银行卡识别
- 前言
- 一、数据预处理
- 1.1 数据准备
- 1.2 数据增强
- 二、训练（CRNN）
- 三、需要修改的内容
- 3.1 数据增强
- 3.2 训练
- 四、CRNN 结构说明
- 4.1 CNN
- 4.2 BiLSTM
- 4.3 CTC
- 五、卡号检测
- 六、BIN码校验
- 参考链接
前言
- 对各种银行卡进行卡号识别，CTPN 进行文字定位，CRNN 进行文字识别以及 Web 实现银行卡号码识别
- 我们国内现在目前用的卡类标准为 ISO/IEC7810:2003 的 ID-1 标准，卡片尺寸是 85.60mm*53.98mm,通过计算长宽比可以得到为 0.623.
- 先思考一下我们的大致思路: 因为我们最终是要完成卡面信息的识别，我们可以分为两个关键流程：
文本检测，文本识别
一、数据预处理
1.1 数据准备
bankcard_pre每张图片大小为120 * 46，图片命名格式为 0000a_0.png- 每个原始训练图片包括 4 个字符，待后来进行随机 4~6 个随机拼接形成类似银行卡号的长度。
- 训练集与验证集的比例是 9:1
1.2 数据增强
- 先对图像做数据增强，然后再做图像拼接。
- 随机缩放、平移、颜色变换、模糊处理、噪声，最后进行连接，增强倍数 96 倍
代码实现：
import os
import numpy as np
from os import getcwd
import cv2
import PIL.Image
import random
import copy
import multiprocessing
PATH = 'train_img/'
def rand(a=0, b=1):
return np.random.rand() * (b - a) + a
def rand_resize(img, img_name, count, annotation, jitter=.3):
w, h, _ = img.shape
new_ar = w / h * rand(1 - jitter, 1 + jitter) / rand(1 - jitter, 1 + jitter)
scale = rand(.25, 2)
if new_ar < 1:
nh = int(scale * h)
nw = int(nh * new_ar)
else:
nw = int(scale * w)
nh = int(nw / new_ar)
new_name = img_name[:6] + str(count) + '.png'
count = count + 1
annotation[PATH + new_name] = annotation[PATH + img_name]
new_img = cv2.resize(img, (nh, nw), cv2.INTER_CUBIC)
cv2.imwrite(PATH + new_name, new_img)
return count
def place_img(img, img_name, count, annotation):
H, W, C = img.shape
offestH = int(rand(int(H * 0.1), int(H * 0.2)))
offestW = int(rand(int(W * 0.015), int(W * 0.02)))
dst = np.zeros((H, W, C), np.uint8)
dst1 = np.zeros((H, W, C), np.uint8)
dst2 = np.zeros((H, W, C), np.uint8)
dst3 = np.zeros((H, W, C), np.uint8)
for i in range(H - offestH):
for j in range(W - offestW):
dst[i + offestH, j + offestW] = img[i, j]
dst1[i, j] = img[i + offestH, j + offestW]
dst2[i + offestH, j] = img[i, j + offestW]
dst3[i, j + offestW] = img[i + offestH, j]
new_name = img_name[:6] + str(count) + '.png'
count += 1
new_name1 = img_name[:6] + str(count) + '.png'
count += 1
new_name2 = img_name[:6] + str(count) + '.png'
count += 1
new_name3 = img_name[:6] + str(count) + '.png'
count += 1
cv2.imwrite(PATH + new_name, dst)
cv2.imwrite(PATH + new_name1, dst1)
cv2.imwrite(PATH + new_name2, dst2)
cv2.imwrite(PATH + new_name3, dst3)
annotation[PATH + new_name] = annotation[PATH + img_name]
annotation[PATH + new_name1] = annotation[PATH + img_name]
annotation[PATH + new_name2] = annotation[PATH + img_name]
annotation[PATH + new_name3] = annotation[PATH + img_name]
return count
def colormap(img, img_name, count, annotation):
rand_b = rand() + 1
rand_g = rand() + 1
rand_r = rand() + 1
H, W, C = img.shape
new_name = img_name[:6] + str(count) + '.png'
count += 1
dst = np.zeros((H, W, C), np.uint8)
for i in range(H):
for j in range(W):
(b, g, r) = img[i, j]
b = int(b * rand_b)
g = int(g * rand_g)
r = int(r * rand_r)
if b > 255:
b = 255
if g > 255:
g = 255
if r > 255:
r = 255
dst[i][j] = (b, g, r)
annotation[PATH + new_name] = annotation[PATH + img_name]
cv2.imwrite(PATH + new_name, dst)
return count
def blur(img, img_name, count, annotation):
img_GaussianBlur = cv2.GaussianBlur(img, (5, 5), 0)
img_Mean = cv2.blur(img, (5, 5))
img_Median = cv2.medianBlur(img, 3)
img_Bilater = cv2.bilateralFilter(img, 5, 100, 100)
new_name = img_name[:6] + str(count) + '.png'
count += 1
new_name1 = img_name[:6] + str(count) + '.png'
count += 1
new_name2 = img_name[:6] + str(count) + '.png'
count += 1
new_name3 = img_name[:6] + str(count) + '.png'
count += 1
annotation[PATH + new_name] = annotation[PATH + img_name]
annotation[PATH + new_name1] = annotation[PATH + img_name]
annotation[PATH + new_name2] = annotation[PATH + img_name]
annotation[PATH + new_name3] = annotation[PATH + img_name]
cv2.imwrite(PATH + new_name, img_GaussianBlur)
cv2.imwrite(PATH + new_name1, img_Mean)
cv2.imwrite(PATH + new_name2, img_Median)
cv2.imwrite(PATH + new_name3, img_Bilater)
return count
def noise(img, img_name, count, annotation):
H, W, C = img.shape
noise_img = np.zeros((H, W, C), np.uint8)
for i in range(H):
for j in range(W):
noise_img[i, j] = img[i, j]
for i in range(500):
x = np.random.randint(H)
y = np.random.randint(W)
noise_img[x, y, :] = 255
new_name = img_name[:6] + str(count) + '.png'
count += 1
annotation[PATH + new_name] = annotation[PATH + img_name]
cv2.imwrite(PATH + new_name, noise_img)
return count
def concat(img, img_name, count, annotation, img_list):
# img = cv2.imread(PATH+img_name)
H, W, C = img.shape
num = int(rand(4, 6))
imgs = random.sample(img_list, num)
dst = np.zeros((H, W * (num + 1), C), np.uint8)
for h in range(H):
for w in range(W):
dst[h, w] = img[h, w]
new_name = img_name[:6] + str(count) + '.png'
count += 1
boxes = copy.copy(annotation[PATH + img_name])
for i, image_name in enumerate(imgs):
image = cv2.imread(PATH + image_name)
for h in range(H):
for w in range(W):
dst[h, W * (i + 1) + w] = image[h, w]
for label in annotation[PATH + image_name]:
boxes.append(label)
cv2.imwrite(PATH + new_name, dst)
annotation[PATH + new_name] = boxes
count = noise(dst, new_name, count, annotation) # 1
count = noise(dst, new_name, count, annotation)
for i in range(4):
count = rand_resize(dst, new_name, count, annotation) # 4
count = colormap(dst, new_name, count, annotation) # 1
count = blur(dst, new_name, count, annotation) # 4
count = place_img(dst, new_name, count, annotation) # 4
return count
def main(img, img_name, annotation):
count = 1
for i in range(5):
count = concat(img, img_name, count, annotation, img_list) # 1
print(img_name + "增强完成")
if __name__ == '__main__':
trainval_percent = 0.2
train_percent = 0.8
img_list = os.listdir(PATH)
manager = multiprocessing.Manager()
annotation = manager.dict()
for img_name in img_list:
boxes = []
a = np.linspace(0, 120, 5, dtype=np.int)
for i in range(len(a) - 1):
if img_name[i] == '_':
continue
boxes.append(img_name[i])
annotation[PATH + img_name] = boxes
''' 多进程处理数据，windows下测试出错 '''
pool = multiprocessing.Pool(10)
for img_name in img_list:
img = cv2.imread(PATH + img_name, -1)
pool.apply_async(main, (img, img_name, annotation,))
pool.close()
pool.join()
''' 非多进程处理数据 '''
# for img_name in img_list:
# img = cv2.imread(PATH + img_name,-1)
# main(img,img_name,annotation)
train_file = open('train.txt', 'w')
val_file = open('val.txt', 'w')
val_split = 0.1
rand_index = list(range(len(annotation)))
random.shuffle(rand_index)
val_index = rand_index[0: int(0.1 * len(annotation))]
for i, names in enumerate(annotation.keys()):
if i in val_index:
val_file.write(names)
for label in annotation[names]:
val_file.write(" " + str(label))
val_file.write('\n')
else:
train_file.write(names)
for label in annotation[names]:
train_file.write(" " + str(label))
train_file.write('\n')
train_file.close()
val_file.close()二、训练（CRNN）
- step 1: 传入训练的图像均为 灰度化图像，并且 shape: (32，256)
- step 2: 预测的 label 长度：img_w / 4（即每 4 个像素分隔有一个 pred，最后采用 ctc_loss 对齐）
- step 3: 训练指令如下
cd bankcardocr/train
CUDA_VISIBLE_DEVICES=0 python run.py三、需要修改的内容
3.1 数据增强
- PATH 的路径
- train_file 的路径
- val_file 的路径
3.2 训练
- weight_save_path 的路径
- train_txt_path 的路径
- val_txt_path 的路径
四、CRNN 结构说明
具体实现细节可参考我另一篇博客：CRNN- 博客地址：
4.1 CNN
CNN： 采用 CNN（类似于 VGG 网络）进行特征提取，提取到的特征以序列方式输出。
# Map2Sequence part
x = Permute((2, 3, 1), name='permute')(conv_otput) # 64*512*1
rnn_input = TimeDistributed(Flatten(), name='for_flatten_by_time')(x) # 64*5124.2 BiLSTM
BLSTM： 特征输入到 BLSTM，输出每个序列代表的值（这个值是一个序列，代表可能出现的值），对输出进行 softmax 操作，计算每个可能出现值得概率。
y = Bidirectional(LSTM(256, kernel_initializer=initializer, return_sequences=True), merge_mode='sum', name='LSTM_1')(rnn_input) # 64*512
y = BatchNormalization(name='BN_8')(y)
y = Bidirectional(LSTM(256, kernel_initializer=initializer, return_sequences=True), name='LSTM_2')(y) # 64*512
y_pred = Dense(num_classes, activation='softmax', name='y_pred')(y)4.3 CTC
CTC： 相当于一个 loss，一个计算概率到实际输出的概率。
五、卡号检测
判断银行卡（储蓄卡，信用卡）的卡号的合法性用到了 Luhn 算法
算法流程如下：
- 从右到左给卡号字符串编号，最右边第一位是1，最右边第二位是2，最右边第三位是3….
- 从右向左遍历，对每一位字符t执行第三个步骤，并将每一位的计算结果相加得到一个数s。
- 对每一位的计算规则：如果这一位是奇数位，则返回t本身，如果是偶数位，则先将t乘以2得到一个数n，如果n是一位数（小于10），直接返回n，否则将n的个位数和十位数相加返回。
- 如果s能够整除10，则此号码有效，否则号码无效。
因为最终的结果会对10取余来判断是否能够整除10，所以又叫做模10算法。
算法代码：
def luhn_checksum(card_number):
def digits_of(n):
return [int(d) for d in str(n)]
digits = digits_of(card_number)
odd_digits = digits[-1::-2]
even_digits = digits[-2::-2]
checksum = 0
checksum += sum(odd_digits)
for d in even_digits:
return checksum % 10
def is_luhn_valid(card_number):
return luhn_checksum(card_number) == 0六、BIN码校验
银行卡号一般是13-19位组成，国内一般是 16，19 位，其中 16 位为信用卡，19 位为储蓄卡，通常情况下都是由 “卡BIN+发卡行自定位+校验位” 这三部分构成，
银行卡的前 6 位用来识别发卡银行或者发卡机构的，称为发卡行识别码，简称为卡BIN。拿出钱包里的卡，会发现如果是只带有银联标注的卡，十有八九都是以62开头的，但是也有例外。
这里边包含一个坑：你知道Bin码的规则，但是你不知道国内银行的BIN码，网上的也大都不全，只能以后慢慢人工扩充。
我这边整理了一份，但是也不全，大概包含有 1300 个 BIN 号，以后再慢慢整理
只需要将合法的卡号前6位切片出来进行查询就好了。
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
