استخراج متن کارت ملی (OCR) چگونه است؟

کارت ملی یکی از اسناد شناسایی اصلی در ایران است که حاوی اطلاعاتی نظیر شماره ملی، نام و نام خانوادگی، تاریخ تولد و محل تولد می‌باشد. در بسیاری از برنامه‌های کاربردی، به‌دلیل نیاز به خودکارسازی فرآیند ورود داده، استخراج متن کارت ملی با استفاده از تکنولوژی OCR (تشخیص نوری کاراکتر) ضروری می‌شود. در این مقاله به بررسی دقیق روش‌های پیاده‌سازی OCR برای کارت ملی می‌پردازیم.

۱. شناخت چالش‌های OCR برای کارت ملی

کارت ملی دارای ویژگی‌های زیر است که بر دقت تشخیص متن تأثیر می‌گذارد:

فونت‌های خاص و ترکیب عددی‑متنی
وجود خطوط و کادرهای مرزبندی که ممکن است نویز ایجاد کنند
نوردهی نامتقارن به دلیل انعکاس نور بر روی سطح پلاستیکی

برای دستیابی به دقت بالا در استخراج داده، باید این چالش‌ها را در پیش‌پردازش تصویر مدنظر قرار داد.

۲. مراحل اصلی استخراج متن کارت ملی

عکس‌برداری یا اسکن: تصویر با کیفیت حداقل 300 DPI تهیه کنید؛ هر چه وضوح بیشتر باشد، نتایج OCR بهتر خواهد بود.
پیش‌پردازش تصویر: شامل تبدیل به مقیاس خاکستری، حذف نویز، تنظیم کنتراست، و اصلاح چرخش (deskew) می‌شود.
تشخیص ناحیه‌های متن (ROI): با استفاده از الگوریتم‌های تشخیص لبه یا تکنیک‌های template matching، بخش‌های حاوی شماره ملی، نام، تاریخ تولد و ... جدا می‌شوند.
اعمال OCR: پس از استخراج ROI، متن با کتابخانه‌های OCR پردازش می‌شود.
پست‌پردازش: تصحیح خطاهای شناسایی، حذف کاراکترهای زائد، و تبدیل به قالب دلخواه (مثلاً JSON).

۳. کتابخانه‌ها و ابزارهای پیشنهادی

در زبان‌های برنامه‌نویسی مختلف می‌توانید از کتابخانه‌های زیر استفاده کنید:

Tesseract OCR – کتابخانهٔ متن‌باز که توسط گوگل پشتیبانی می‌شود. برای فارسی نیاز به مدل fas دارد.
EasyOCR – پایتون و پشتیبانی مستقیم از فونت‌های فارسی، با دقت مناسب برای کارت ملی.
OpenCV – برای پیش‌پردازش تصویر (فیلتر میانه، تبدیل به باینری، تشخیص لبه).
pytesseract – رابط‌پایتون برای Tesseract که کار با تصویر را ساده می‌کند.

۴. مثال عملی با Python

در ادامه مثال کوتاهی برای استخراج شماره ملی ارائه می‌شود.

import cv2
import pytesseract

# تنظیم مسیر tesseract
pytesseract.pytesseract.tesseract_cmd = r'/usr/local/bin/tesseract'

# بارگذاری تصویر کارت ملی
img = cv2.imread('shenasname.jpg')

# پیش‌پردازش
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = cv2.medianBlur(gray, 3)
_, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY_INV)

# استخراج ناحیهٔ شماره ملی (مثلاً با coordinates ثابت)
x, y, w, h = 120, 210, 300, 50
roi = binary[y:y+h, x:x+w]

# اعمال OCR
custom_config = r'--oem 3 --psm 6 -l fas'
text = pytesseract.image_to_string(roi, config=custom_config)

# حذف کاراکترهای نامعتبر
national_id = ''.join(filter(str.isdigit, text))
print('شماره ملی استخراج شده:', national_id)

۵. نکات امنیتی هنگام کار با کارت ملی

داده‌های حسّاسی مانند شماره ملی باید پس از استخراج بلافاصله رمزنگاری شوند.
از ذخیرهٔ تصویر اصلی در سرورهای عمومی خودداری کنید؛ در صورت نیاز، تصویر را پس از پردازش حذف کنید.
مجوزهای دسترسی به سرویس OCR باید محدود به کاربران مجاز باشد.

۶. جمع‌بندی

استخراج متن کارت ملی با استفاده از OCR ترکیبی از به‌کارگیری ابزارهای پیش‌پردازش تصویر (مانند OpenCV) و کتابخانه‌های تشخیص متن (Tesseract یا EasyOCR) است. با رعایت مراحل پیش‌پردازش، تعیین دقیق ناحیه‌های متن، و اعمال پست‌پردازش برای تصحیح خطاها می‌توانید به دقت بالا در استخراج اطلاعات برسید. در کنار این موارد، حتماً به امنیت داده‌های شخصی توجه داشته باشید تا از نقض حریم خصوصی جلوگیری شود.