java身份证号码识别,适用于web端身份证识别服务器，前端进行身份证号码定位，后端精准处理识别

package com.nbsl.cv.utils; import java.awt.AlphaComposite; import java.awt.Graphics2D; import java.awt.image.BufferedImage; import java.awt.image.DataBufferByte; import java.io.ByteArrayInputStream; import java.io.File; import java.io.InputStream; import java.util.ArrayList; import java.util.Collections; import java.util.Comparator; import java.util.List; import javax.imageio.ImageIO; import org.bytedeco.javacpp.BytePointer; import org.bytedeco.javacpp.opencv_core; import org.bytedeco.javacpp.opencv_core.Mat; import org.bytedeco.javacpp.opencv_core.MatExpr; import org.bytedeco.javacpp.opencv_core.MatVector; import org.bytedeco.javacpp.opencv_core.Point; import org.bytedeco.javacpp.opencv_core.Point2d; import org.bytedeco.javacpp.opencv_core.Point2f; import org.bytedeco.javacpp.opencv_core.PointVector; import org.bytedeco.javacpp.opencv_core.Rect; import org.bytedeco.javacpp.opencv_core.RectVector; import org.bytedeco.javacpp.opencv_core.RotatedRect; import org.bytedeco.javacpp.opencv_core.Scalar; import org.bytedeco.javacpp.opencv_core.Size; import org.bytedeco.javacpp.opencv_imgcodecs; import org.bytedeco.javacpp.opencv_imgproc; import org.bytedeco.javacpp.opencv_objdetect.CascadeClassifier; import org.bytedeco.javacpp.indexer.ByteArrayIndexer; import org.bytedeco.javacpp.indexer.ByteIndexer; import org.bytedeco.javacpp.indexer.DoubleArrayIndexer; import org.bytedeco.javacpp.indexer.DoubleIndexer; import org.bytedeco.javacpp.indexer.IntIndexer; import org.bytedeco.javacpp.indexer.IntRawIndexer; import org.bytedeco.javacpp.indexer.UByteRawIndexer; public class OpencvUtil { private static final int BLACK = 0; private static final int WHITE = 255; public static Mat flow(Mat mat) { // 灰度 mat = OpencvUtil.gray(mat); // 二值化 此处绝定图片的清晰度 mat = OpencvUtil.binary(mat); // 腐蚀 去除背景图片 mat = OpencvUtil.erode(mat, 1); return mat; } /** * 灰化处理 * * @return */ public static Mat gray(Mat mat) { Mat gray = new Mat(); opencv_imgproc.cvtColor(mat, gray, opencv_imgproc.COLOR_BGR2GRAY, 1); return gray; } /** * 增强对比 * @param mat * @return */ public static Mat splitBGR(Mat mat) { MatVector splitBGR = new MatVector(); opencv_core.split(mat, splitBGR); for (int i = 0; i<mat.channels(); i++){ opencv_imgproc.equalizeHist(splitBGR.get(i), splitBGR.get(i)); } opencv_core.merge(splitBGR, mat); return mat; } /** * 二值化处理 *参数1：InputArray类型的src，输入图像，填单通道，单8位浮点类型Mat即可。 参数2：函数运算后的结果存放在这。即为输出图像（与输入图像同样的尺寸和类型）。 参数3：预设满足条件的最大值。 参数4：指定自适应阈值算法。可选择ADAPTIVE_THRESH_MEAN_C 或 ADAPTIVE_THRESH_GAUSSIAN_C两种。（具体见下面的解释）。 参数5：指定阈值类型。可选择THRESH_BINARY或者THRESH_BINARY_INV两种。（即二进制阈值或反二进制阈值）。 参数6：表示邻域块大小，用来计算区域阈值，一般选择为3、5、7......等。 参数7：参数C表示与算法有关的参数，它是一个从均值或加权均值提取的常数，可以是负数。（具体见下面的解释）。 * @return */ public static Mat binary(Mat mat) { Mat binary = new Mat(); // 高斯平滑滤波器卷积降噪 //opencv_imgproc.GaussianBlur(mat, mat, new Size(3,3), 0); opencv_imgproc.adaptiveThreshold(mat, binary, 255, opencv_imgproc.ADAPTIVE_THRESH_GAUSSIAN_C, opencv_imgproc.THRESH_BINARY_INV, 7, 10); return binary; } /** * 模糊处理 * * @param mat * @return */ public static Mat blur(Mat mat) { Mat blur = new Mat(); opencv_imgproc.blur(mat, blur, new Size(5, 5)); return blur; } /** * 膨胀 * * @param mat * @return */ public static Mat dilate(Mat mat, int size) { Mat dilate = new Mat(); Mat element = opencv_imgproc.getStructuringElement(opencv_imgproc.MORPH_RECT, new Size(size, size)); // 膨胀 opencv_imgproc.dilate(mat, dilate, element); // , new Point(-1, -1), 1 return dilate; } /** * 腐蚀 * * @param mat * @return */ public static Mat erode(Mat mat, int size) { Mat erode = new Mat(); Mat element = opencv_imgproc.getStructuringElement(opencv_imgproc.MORPH_RECT, new Size(size, size)); // 腐蚀 opencv_imgproc.erode(mat, erode, element);// , new Point(-1, -1), 1 return erode; } /** * 边缘检测 * * @param mat * @return */ public static Mat carry(Mat mat) { Mat dst = new Mat(); // 高斯平滑滤波器卷积降噪 opencv_imgproc.GaussianBlur(mat, dst, new Size(3, 3), 0); // 边缘检测 //opencv_imgcodecs.imwrite("F:/face/1.jpg", dst); opencv_imgproc.Canny(mat, dst, 50, 150); //opencv_imgcodecs.imwrite("F:/face/2.jpg", dst); return dst; } /** * 轮廓检测 *定义轮廓的检索模式，取值如下： CV_RETR_EXTERNAL：只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略； CV_RETR_LIST：检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系，彼此之间独立，没有等级关系，这就意味着这个检索模式下不存在父轮廓或内嵌轮廓，所以hierarchy向量内所有元素的第3、第4个分量都会被置为-1，具体下文会讲到； CV_RETR_CCOMP: 检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层； CV_RETR_TREE: 检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓。 参数5：定义轮廓的近似方法，取值如下： CV_CHAIN_APPROX_NONE：保存物体边界上所有连续的轮廓点到contours向量内； CV_CHAIN_APPROX_SIMPLE：仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours向量内，拐点与拐点之间直线段上的信息点不予保留； CV_CHAIN_APPROX_TC89_L1：使用teh-Chinl chain 近似算法; CV_CHAIN_APPROX_TC89_KCOS：使用teh-Chinl chain 近似算法。 * @param mat * @return */ public static MatVector findContours(Mat mat) { MatVector contours = new MatVector(); Mat hierarchy = new Mat(); /*opencv_imgproc.findContours(mat, contours, hierarchy, opencv_imgproc.RETR_LIST, opencv_imgproc.CHAIN_APPROX_SIMPLE);*/ opencv_imgproc.findContours(mat, contours, hierarchy, opencv_imgproc.RETR_LIST, opencv_imgproc.CHAIN_APPROX_SIMPLE); return contours; } /** * 清除小面积轮廓 * * @param mat * @param size * @return */ public static Mat drawContours(Mat mat, int size) { MatVector cardContours = OpencvUtil.findContours(mat); for (int i = 0; i < cardContours.size(); i++) { double area = OpencvUtil.area(cardContours.get(i)); if (area < size) { opencv_imgproc.drawContours(mat, cardContours, i, new opencv_core.Scalar(0, 0)); } } return mat; } /** * 人脸识别 * * @param mat * @return */ public static RectVector face(Mat mat) throws Exception { File file = org.springframework.util.ResourceUtils .getFile("classpath:idcard\\haarcascades\\haarcascade_frontalface_alt.xml"); CascadeClassifier faceDetector = new CascadeClassifier(file.getAbsolutePath()); // 在图片中检测人脸 RectVector faceDetections = new RectVector(); // 指定人脸识别的最大和最小像素范围 Size minSize = new Size(100, 100); Size maxSize = new Size(500, 500); // 参数设置为scaleFactor=1.1f, minNeighbors=4, flags=0 以此来增加识别人脸的正确率 faceDetector.detectMultiScale(mat, faceDetections, 1.1f, 4, 0, minSize, maxSize); if (faceDetections != null && faceDetections.size() > 0L) { // 在每一个识别出来的人脸周�