如何使用OpenCV Python检测提取KYC证件（如Aadhaar卡）中的文本？

• 先做轮廓筛选：根据Aadhaar卡文本块的面积、宽高比特征，剔除噪声、头像、指纹、logo等非文本轮廓。可根据图片分辨率设置面积阈值过滤过小噪点，再保留宽高比在1.2~15区间的轮廓，就是符合文本行特征的有效区域。
• 对筛选出的轮廓按纵坐标排序，匹配证件从上到下的文本排版顺序，避免后续输出内容顺序错乱。
• 按每个有效轮廓的外接矩形裁剪出单独的文本块，对倾斜的文本块做仿射变换校正角度。
• 传入OCR模型做文本内容提取，针对Aadhaar卡的双语特征，优先选择支持印地语+英语的识别模型。

对应补充实现代码：

# 有效轮廓筛选示例
valid_cnts = []
for c in cnts:
    area = cv2.contourArea(c)
    if area < 100: # 面积阈值可根据图片实际分辨率调整
        continue
    x,y,w,h = cv2.boundingRect(c)
    aspect_ratio = w / h
    if 1.2 < aspect_ratio < 15: # 文本行常规宽高比范围
        valid_cnts.append((x,y,w,h))

# 按文本行从上到下的顺序排序
valid_cnts.sort(key=lambda x: x[1])

# 裁剪识别示例
import pytesseract
# 配置印地语+英语双语识别模型
custom_config = r'--oem 3 --psm 6 -l eng+hin'
for (x,y,w,h) in valid_cnts:
    text_block = gray_image[y:y+h, x:x+w]
    text = pytesseract.image_to_string(text_block, config=custom_config)
    print(text)

• 优先使用PP-OCRv4系列模型：内置文本检测、方向校正、识别全流程，针对结构化文档、证件场景做了专项优化，支持印地语、英语双语识别，无需自行做预处理、轮廓筛选操作，直接输入原图即可输出带坐标的文本结果，准确率远高于EAST加自定义规则的方案。
• 固定模板匹配方案：Aadhaar卡属于排版固定的证件，可以先检测卡的四个角点做透视变换，校正整张卡的畸变、倾斜问题，再按照姓名、身份证号、地址等固定字段的位置坐标直接裁剪识别，比通用文本检测的效率和准确率都更高。
• 专用证件OCR接口：如果对准确率要求极高，可以选择支持印度证件识别的商用OCR服务，无需自行开发算法，直接调用接口即可返回结构化的字段结果。

内容的提问来源于stack exchange，提问作者Amit Saini