[Lernen von OpenCV4] Handschriftliche Ziffernerkennung basierend auf OpenCV

Dieser Inhalt wird im Kurs "Introduction to OpenCV Intensive Lecture (C++/Python Bilingual Teaching)" geteilt, Adresse:

Intensive Einführung in OpenCV (Zweisprachiger C++/Python-Unterricht)

Wenn Sie Ihr C++-Programmierniveau verbessern möchten, können Sie sich auf den Kurs beziehen:

C++ Fortgeschrittenes Lernen

Auch im OpenCV-Kurs gibt es viele interessante und praktische Cases, die in C++ und Python implementiert sind und deren Codes ausführlich erklärt werden.

Handschriftliche Ziffernerkennung basierend auf OpenCV Laden Sie den handschriftlichen Ziffernerkennungsdatensatz aus „digits.png“, trainieren Sie dann einen SVM- und KNearest-Klassifikator und bewerten Sie ihre Genauigkeit.
Der Datensatz wird wie folgt vorverarbeitet:

• bildbasierte Momententzerrung (siehe Funktion deskew())
• Das digitale Bild wird in 4 10x10-Zellen und 16 Bins unterteilt, und für jede Bin wird ein Histogramm orientierter Gradienten berechnet
• Wandeln Sie das Histogramm mithilfe der Hellinger-Metrik in Raum um (siehe [1] (RootSIFT))

Code zeigen wie unten

int main(int /* argc */, char *argv[])
{
    
    
    help(argv);

    vector<Mat> digits; // 训练数据
    vector<int> labels; // 标签

    // 加载训练数据和标签
    load_digits(DIGITS_FN, digits, labels);

    cout << "preprocessing..." << endl;

    // 数据打乱
    shuffle(digits, labels);

    vector<Mat> digits2;

    // 扭曲图像
    for (size_t i = 0; i < digits.size(); i++)
    {
    
    
        Mat deskewed_digit;
        deskew(digits[i], deskewed_digit);
        digits2.push_back(deskewed_digit);
    }

    Mat samples;

    // 预处理求hog算子
    preprocess_hog(digits2, samples);
    // imshow("samples", samples);
    // waitKey(0);

    // 90%的数据做训练集
    int train_n = (int)(0.9 * samples.rows);
    Mat test_set;

    // 存储测试数据
    vector<Mat> digits_test(digits2.begin() + train_n, digits2.end());
    // 马赛克式将小图像拼成大图像
    mosaic(25, digits_test, test_set);
    imshow("test set", test_set);
    imwrite("test_image.jpg", test_set);

    // 训练数据和测试数据划分
    Mat samples_train = samples(Rect(0, 0, samples.cols, train_n));
    Mat samples_test = samples(Rect(0, train_n, samples.cols, samples.rows - train_n));
    vector<int> labels_train(labels.begin(), labels.begin() + train_n);
    vector<int> labels_test(labels.begin() + train_n, labels.end());

    Ptr<ml::KNearest> k_nearest;
    Ptr<ml::SVM> svm;
    vector<float> predictions;
    Mat vis;

    // K最近邻算法
    cout << "training KNearest..." << endl;
    k_nearest = ml::KNearest::create();
    // 模型训练
    k_nearest->train(samples_train, ml::ROW_SAMPLE, labels_train);

    // KNearest做结果预测
    k_nearest->findNearest(samples_test, 4, predictions);
    // 模型评估，计算错误率
    evaluate_model(predictions, digits_test, labels_test, vis);
    imshow("KNearest test", vis);
    imwrite("KNearest-test.jpg", vis);
    k_nearest.release();

    // SVM算法
    cout << "training SVM..." << endl;
    svm = ml::SVM::create();
    svm->setGamma(5.383);
    svm->setC(2.67);
    svm->setKernel(ml::SVM::RBF);
    svm->setType(ml::SVM::C_SVC);
    svm->train(samples_train, ml::ROW_SAMPLE, labels_train);

    // predict digits with SVM
    svm->predict(samples_test, predictions);
    evaluate_model(predictions, digits_test, labels_test, vis);
    imshow("SVM test", vis);
    imwrite("SVM-test.jpg", vis);
    cout << "Saving SVM as \"digits_svm.yml\"..." << endl;
    // 训练的结果保存
    svm->save("digits_svm.yml");
    svm.release();

    waitKey();

    return 0;
}

Die Trainingsergebnisse sind wie folgt:

KNearest  error: 2.80 %
SVM  error: 2.40 %

Das Testbild sieht wie folgt aus:

KNächstgelegene Algorithmus-Testergebnisse (rote Markierung ist das Ergebnis eines Erkennungsfehlers):

Testergebnisse des SVM-Algorithmus (rote Markierungen sind die Ergebnisse von Erkennungsfehlern):

Mehr Lernen kann sich auf Bücher beziehen:

"OpenCV4 lernen: Praktische Algorithmen basierend auf Python"

"Deep Learning Computer Vision-Praxis"