destroyAllWindows()关键点解析1. 轮廓排序函数sort_contours的设计cv2.boundingRect(c)计算每个轮廓的最小外接矩形返回(x, y, w, h)。sorted(zip(cnts, boundingBoxes), keylambda b: b[1][i])将轮廓和对应的边界框打包在一起根据边界框的xi0或yi1坐标进行排序。参数method支持四种排序方向从左到右、从右到左、从上到下、从下到上。在身份证号码识别中我们使用默认的left-to-right。为什么需要排序cv2.findContours返回的轮廓顺序是随机的而身份证号码的字符顺序必须从左到右因此排序是必不可少的一步。2. 二值化阈值的选择模板图片kahao.png使用阈值150。由于模板图片通常背景简单、数字清晰固定阈值即可良好分割。身份证图片sfz.jpg使用阈值120。实际身份证照片可能存在光照不均阈值需要根据具体图像调整。若效果不佳可考虑自适应阈值如cv2.adaptiveThreshold或Otsu大津法。3. 字符区域筛选策略本例中身份证号码区域的y坐标大致在330~360之间且x220。这种基于坐标的筛选简单有效但依赖于身份证在图像中的固定位置。更通用的方法是根据轮廓的宽高比例如数字通常宽高比在0.3~0.8之间筛选根据轮廓面积筛选利用轮廓的排列规律连续多个轮廓且间距均匀进行组合筛选4. 模板匹配方法选择cv2.TM_CCOEFF相关系数匹配法计算模板与图像区域的相关系数值越大表示越匹配。cv2.minMaxLoc(result)返回最大值及其位置。为什么使用这种方法因为它对线性光照变化有一定鲁棒性且结果范围不固定便于取最大值进行比较。注意模板和待识别字符已经缩放到相同尺寸57×88因此可以直接匹配。5. ROI扩展在截取字符区域时向外扩展2个像素y-2:yh2等可以避免因轮廓检测不精确而切掉字符边缘提高匹配精度。这个技巧在处理边缘不清晰的字符时尤其有效。6.np.argmax(scores)的用法scores是一个长度为10的列表分别对应0-9十个模板的匹配得分。np.argmax(scores)返回得分最高的索引该索引正好等于识别出的数字值。例如如果索引3得分最高则识别结果为数字3。运行结果与讨论运行代码后将依次弹出多个窗口展示中间步骤的图像模板原图及二值化结果模板轮廓绘制结果每个提取出的数字模板身份证原图及预处理结果身份证轮廓绘制结果每个待识别字符区域最终带有红色矩形框和数字标签的身份证图片控制台将输出识别结果Card ID #: 007204039379000094可能遇到的问题及改进模板图片质量如果kahao.png中数字不清晰或排列不齐可能导致模板提取失败。建议使用打印体数字的标准图片确保数字完整且间隔足够。光照影响身份证照片可能因光照不均导致二值化效果差。可使用形态学操作如闭运算填充断裂字符或采用动态阈值。字符粘连如果身份证号码字符之间粘连可能无法分离出单个轮廓。可尝试基于垂直投影的分割方法。通用性此方法依赖于号码区域的固定位置适用于扫描仪或固定布局的身份证图像。对于手机拍照的图像需要先进行透视校正将身份证区域矫正为标准矩形。总结本文通过一个完整的身份证号码识别示例展示了OpenCV在图像处理中的典型应用流程模板构建从模板图像中提取数字轮廓排序并统一尺寸图像预处理灰度化、二值化、轮廓检测区域筛选基于坐标或特征筛选目标区域模板匹配利用matchTemplate进行数字识别结果可视化绘制矩形框并标注识别结果重点剖析了轮廓排序函数的设计思想和模板匹配的实现细节帮助读者理解如何利用OpenCV和Python内置函数实现高效的字符识别系统。该方案简单高效适合作为入门级OCR实践项目。读者可根据实际应用场景优化预处理流程提升识别鲁棒性。希望这篇文章对你在图像处理和字符识别方面有所帮助如果有任何问题或建议欢迎留言讨论。注意实际运行代码时请确保kahao.png和sfz.jpg存在于当前目录并根据实际图像调整阈值和坐标范围。
OpenCV 实战：身份证号码识别系统（基于模板匹配）
发布时间：2026/6/30 12:29:18
引言在图像处理中模板匹配是一项基础且重要的技术。通过模板匹配我们可以在目标图像中寻找与给定模板最相似的区域。身份证号码识别是计算机视觉中一个经典的应用场景常用于自动化信息录入、身份验证等系统。由于身份证号码区域具有固定的位置、字体和大小我们可以通过图像处理技术定位该区域并利用模板匹配方法识别每个数字字符。本文将基于OpenCV实现一个完整的身份证号码识别系统主要包含以下模块数字模板的构建从包含0-9数字的模板图片kahao.png中提取数字身份证图像的预处理与号码区域定位基于模板匹配的数字识别结果可视化与输出代码将逐步解释每个环节并重点剖析轮廓排序和模板匹配这两个关键用法。环境与依赖Python 3.xOpenCVcv2NumPynp任务描述给定一张包含0-9数字的模板图片kahao.png和一张待识别的身份证图片sfz.jpg要求完成以下任务从kahao.png中提取每个数字的轮廓并按照从左到右的顺序构建数字模板库对待识别图片sfz.jpg进行预处理定位身份证号码区域使用模板匹配方法识别每个数字字符在原图上绘制识别结果并输出完整的身份证号码。模板图片 (sfz_tp.png) 示意待识别图片 (sfz.jpg) 内容最终效果示意实现步骤详解1. 工具函数定义首先定义两个辅助函数方便后续调用。1.1 图像显示函数cv_showdef cv_show(name, image): if image is None or image.size 0: print(f[{name}] 图像为空无法显示) return cv2.imshow(name, image) cv2.waitKey(0)该函数封装了图像显示并增加了空值检查避免程序崩溃。1.2 轮廓排序函数sort_contoursdef sort_contours(cnts, methodleft-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] (cnts, boundingBoxes) zip(*sorted(zip(cnts, boundingBoxes), keylambda b: b[1][i], reversereverse)) return cnts, boundingBoxes该函数根据指定的方向如从左到右对轮廓进行排序。在识别身份证号码时我们需要按字符从左到右的顺序输出结果因此这个函数非常实用。2. 数字模板构建从sfz_tp.png提取模板图片sfz_tp.png包含0-9十个数字我们需要从中提取每个数字的ROI并将其缩放到统一尺寸57×88作为后续匹配的模板库。2.1 读取模板图像并预处理img cv2.imread(sfz_tp.png) cv_show(img, img) gray cv2.imread(sfz_tp.png, 0) # 灰度读取 ref cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY_INV)[1] # 反色二值化 cv_show(ref, ref)说明使用阈值150进行二值化并采用THRESH_BINARY_INV反色处理使数字变为白色255背景为黑色0。这有利于轮廓检测。结果展示2.2 查找轮廓并绘制_, refCnts, hierarchy cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) cv2.drawContours(img, refCnts, -1, (0, 255, 0), 2) cv_show(img, img)使用RETR_EXTERNAL只检测最外层轮廓避免内部空洞干扰。绘制轮廓可以验证检测效果。结果展示2.3 对轮廓排序并提取每个数字refCnts sort_contours(refCnts, methodleft-to-right)[0] digits [] for c in refCnts: (x, y, w, h) cv2.boundingRect(c) # 稍微扩大一点范围防止切到数字边缘 roi gray[y-2:yh2, x-2:xw2] roi cv2.resize(roi, (57, 88)) # 统一缩放 cv_show(roi, roi) digits.append(roi) cv2.destroyAllWindows()排序后轮廓顺序与数字顺序一致从左到右。对每个轮廓计算外接矩形并向外扩展2个像素后截取ROI然后缩放到固定尺寸57×88。digits列表存储了所有数字模板。结果展示3. 身份证号码识别从sfz.jpg识别3.1 读取待识别图像并预处理img cv2.imread(sfz.jpg) img_copy img.copy() cv_show(img, img) gray cv2.imread(sfz.jpg, 0) cv_show(gray, gray) ref cv2.threshold(gray, 120, 255, cv2.THRESH_BINARY_INV)[1] cv_show(ref, ref)同样进行灰度化和反色二值化。阈值120可根据图像质量微调。3.2 查找轮廓并筛选号码区域_, refCnts, hierarchy cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) a cv2.drawContours(img.copy(), refCnts, -1, (0, 255, 0), 2) cv_show(img, a) locs [] for c in refCnts: (x, y, w, h) cv2.boundingRect(c) # 根据身份证号码区域的实际坐标范围进行筛选 if (330 y 360) and (x 220): locs.append((x, y, w, h)) locs sorted(locs, keylambda x: x[0]) # 按x坐标从左到右排序由于身份证号码通常位于固定位置我们可以通过观察图像确定坐标范围。本例中号码区域的y坐标大致在330~360之间且x220。筛选后得到每个字符的外接矩形并按x排序。结果展示3.3 模板匹配识别数字output [] for (gX, gY, gW, gH) in locs: # 截取单个字符区域并稍微扩大边界 group ref[gY-2:gYgH2, gX-2:gXgW2] roi cv2.resize(group, (57, 88)) cv_show(roi, roi) scores [] for digitROI in digits: result cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF) (_, score, _, _) cv2.minMaxLoc(result) scores.append(score) jiegou str(np.argmax(scores)) output.append(jiegou) # 在原图上绘制矩形和识别结果 cv2.rectangle(img, (gX-5, gY-5), (gXgW5, gYgH5), (0, 0, 255), 1) cv2.putText(img, jiegou, (gX, gY-15), cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)匹配过程对每个待识别字符ROI与digits列表中的10个模板分别进行模板匹配使用相关系数法TM_CCOEFF得分最高的模板对应的数字即为识别结果。np.argmax(scores)返回得分最高的索引该索引即为数字值。3.4 输出与显示print(Card ID #: {}.format(.join(output))) cv2.imshow(Image, img) cv2.waitKey(0) cv2.destroyAllWindows()最终打印识别出的身份证号码并显示带有标记的图片。结果展示完整代码整合以上所有步骤得到完整的识别程序。import cv2 import numpy as np # 通用工具函数定义 def cv_show(name, image): 图片展示函数 :param name: 窗口名称 :param image: 图像对象 # 防止传入空图像导致报错 if image is None or image.size 0: print(f[{name}] 图像为空无法显示) return cv2.imshow(name, image) cv2.waitKey(0) # cv2.destroyWindow(name) def sort_contours(cnts, methodleft-to-right): 轮廓排序函数用于数字识别时按从左到右顺序排列 :param cnts: 找到的轮廓列表 :param method: 排序方式默认从左到右 :return: 排序后的轮廓、对应的边界框坐标 # 初始化排序索引 i 0 reverse False # 根据排序方向调整 if method right-to-left or method bottom-to-top: reverse True if method top-to-bottom or method bottom-to-top: i 1 # 存储每个轮廓的边界框 boundingBoxes [cv2.boundingRect(c) for c in cnts] # 按指定规则排序 (cnts, boundingBoxes) zip(*sorted(zip(cnts, boundingBoxes), keylambda b: b[1][i], reversereverse)) return cnts, boundingBoxes # 模板图像中的数字定位处理 # 1. 读取模板图片身份证模板 img cv2.imread(sfz_tp.png) cv_show(img, img) # 2. 灰度化处理 # 注意此处图片路径重复且flags0 代表以灰度模式读取下面重新规范读取 gray cv2.imread(sfz_tp.png, 0) # 3. 二值化处理 (THRESH_BINARY_INV 表示反色二值化白色背景变黑数字变白) ref cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY_INV)[1] cv_show(ref, ref) # 4. 查找轮廓 (只检测外轮廓压缩轮廓点) _,refCnts, hierarchy cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 5. 在原图上绘制轮廓 (绿色线条厚度2) cv2.drawContours(img, refCnts, -1, color(0, 255, 0), thickness2) cv_show(img, img) # 6. 对检测到的轮廓进行从左到右排序 refCnts sort_contours(refCnts, methodleft-to-right)[0] # 7. 遍历每一个数字轮廓提取ROI并标准化大小 digits [] for c in refCnts: # 计算外接矩形 (x, y, w, h) cv2.boundingRect(c) # 截取ROI区域并稍微扩大一点范围x-2: xw2, y-2: yh2 # 防止切到数字边缘 roi gray[y - 2: y h 2, x - 2: x w 2] # 统一缩放为 57x88 的标准尺寸适配模型输入 roi cv2.resize(roi, dsize(57, 88)) cv_show(roi, roi) digits.append(roi) # 8. 销毁所有OpenCV窗口 cv2.destroyAllWindows() # 身份证号码识别 # 1. 读取待识别的身份证照片 img cv2.imread(sfz.jpg) img_copy img.copy() # 备份原图 cv_show(img, img) # 2. 灰度化处理 gray cv2.imread(sfz.jpg, 0) cv_show(gray, gray) # 3. 二值化处理 (阈值120反色) ref cv2.threshold(gray, 120, 255, cv2.THRESH_BINARY_INV)[1] cv_show(ref, ref) # 查找轮廓外轮廓压缩轮廓点 _, refCnts, hierarchy cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 在副本上绘制轮廓绿色厚度2 a cv2.drawContours(img.copy(), refCnts, -1, color(0, 255, 0), thickness2) cv_show(nameimg, imagea) locs [] # 遍历轮廓筛选符合坐标范围的区域 for c in refCnts: (x, y, w, h) cv2.boundingRect(c) # 外接矩形 # 选择合适的区域根据实际任务来 if (330 y 360) and (x 220): # 符合的留下来 locs.append((x, y, w, h)) # 按x坐标从左到右排序 locs sorted(locs, keylambda x: x[0]) import numpy as np output [] # 遍历每个定位到的字符区域 for (gX, gY, gW, gH) in locs: # 截取区域并加一点边界 group ref[gY - 2:gY gH 2, gX - 2:gX gW 2] # cv_show(group, group) # 缩放到和模板一致的尺寸 roi cv2.resize(group, (57, 88)) cv_show(roi, roi) ------使用模板匹配计算匹配得分------ scores [] # 在模板中计算每一个得分 for digitROI in digits: # 模板匹配相关系数法 result cv2.matchTemplate(roi, digitROI, cv2.TM_CCOEFF) (_, score, _, _) cv2.minMaxLoc(result) scores.append(score) # 得到最合适的数字得分最大的索引 jiegou str(np.argmax(scores)) output.append(jiegou) # 在图像上绘制矩形和识别结果 cv2.rectangle(img, pt1(gX - 5, gY - 5), pt2(gX gW 5, gY gH 5), color(0, 0, 255), thickness1) cv2.putText(img, jiegou, org(gX, gY - 15), fontFacecv2.FONT_HERSHEY_SIMPLEX, fontScale0.65, color(0, 0, 255), thickness2) # 打印结果 print(Card ID #: {}.format(.join(output))) # 显示最终结果 cv2.imshow(winnameImage, matimg) cv2.waitKey(0) cv2.destroyAllWindows()关键点解析1. 轮廓排序函数sort_contours的设计cv2.boundingRect(c)计算每个轮廓的最小外接矩形返回(x, y, w, h)。sorted(zip(cnts, boundingBoxes), keylambda b: b[1][i])将轮廓和对应的边界框打包在一起根据边界框的xi0或yi1坐标进行排序。参数method支持四种排序方向从左到右、从右到左、从上到下、从下到上。在身份证号码识别中我们使用默认的left-to-right。为什么需要排序cv2.findContours返回的轮廓顺序是随机的而身份证号码的字符顺序必须从左到右因此排序是必不可少的一步。2. 二值化阈值的选择模板图片kahao.png使用阈值150。由于模板图片通常背景简单、数字清晰固定阈值即可良好分割。身份证图片sfz.jpg使用阈值120。实际身份证照片可能存在光照不均阈值需要根据具体图像调整。若效果不佳可考虑自适应阈值如cv2.adaptiveThreshold或Otsu大津法。3. 字符区域筛选策略本例中身份证号码区域的y坐标大致在330~360之间且x220。这种基于坐标的筛选简单有效但依赖于身份证在图像中的固定位置。更通用的方法是根据轮廓的宽高比例如数字通常宽高比在0.3~0.8之间筛选根据轮廓面积筛选利用轮廓的排列规律连续多个轮廓且间距均匀进行组合筛选4. 模板匹配方法选择cv2.TM_CCOEFF相关系数匹配法计算模板与图像区域的相关系数值越大表示越匹配。cv2.minMaxLoc(result)返回最大值及其位置。为什么使用这种方法因为它对线性光照变化有一定鲁棒性且结果范围不固定便于取最大值进行比较。注意模板和待识别字符已经缩放到相同尺寸57×88因此可以直接匹配。5. ROI扩展在截取字符区域时向外扩展2个像素y-2:yh2等可以避免因轮廓检测不精确而切掉字符边缘提高匹配精度。这个技巧在处理边缘不清晰的字符时尤其有效。6.np.argmax(scores)的用法scores是一个长度为10的列表分别对应0-9十个模板的匹配得分。np.argmax(scores)返回得分最高的索引该索引正好等于识别出的数字值。例如如果索引3得分最高则识别结果为数字3。运行结果与讨论运行代码后将依次弹出多个窗口展示中间步骤的图像模板原图及二值化结果模板轮廓绘制结果每个提取出的数字模板身份证原图及预处理结果身份证轮廓绘制结果每个待识别字符区域最终带有红色矩形框和数字标签的身份证图片控制台将输出识别结果Card ID #: 007204039379000094可能遇到的问题及改进模板图片质量如果kahao.png中数字不清晰或排列不齐可能导致模板提取失败。建议使用打印体数字的标准图片确保数字完整且间隔足够。光照影响身份证照片可能因光照不均导致二值化效果差。可使用形态学操作如闭运算填充断裂字符或采用动态阈值。字符粘连如果身份证号码字符之间粘连可能无法分离出单个轮廓。可尝试基于垂直投影的分割方法。通用性此方法依赖于号码区域的固定位置适用于扫描仪或固定布局的身份证图像。对于手机拍照的图像需要先进行透视校正将身份证区域矫正为标准矩形。总结本文通过一个完整的身份证号码识别示例展示了OpenCV在图像处理中的典型应用流程模板构建从模板图像中提取数字轮廓排序并统一尺寸图像预处理灰度化、二值化、轮廓检测区域筛选基于坐标或特征筛选目标区域模板匹配利用matchTemplate进行数字识别结果可视化绘制矩形框并标注识别结果重点剖析了轮廓排序函数的设计思想和模板匹配的实现细节帮助读者理解如何利用OpenCV和Python内置函数实现高效的字符识别系统。该方案简单高效适合作为入门级OCR实践项目。读者可根据实际应用场景优化预处理流程提升识别鲁棒性。希望这篇文章对你在图像处理和字符识别方面有所帮助如果有任何问题或建议欢迎留言讨论。注意实际运行代码时请确保kahao.png和sfz.jpg存在于当前目录并根据实际图像调整阈值和坐标范围。
![华为OD机试2025C卷-字符串变换最小次数[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率](http://pic.xiahunao.cn/yaotu/华为OD机试2025C卷-字符串变换最小次数[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率)
![华为OD机试2025C卷-内存资源分配[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率](http://pic.xiahunao.cn/yaotu/华为OD机试2025C卷-内存资源分配[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率)
