崔偉清， 黨長春， 張 旺， 王洪洲， 羅勇牙

（華北電力大學(xué)（保定）， 河北 保定 071000）

引言

目前，應(yīng)用于字符識別的方法，主要有基于模板匹配方法[1]與基于學(xué)習(xí)方法[2]。文獻[1]基于模板匹配方法，識別準(zhǔn)確率在97%以上。文獻[2]提出了一種基于梯度方向直方圖HOG特征和支持向量機的前向車輛識別方法，識別準(zhǔn)確率在96%以上。模板匹配方法對選取的特定模板依賴性比較大，不過針對特定的圖像識別，模板識別方法可以達到更高的識別率。針對銀行卡號識別，本文用HOG算法提取特征向量[3]，利用模板匹配方法[1]，識別銀行卡號。

1 銀行卡卡號預(yù)處理

針對農(nóng)業(yè)銀行借記卡進行卡號識別。預(yù)處理步驟為灰度化、二值化、膨脹、邊緣檢測、輪廓提取、擴展圖像邊緣與歸一化、平滑。下圖1是預(yù)處理后的0、5、9 數(shù)字圖像。

圖1 預(yù)處理后的0、5、9數(shù)字圖像

2 HOG特征模板匹配算法

本文HOG算法針對預(yù)處理后的二值圖像（像素值0和255）進行處理。在求取方向梯度直方圖時，將方向角度考慮為360°，量化為12個直方圖通道，每個通道代表30°。在計算每個像素對直方圖貢獻時，采取線性插值的方法。

文獻[3]在求取block的方向梯度直方圖時，將一個block劃分為4個ceil，每個ceil有6*6個像素點。區(qū)別于文獻[3]的方法，本文將大小為42*62的二值化圖像看做一個block，一個block包含兩個ceil。兩個ceil的大小通過求圖像質(zhì)心的方法確定。本文采用基于圖像質(zhì)心劃分ceil的方法，相較于文獻[3]的方法，盡可能保留了數(shù)字信息。具體流程如下：先對預(yù)處理后的數(shù)字圖像求出質(zhì)心（x，y）；過質(zhì)心作一條橫穿數(shù)字圖像的豎直線，將圖像分為左右兩部分ceil，如圖2-1；再過質(zhì)心作一條水平線，將圖像分為上下兩部分ceil，如圖2-2。

圖2 數(shù)字0的特征向量

針對圖2-2，分別求出左右兩部分ceil的方向梯度直方圖，表示為兩個12維的特征向量。根據(jù)歐氏距離公式，將兩個特征向量分別進行L2范數(shù)歸一化處理。歸一化的目的在于，降低由于特征向量的幅值差異而對匹配造成的影響。將兩個向量合并為一個24維的向量，再次歸一化，即得到一個標(biāo)準(zhǔn)化的24維的特征描述子。針對圖2-2，分別求出上下兩部分ceil的方向梯度直方圖，并按照圖2-1的處理方法，也可得到一個24維的特征描述子。針對圖2-3，求出整幅圖像的方向梯度直方圖，得到一個12維的特征描述子。將以上3個特征描述子按順序連接起來，形成一個60維的描述子，作為數(shù)字0的特征向量。

應(yīng)用以上算法，求出每幅圖像的特征向量。每個數(shù)字選出10幅圖像，分別求出每幅圖像的特征向量，取平均值作為數(shù)字識別的模板特征向量。求取待識別的每個數(shù)字圖像的特征向量，并分別計算該特征向量與10個模板特征向量的歐式距離。歐式距離最小的模板對應(yīng)的數(shù)字，即為最佳匹配結(jié)果。

3 測試結(jié)果

本實驗所使用的數(shù)字圖片的尺寸均為42*64，軟件平臺為Microsoft Visual 2017，OpenCV3.2（開源計算機視覺庫）。為了獲得客觀全面的測試結(jié)果，選取明暗不均、存在劃痕、數(shù)字模糊等情況的樣本。分別用兩種HOG算法進行測試。第一種是傳統(tǒng)的直方圖HOG算法，特征向量有45維；另一種是本文改進后的HOG算法，特征向量有60維。測試結(jié)果見表1。

表1 測試結(jié)果

本文改進后的算法識別準(zhǔn)確率98.18%，比傳統(tǒng)HOG算法提高3.34%。經(jīng)測試發(fā)現(xiàn)，改進后的HOG算法可以識別絕大部分的數(shù)字圖像，充分體現(xiàn)了HOG算法對圖像幾何和光學(xué)形變具有良好適應(yīng)性的優(yōu)勢。

4 結(jié)語

針對銀行卡號識別，本文提出了一種HOG特征模板匹配算法，對傳統(tǒng)HOG算法進行了兩點改進：第一，利用ceil求取方向梯度直方圖時，將方向角度考慮為360°，包含12個通道，每個通道代表30°；第二，在劃分ceil大小時，提出一種基于圖像質(zhì)心劃分ceil的方法。經(jīng)過測試表明，基于以上兩點改進的HOG算法，相較于傳統(tǒng)HOG算法，使特征向量提取出了盡可能多的數(shù)字信息，有效提高了識別準(zhǔn)確率。