銀行卡識別

• 前言
• 一、數據預處理
• • 1.1 數據準備
  • 1.2 數據增強
• 二、訓練（CRNN）
• 三、需要修改的內容
• • 3.1 數據增強
  • 3.2 訓練
• 四、CRNN 結構說明
• • 4.1 CNN
  • 4.2 BiLSTM
  • 4.3 CTC
• 五、卡號檢測
• 六、BIN碼校驗
• 參考鏈接

---

前言

• 對各種銀行卡進行卡號識別，CTPN 進行文字定位，CRNN 進行文字識別以及 Web 實現銀行卡號碼識別
• 我們國內現在目前用的卡類標準為 ISO/IEC7810:2003 的 ID-1 標準，卡片尺寸是 85.60mm*53.98mm,通過計算長寬比可以得到為 0.623.
• 先思考一下我們的大致思路: 因為我們最終是要完成卡面信息的識別，我們可以分為兩個關鍵流程：文本檢測，文本識別

一、數據預處理

1.1 數據準備

• bankcard_pre 每張圖片大小為 120 * 46，圖片命名格式為 0000a_0.png
• 每個原始訓練圖片包括 4 個字符，待后來進行隨機 4~6 個隨機拼接形成類似銀行卡號的長度。
• 訓練集與驗證集的比例是 9:1

1.2 數據增強

• 先對圖像做數據增強，然后再做圖像拼接。
• 隨機縮放、平移、顏色變換、模糊處理、噪聲，最后進行連接，增強倍數 96 倍
  • noise: 隨機在圖像中添加 500 個白色點像素；（2次）
  • resize: 在一定范圍內非同比例縮放；（4次）
  • colormap: 隨機進行顏色變換；（1次）
  • blur: 分別有高斯模糊、均值模糊、中值模糊、雙邊濾波；（4次）
  • place_img: 上下浮動 10%~20%, 左右浮動 1.5%~2%；（4次）

代碼實現：

import os import numpy as np from os import getcwd import cv2 import PIL.Image import random import copy import multiprocessingPATH = 'train_img/'def rand(a=0, b=1):return np.random.rand() * (b - a) + adef rand_resize(img, img_name, count, annotation, jitter=.3):w, h, _ = img.shapenew_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 + 1annotation[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 countdef place_img(img, img_name, count, annotation):H, W, C = img.shapeoffestH = 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 += 1new_name1 = img_name[:6] + str(count) + '.png'count += 1new_name2 = img_name[:6] + str(count) + '.png'count += 1new_name3 = img_name[:6] + str(count) + '.png'count += 1cv2.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 countdef colormap(img, img_name, count, annotation):rand_b = rand() + 1rand_g = rand() + 1rand_r = rand() + 1H, W, C = img.shapenew_name = img_name[:6] + str(count) + '.png'count += 1dst = 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 = 255if g > 255:g = 255if r > 255:r = 255dst[i][j] = (b, g, r)annotation[PATH + new_name] = annotation[PATH + img_name]cv2.imwrite(PATH + new_name, dst)return countdef 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 += 1new_name1 = img_name[:6] + str(count) + '.png'count += 1new_name2 = img_name[:6] + str(count) + '.png'count += 1new_name3 = img_name[:6] + str(count) + '.png'count += 1annotation[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 countdef noise(img, img_name, count, annotation):H, W, C = img.shapenoise_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, :] = 255new_name = img_name[:6] + str(count) + '.png'count += 1annotation[PATH + new_name] = annotation[PATH + img_name]cv2.imwrite(PATH + new_name, noise_img)return countdef concat(img, img_name, count, annotation, img_list):# img = cv2.imread(PATH+img_name)H, W, C = img.shapenum = 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 += 1boxes = 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] = boxescount = noise(dst, new_name, count, annotation) # 1count = noise(dst, new_name, count, annotation)for i in range(4):count = rand_resize(dst, new_name, count, annotation) # 4count = colormap(dst, new_name, count, annotation) # 1count = blur(dst, new_name, count, annotation) # 4count = place_img(dst, new_name, count, annotation) # 4return countdef main(img, img_name, annotation):count = 1for i in range(5):count = concat(img, img_name, count, annotation, img_list) # 1print(img_name + "增強完成")if __name__ == '__main__':trainval_percent = 0.2train_percent = 0.8img_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] == '_':continueboxes.append(img_name[i])annotation[PATH + img_name] = boxes''' 多進程處理數據，windows下測試出錯 '''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()''' 非多進程處理數據 '''# 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 = 0.1rand_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、訓練（CRNN）

• step 1: 傳入訓練的圖像均為 灰度化圖像，并且 shape: (32，256)
• step 2: 預測的 label 長度：img_w / 4（即每 4 個像素分隔有一個 pred，最后采用 ctc_loss 對齊）
• step 3: 訓練指令如下

cd bankcardocr/train CUDA_VISIBLE_DEVICES=0 python run.py

三、需要修改的內容

3.1 數據增強

• PATH 的路徑
• train_file 的路徑
• val_file 的路徑

3.2 訓練

• weight_save_path 的路徑
• train_txt_path 的路徑
• val_txt_path 的路徑

四、CRNN 結構說明

• 具體實現細節可參考我另一篇博客：CRNN
• 博客地址：https://blog.csdn.net/libo1004/article/details/111595054

4.1 CNN

CNN： 采用 CNN（類似于 VGG 網絡）進行特征提取，提取到的特征以序列方式輸出。

# 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*512

4.2 BiLSTM

BLSTM： 特征輸入到 BLSTM，輸出每個序列代表的值（這個值是一個序列，代表可能出現的值），對輸出進行 softmax 操作，計算每個可能出現值得概率。

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： 相當于一個 loss，一個計算概率到實際輸出的概率。

五、卡號檢測

判斷銀行卡（儲蓄卡，信用卡）的卡號的合法性用到了 Luhn 算法
算法流程如下：

從右到左給卡號字符串編號，最右邊第一位是1，最右邊第二位是2，最右邊第三位是3….

從右向左遍歷，對每一位字符t執行第三個步驟，并將每一位的計算結果相加得到一個數s。

對每一位的計算規則：如果這一位是奇數位，則返回t本身，如果是偶數位，則先將t乘以2得到一個數n，如果n是一位數（小于10），直接返回n，否則將n的個位數和十位數相加返回。

如果s能夠整除10，則此號碼有效，否則號碼無效。

因為最終的結果會對10取余來判斷是否能夠整除10，所以又叫做模10算法。

算法代碼：

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 = 0checksum += sum(odd_digits)for d in even_digits:return checksum % 10def is_luhn_valid(card_number):return luhn_checksum(card_number) == 0

六、BIN碼校驗

銀行卡號一般是13-19位組成，國內一般是 16，19 位，其中 16 位為信用卡，19 位為儲蓄卡，通常情況下都是由 “卡BIN+發卡行自定位+校驗位” 這三部分構成，

銀行卡的前 6 位用來識別發卡銀行或者發卡機構的，稱為發卡行識別碼，簡稱為卡BIN。拿出錢包里的卡，會發現如果是只帶有銀聯標注的卡，十有八九都是以62開頭的，但是也有例外。

這里邊包含一個坑：你知道Bin碼的規則，但是你不知道國內銀行的BIN碼，網上的也大都不全，只能以后慢慢人工擴充。

我這邊整理了一份，但是也不全，大概包含有 1300 個 BIN 號，以后再慢慢整理

只需要將合法的卡號前6位切片出來進行查詢就好了。

參考鏈接

https://mp.weixin.qq.com/s/22DomsxOm6p9IotQ4XB0_Q

https://mp.weixin.qq.com/s/M_iYGkSDUHbd5gkbr9PDPw

總結

以上是生活随笔為你收集整理的『工程项目实践』银行卡识别(CTPN+CRNN)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。