opencv身份证离线识别技术的主要技术就是通过opencv找到身份证号码区域，然后通过ocr进行数字识别该区域的截图即可得到身份证号码。本地orc使用tess-two来完成，tesseract是c++实现的ocr引擎，在android中使用不是很方便，需要封装javaapi才能在android平台中进行调用，然而tess-two已经帮我们做好了这些事情，通过集成tess-two就可以很方便的完成文字识别。
总体思路
图像的预处理
1、无损压缩
首先要处理的问题就是图片的大小不一样，因为每台设备的的像素或者说每个图片的大小本身都不一样，处理过程也会有所差异，所以首先解决的问题就是大小统一，先通过无损压缩把图片处理为大小一致的图像。根据经验值（或者说这是处理证件类的通用手法），先把图像处理为640×400的大小。
2、灰度化
现在大部分的彩色图像都是采用rgb颜色模式，处理图像的时候，要分别对rgb三种分量进行处理，实际上rgb并不能反映图像的形态特征，只是从光学的原理上进行颜色的调配。图像灰度化处理可以作为图像处理的预处理步骤，为之后的图像分割、图像识别和图像分析等上层操作做准备。
其实可以仔细想想，如果是处理一张rgb图像的话，一个像素点需要同时处理3个值，灰度化之后只需要处理一个值。如果是对比的话，一个rgb像素点就有256×256×256种可能，但是如果是对比灰度图的像素点，则只有256种可能，65536倍的速度提升，所以很多时候做其他图像处理之前，先转化为灰度图。
图像灰度化处理有分量法、最大值法、平均值法、加权平均法，其中用得较多的是加权平均法。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对rgb三分量进行加权平均能得到较合理的灰度图像:
3、图像二值化
通过以上对彩色图片进行灰度化以后，把获取到的灰度图像进行二值化处理。对于二值化，其目的是将目标用户背景分类，为后续车道的识别做准备。灰度图像二值化最常用的方法是阈值法，他利用图像中目标与背景的差异，把图像分别设置为两个不同的级别，选取一个合适的阈值，以确定某像素是目标还是背景，从而获得二值化的图像。比如以100为阈值对图像进行二值化操作：
|
1
|
f(i, j) = \left{\begin{array}{cc} 0, & (\text { gray }< = 100) \ 255, & (\text { gray }>100) \end{array}\right. |
4、膨胀与腐蚀
膨胀与腐蚀属于图像处理中最基本的形态学运算，形态学操作就是基于形状的一系列图像处理操作。opencv为进行图像的形态学变换提供了快捷且方便的函数。主要用于噪声消除、分割出独立的图像元素、在图像中连接相邻的元素、寻找图像中的明显的极大值区域或极小值区域、求出图像的梯度。
简单理解，膨胀就是求局部最大值的操作。腐蚀就是求局部最小值的操作。在处理身份证的时候，我们希望把身份证号码等数字区域连接在一起，即在图像中连接相邻的元素，所以需要使用膨胀处理，就跟蒸馒头的酵母粉一样，可以是我们想要的元素膨胀并且黏合在一起。
5、轮廓检测与图像分割
通过图像的膨胀操作，身份证号码区域已经被连接在一起了，目前需要做的事情就是检测出该区域的轮廓，使用拉普拉斯算子可以完成这个操作，opencv内部也提供了findcontours函数做轮廓检测。
那么如何分割出身份证号码区域呢？其实有一个非常简单的思路，由于身份证号码是一串不换行的数字，宽高比通常是大于9:1的，而且是位于最后一行的，如果有其他的部分的宽高比大于9:1但是却不是位于最后，那么也不能认为是身份证号码，只有坐标是最底部，而且宽高比满足大于9:1的条件才可以。
主要代码
vs2022 + opencv4.5.4
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
|
#include <iostream>#include <opencv2/opencv.hpp>#include <vector>#define default_card_width 640#define default_card_height 400#define fix_idcard_size size(default_card_width, default_card_height)#define fix_template_size size(153, 28)using namespace std;using namespace cv;int main() { std::cout << "hello, world!" << std::endl; mat src = imread("src.png"); imshow("src", src); //处理身份证 mat src_img = src; //1、无损压缩 640*400 （通用卡片类的处理方式） resize(src_img, src_img, fix_idcard_size); imshow("dst", src_img); mat dst_img; //2、灰度化 mat dst; cvtcolor(src_img, dst, color_bgr2gray); imshow("gray", dst); //3、二值化（降噪） threshold(dst, dst, 100, 255, thresh_binary); imshow("threshold", dst); // 4.1 腐蚀、膨胀 mat erodeelement = getstructuringelement(morph_rect, size(20, 10)); erode(dst, dst, erodeelement); imshow("erode", dst); //4、轮廓检测，把所有的连续的闭包用矩形包起来 /* * 一个矩形用两个点表示，contours就包含了很多矩形 */ vector<vector<point>> contours; vector<rect> rects; findcontours(dst, contours, retr_tree, chain_approx_simple, point(0, 0)); for (size_t i = 0; i < contours.size(); i++) { // 基于两点构建矩形 rect rect = boundingrect(contours.at(i)); // 绘制矩形 rectangle(dst, rect, scalar(0, 0, 255)); imshow("contours", dst); // 对符合条件的图片进行筛选，宽高比大于1：9的 if(rect.width > rect.height*9) { cout << "找到了" << endl; rects.push_back(rect); rectangle(dst, rect, scalar(0, 0, 255)); // 还需要再次矫正 //dst_img = src_img(rect); } } // imshow("dst_img", dst_img); // 如果只找到了一个矩形，说明这个就是，如果多个就找出纵坐标最低的矩形 if(rects.size() == 1) { rect rect = rects.at(0); dst_img = src_img(rect); }else { int lowpoint = 0; rect finalrect; for (size_t i = 0; i < rects.size(); ++i) { rect rect = rects.at(i); point p = rect.tl(); if(rect.tl().y > lowpoint) { lowpoint = rect.tl().y; finalrect = rect; } } rectangle(dst, finalrect, scalar(255, 255, 0)); dst_img = src_img(finalrect); } imshow("dst_img", dst_img); waitkey(); return 0;} |
cmakelist.txt
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
cmake_minimum_required (version 3.8)project(opencv_idcard)set(cmake_cxx_standard 11)add_executable (opencv_idcard "opencv_idcard.cpp" )set(opencv_dir "d:/develop/opencv-4.5.4/opencv-4.5.4-build")find_package(opencv required)include_directories(${opencv_include_dirs})target_link_libraries(opencv_idcard ${opencv_libs}) |
实现效果
来看看通过一系列的处理效果吧：
接下来要干的事情就主要有两件，首先是继承tess-two到android，这样离线识别便搞定了，另外一件事情就是图像预处理的代码移植到android上，这两件事情完成便搞定了身份证号码离线识别的功能了。
以上就是c++ opencv技术实战之身份证离线识别的详细内容，更多关于c++ opencv身份证离线识别的资料请关注服务器之家其它相关文章！
原文链接：https://zouchanglin.cn/4212809718.html
