下面以提取银行卡上数字为例，基于模板匹配，识别银行卡上数字。

步骤：

1.对模板进行轮廓检测，选择轮廓为外层轮廓

2.通过轮廓外接矩形完成每个模板数字的分割

3.对银行卡进行轮廓检测，同时外接矩形，分出每组大致矩形（如图）

4.计算矩形长宽比，过滤掉长宽比不同的外接矩形，得到4组数字

5.对每组数字再进行轮廓检测和外接矩形，分割出每个数字进行模板匹配

6.得到模板匹配结果，显示

实现代码：（代码中注释写的非常详细，对照上文中的步骤就可以很容易看懂了）

from imutils import contours
import numpy as np
import argparse
import imutils
import cv2


# import myutils

# 对轮廓进行从左到右排序
def sort_contours(cnts, method="left-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),
                                        key=lambda b: b[1][i], reverse=reverse))

    return cnts, boundingBoxes


def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()


# 读取一个模板图像
img = cv2.imread("model.jpg", cv2.IMREAD_COLOR)
cv_show("img", img)
# 灰度图
ref = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show("ref", ref)
# 二值化
ret, ref = cv2.threshold(ref, 10, 255, cv2.THRESH_BINARY_INV)
cv_show("model_binary", ref)

# 轮廓检测
# cv2.findContours()函数接受的参数为二值图,即黑白的(不是灰度图)
# cv2.RETR_EXTERNAL只检测外轮廓
# cv2.CHAIN_APPROX_SIMPLE只保留终点坐标
# 返回的list中每个元素都是图像中的一个轮廓
ref_, refCnts, hierarchy = cv2.findContours(ref.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 画轮廓
cv2.drawContours(img, refCnts, -1, (0, 0, 255), 2)
cv_show("img", img)
print(np.array(refCnts).shape)  # 得到轮廓数量
# 对轮廓进行从左到右,从上到下排序
refCnts = sort_contours(refCnts, method="left-to-right")[0]
digits = {}  # 构造一个字典，后面用来放分割好的单独数字模板

# 遍历每个轮廓
# i 为数值，c 为轮廓
for (i, c) in enumerate(refCnts):
    # 计算外接矩形并且resize成合适大小
    (x, y, w, h) = cv2.boundingRect(c)
    roi = ref[y:y + h, x:x + w]
    roi = cv2.resize(roi, (57, 88))

    # 每一个数字对应一个模板
    digits[i] = roi

# 模板处理完了，接下来对图像做处理

# 初始化卷积核
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))
sqKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))

# 读取输入图像，预处理
image = cv2.imread("card.jpg", cv2.IMREAD_COLOR)
cv_show("image", image)
image = cv2.resize(image, None, fx=0.3, fy=0.3)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv_show("gray", gray)

# 顶帽操作，突出更明亮的区域
tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, rectKernel)
cv_show("tophat", tophat)
# Sobel计算图像梯度
gradX = cv2.Sobel(tophat, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)  # ksize=-1相当于用3*3的

gradX = np.absolute(gradX)  # 取绝对值
(minVal, maxVal) = (np.min(gradX), np.max(gradX))
gradX = (255 * ((gradX - minVal) / (maxVal - minVal)))  # 归一化，缩放到0-255
gradX = gradX.astype("uint8")  # 转化为uint8类型

print(np.array(gradX).shape)
cv_show("gradX", gradX)

# 通过闭操作（先膨胀，再腐蚀）将数字连在一起
gradX = cv2.morphologyEx(gradX, cv2.MORPH_CLOSE, rectKernel)
cv_show("gradX", gradX)
# THRESHOLD_OTSU会自动寻找合适的阈值，适合双峰，需把阈值参数设置为0
thresh = cv2.threshold(gradX, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv_show("thresh", thresh)

# 再来一个闭操作
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, sqKernel)
cv_show("thresh", thresh)

# 计算轮廓
thresh_, threshCnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
                                                  cv2.CHAIN_APPROX_SIMPLE)
cnts = threshCnts
cur_img = image.copy()
cv2.drawContours(cur_img, cnts, -1, (0, 0, 255), 2)
cv_show("img", cur_img)
locs = []

# 遍历轮廓
for (i, c) in enumerate(cnts):
    # 计算矩形
    (x, y, w, h) = cv2.boundingRect(c)
    ar = w / float(h)  # 宽高比

    # 选择合适的区域，根据实际任务来，这里的基本都是四个数字一组
    if 2.5 < ar < 4.0:

        if (30 < w < 45) and (10 < h < 20):  # 选择合适的数值
            # 符合的留下来
            locs.append((x, y, w, h))

# 将符合的轮廓从左到右排序
locs = sorted(locs, key=lambda x: x[0])  # 按(x, y, w, h)中的x升序排序
output = []

for (i, (gX, gY, gW, gH)) in enumerate(locs):
    cv2.rectangle(image, (gX, gY), (gX + gW, gY + gH), (0, 255, 0), 2)

# cv2.rectangle(image, (0, 0), (40, 10), (255, 0, 0), 2)
# cv2.rectangle(image, (0, 0), (55, 20), (255, 0, 0), 2)
cv_show("image", image)  # 显示符合的轮廓

# 遍历每个轮廓中的数字
for (i, (gX, gY, gW, gH)) in enumerate(locs):
    # 初始化每个数字组
    groupOutput = []

    # 根据坐标提取每一个组
    group = gray[gY - 5:gY + gH + 5, gX - 5:gX + gW + 5]  # 裁剪出的一组数字，矩形框再往外扩一点
    cv_show("group", group)
    # 预处理（二值化）
    group = cv2.threshold(group, 0, 255,
                          cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
    cv_show("group", group)
    # 计算每一组的轮廓
    group_, digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL,
                                                    cv2.CHAIN_APPROX_SIMPLE)
    digitCnts = sort_contours(digitCnts, method="left-to-right")[0]  # 对数字轮廓从左到右排序

    # 计算每一组中的每一个数值
    for c in digitCnts:
        # 找到当前数值的轮廓，resize成合适大小
        (x, y, w, h) = cv2.boundingRect(c)
        roi = group[y:y + h, x:x + w]
        roi = cv2.resize(roi, (57, 88))  # resize成和模板大小一样
        cv_show("roi", roi)

        # 计算匹配得分
        scores = []

        # digits,模板数字字典
        # 在模板中计算每一个得分
        for (digit, digitROI) in digits.items():
            # 模板匹配
            result = cv2.matchTemplate(roi, digitROI,
                                       cv2.TM_CCOEFF_NORMED)
            (_, score, _, _) = cv2.minMaxLoc(result)  # 只需要最大值，其他返回值忽略
            scores.append(score)

        # 得到最合适的数字
        groupOutput.append(str(np.argmax(scores)))  # np.argmax 返回最大值的索引

    # 画出来
    cv2.rectangle(image, (gX - 5, gY - 5),
                  (gX + gW + 5, gY + gH + 5), (0, 0, 255), 2)
    cv2.putText(image, "".join(groupOutput), (gX - 5, gY - 15),
                cv2.FONT_HERSHEY_SIMPLEX, 0.65, (0, 0, 255), 2)

    # 得到结果
    output.extend(groupOutput)

# 打印结果
# print("Credit Card Type:{}".format(FIRST_NUMBER[output[0]]))
print("Credit Card #:{}".format("".join(output)))
cv_show("Image", image)