OpenCV自学笔记18. 基于SVM和神经网络的车牌识别（二）

基于SVM和神经网络的车牌识别（二）

本系列文章参考自《深入理解OpenCV实用计算机视觉项目解析》仅作学习用途

基于SVM的图像分类

在上一篇中，我们最后得到的图像，有一定可能不是车牌，所以需要加入一个分类的程序，把车牌和非车牌分开。在书中，使用SVM实现分类的功能。

书上没有给出创建训练和测试图像数据的步骤，但是给了一个xml文件（见下图），文件中是用于训练和测试的文本数据，下面直接使用这个xml文件，训练我们的分类器。

本篇使用的测试图片是：

#include <iostream>
#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include <ml.hpp>

using namespace std;
using namespace cv;
using namespace ml;


/* 基于SVM的图像分类 */
bool classification(Mat image_crop) {

    // Step0. 处理输入图像，对大小和type都有具体的规定
    // rows = 33, cols = 144, type = 5 (CV_32FC1)
    Mat src;
    src.create(33, 144, CV_32FC1);
    resize(image_crop, src, src.size(), 0, 0, INTER_CUBIC);
    src.convertTo(src, CV_32FC1);
    src = src.reshape(1, 1);    

    // Step1. 设置训练数据
    // 这里基于OpenCV310，写法可能与OpenCV249等不同
    FileStorage fs;
    fs.open("SVM.xml", FileStorage::READ);
    Mat trainingDataMat;
    Mat classesMat;
    fs["TrainingData"] >> trainingDataMat;
    fs["classes"] >> classesMat;
    Ptr<TrainData> trainingData = TrainData::create(trainingDataMat, ROW_SAMPLE, classesMat);

    // Step2. 创建分类器，并设置参数
    SVM::ParamTypes params;
    SVM::KernelTypes kernel_type = SVM::LINEAR;
    Ptr<SVM> svm = SVM::create();
    svm->setKernel(kernel_type);

    // Step3. 训练分类器
    svm->trainAuto(trainingData);

    // Step4. 预测
    // 1表示是车牌，0表示非车牌
    int response = svm->predict(src);
    return response;
}


int main() {
    Mat src = imread("2715DTZ.jpg", 0);
    bool flag = classification(src);
    cout << "flag = " <<  flag << endl;
    waitKey();
    return 0;
}

程序的运行结果为：

感觉这个分类器有时候并不准确，对于下面这张图，分类的结果就是非车牌
(T_T)。由于没有自己做数据，猜测训练数据中的车牌都比较方方正正，角度也近似水平，如果能增大训练样本，应该会更准确一些。

参考：

1. SVM : http://blog.csdn.net/alvine008/article/details/9097105

2. OpenCV SVM : http://docs.opencv.org/master/d1/d2d/classcv_1_1ml_1_1SVM.html

3. SVM 使用方法 ：http://www.cnblogs.com/denny402/p/5019233.html

系列文章

OpenCV自学笔记17. 基于SVM和神经网络的车牌识别（一）
OpenCV自学笔记18. 基于SVM和神经网络的车牌识别（二）
OpenCV自学笔记19. 基于SVM和神经网络的车牌识别（三）
OpenCV自学笔记20. 基于SVM和神经网络的车牌识别（四）