OpenCV C++案例实战三十二《字符识别》

已于 2023-05-11 16:47:15 修改
阅读量3.9k 收藏 53
点赞数 10
分类专栏： OpenCV C++项目实战 文章标签： opencv c++ 计算机视觉
于 2023-05-08 19:18:43 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Zero___Chen/article/details/130565019
版权

OpenCV C++案例实战三十二《字符识别》

前言

本案例将使用OpenCV C++ 进行字符识别。主要包括制作数据集、以及模型预测两部分。先看看效果如何吧。

一、结果演示

在这里插入图片描述

二、制作数据集

首先第一步，我们需要制作数据集。这里我的方法是，读取一张字符图像，然后通过提取字符轮廓找到字符ROI图像，利用键盘输入给字符打上相应的标签，即完成数据集制作。由于我这里的数据字符图像只包含数字以及大写英文字符，故只识别数字字符以及大写英文字符。如图所示，这是我使用的字符图像，下面需要进行图像预处理提取到字符轮廓。
在这里插入图片描述

//进行图像预处理，提取字符轮廓
Mat grayImg;
cvtColor(Train_Chars, grayImg, COLOR_BGR2GRAY);

Mat blurImg;
GaussianBlur(grayImg, blurImg, Size(3, 3), 0);

Mat binImg;
threshold(blurImg, binImg, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);

在这里插入图片描述
接下来需要提取字符轮廓，使用findContours提取最外轮廓。然后提取字符ROI图像，并通过键盘输入对应的ASCII码给其打上标签（注：区分大小写）。
在这里插入图片描述

Rect rect = boundingRect(contours[cnt]);
rectangle(Train_Chars, rect, Scalar(0, 255, 0), 2);

Mat ROI = binImg(rect);
imshow("ROI", ROI);
imshow("Training_Chars", Train_Chars);
int charVal = waitKey(0); //将字符通过键盘输入给予标签

进行KNN训练，具体看源码相应注释。

	//由于我这里的数据字符图像只包含数字以及大写英文字符，只识别数字字符以及大写英文字符
	vector<int>ValidChars =
	{'0', '1', '2', '3', '4', '5', '6', '7', '8', '9',
	'A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J',
	'K', 'L', 'M', 'N', 'O', 'P', 'Q', 'R', 'S', 'T',
	'U', 'V', 'W', 'X', 'Y', 'Z' };

	//进行图像预处理，提取字符轮廓
	Mat grayImg;
	cvtColor(Train_Chars, grayImg, COLOR_BGR2GRAY);

	Mat blurImg;
	GaussianBlur(grayImg, blurImg, Size(3, 3), 0);

	Mat binImg;
	threshold(blurImg, binImg, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);
	imwrite("result.jpg", binImg);

	vector<vector<Point>>contours;
	findContours(binImg, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);

	//准备训练所用数据集，将字符通过键盘输入给予标签
	Mat Train_Data, Train_Label;
	for (int cnt = 0; cnt < contours.size(); cnt++)
	{
		if (contourArea(contours[cnt]) > 10)
		{
			Rect rect = boundingRect(contours[cnt]);
			rectangle(Train_Chars, rect, Scalar(0, 255, 0), 2);

			Mat ROI = binImg(rect);
			imshow("ROI", ROI);
			imshow("Training_Chars", Train_Chars);
			int charVal = waitKey(0); //将字符通过键盘输入给予标签

			if (find(ValidChars.begin(), ValidChars.end(), charVal) != ValidChars.end())
			{
				//如果输入的字符在字符匹配表中，则进行存储
				
				//由于我们在识别字符时，会遇到各种尺寸的字符，故将所有的字符固定同一尺寸
				Mat resizeRoi;
				resize(ROI, resizeRoi, Size(ImgWidth, ImgHeight));

				//将图像转成浮点型，因为KNN训练数据集读取的是浮点型数据
				Mat RoiFloat;
				resizeRoi.convertTo(RoiFloat, CV_32FC1);

				Train_Data.push_back(RoiFloat.reshape(0,1));
				Train_Label.push_back(charVal);
				cout << charVal << endl;
			}
		}
	}

	//进行KNN训练
	Train_Data.convertTo(Train_Data, CV_32FC1);
	Train_Label.convertTo(Train_Label, CV_32FC1);
	const int k = 3;//k取值，基数
	Ptr<ml::KNearest>knn = ml::KNearest::create();//构造KNN模型
	knn->setDefaultK(k);//设定k值
	knn->setIsClassifier(true);//KNN算法可用于分类，回归
	knn->setAlgorithmType(ml::KNearest::BRUTE_FORCE);//字符匹配算法
	knn->train(Train_Data, ml::ROW_SAMPLE, Train_Label);//模型训练
	knn->save(filename);//模型保存

	cout << "Model training is complete!" << endl;

三、字符识别

当我们完成训练后，会保存相应的模型。这时我们仅需直接读取模型数据就可以了。

	Ptr<ml::KNearest>knn = cv::Algorithm::load<cv::ml::KNearest>(filename);//加载KNN模型

	//图像预处理
	Mat grayImg;
	cvtColor(Test_Chars, grayImg, COLOR_BGR2GRAY);

	Mat blurImg;
	GaussianBlur(grayImg, blurImg, Size(3, 3), 0);

	Mat binImg;
	threshold(blurImg, binImg, 200, 255, THRESH_BINARY_INV);

	vector<vector<Point>>contours;
	findContours(binImg, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);//查找最外轮廓
	for (int cnt = 0; cnt < contours.size(); cnt++)
	{
		if (contourArea(contours[cnt]) > 10)
		{
			Rect rect = boundingRect(contours[cnt]);//轮廓外接矩形
			rectangle(Test_Chars, rect, Scalar(0, 0, 255), 2);

			Mat ROI = binImg(rect);//字符ROI图像

			Mat resizeRoi;//将字符resize成固定大小
			resize(ROI, resizeRoi, Size(ImgWidth, ImgHeight));

			Mat RoiFloat;//将图像转化成CV_32FC1
			resizeRoi.convertTo(RoiFloat, CV_32FC1);
			RoiFloat = RoiFloat.reshape(0, 1);

			float f = knn->predict(RoiFloat);//进行字符识别预测

			//结果显示
			char text[50];
			sprintf_s(text, "%c",char(int(f)));
			cout << char(int(f)) << endl;//将字符结果float转成char
			double scale = rect.width * 0.02;
			putText(Test_Chars, text, rect.br(), FONT_HERSHEY_SIMPLEX, scale, Scalar(0, 255, 0), 2);
			imshow("Test_Chars", Test_Chars);
			waitKey(0); 

		}
	}

四、源码

#include<iostream>
#include<opencv2/opencv.hpp>
#include<opencv2/ml.hpp>
#include<fstream>
using namespace std;
using namespace cv;

const int ImgWidth = 20;//图片宽
const int ImgHeight = 30;//图片高

int main()
{
	//准备数据集
	Mat Train_Chars = imread("training_chars.png");//数据集图像
	Mat Test_Chars = imread("test.jpg");//测试图像
	if (Train_Chars.empty()|| Test_Chars.empty())
	{
		cout << "can not read the image..." << endl;
		system("pause");
		return -1;
	}

	string filename = "model.xml";//模型文件
	fstream fin;
	fin.open(filename, ios::in);
	if (fin.is_open())
	{
		Ptr<ml::KNearest>knn = cv::Algorithm::load<cv::ml::KNearest>(filename);//加载KNN模型

		//图像预处理
		Mat grayImg;
		cvtColor(Test_Chars, grayImg, COLOR_BGR2GRAY);

		Mat blurImg;
		GaussianBlur(grayImg, blurImg, Size(3, 3), 0);

		Mat binImg;
		threshold(blurImg, binImg, 200, 255, THRESH_BINARY_INV);

		vector<vector<Point>>contours;
		findContours(binImg, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);//查找最外轮廓
		for (int cnt = 0; cnt < contours.size(); cnt++)
		{
			if (contourArea(contours[cnt]) > 10)
			{
				Rect rect = boundingRect(contours[cnt]);//轮廓外接矩形
				rectangle(Test_Chars, rect, Scalar(0, 0, 255), 2);

				Mat ROI = binImg(rect);//字符ROI图像

				Mat resizeRoi;//将字符resize成固定大小
				resize(ROI, resizeRoi, Size(ImgWidth, ImgHeight));

				Mat RoiFloat;//将图像转化成CV_32FC1
				resizeRoi.convertTo(RoiFloat, CV_32FC1);
				RoiFloat = RoiFloat.reshape(0, 1);

				float f = knn->predict(RoiFloat);//进行字符识别预测

				//结果显示
				char text[50];
				sprintf_s(text, "%c",char(int(f)));
				cout << char(int(f)) << " ";//将字符结果float转成char
				double scale = rect.width * 0.02;
				putText(Test_Chars, text, rect.br(), FONT_HERSHEY_SIMPLEX, scale, Scalar(0, 255, 0), 2);
				imshow("Test_Chars", Test_Chars);
				waitKey(0); 

			}
		}
		cout << endl;
	}
	else
	{
		//由于我这里的数据字符图像只包含数字以及大写英文字符，只识别数字字符以及大写英文字符
		vector<int>ValidChars =
		{'0', '1', '2', '3', '4', '5', '6', '7', '8', '9',
		'A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J',
		'K', 'L', 'M', 'N', 'O', 'P', 'Q', 'R', 'S', 'T',
		'U', 'V', 'W', 'X', 'Y', 'Z' };

		//进行图像预处理，提取字符轮廓
		Mat grayImg;
		cvtColor(Train_Chars, grayImg, COLOR_BGR2GRAY);

		Mat blurImg;
		GaussianBlur(grayImg, blurImg, Size(3, 3), 0);

		Mat binImg;
		threshold(blurImg, binImg, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);

		vector<vector<Point>>contours;
		findContours(binImg, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);

		//准备训练所用数据集，将字符通过键盘输入给予标签
		Mat Train_Data, Train_Label;
		for (int cnt = 0; cnt < contours.size(); cnt++)
		{
			if (contourArea(contours[cnt]) > 10)
			{
				Rect rect = boundingRect(contours[cnt]);
				rectangle(Train_Chars, rect, Scalar(0, 255, 0), 2);

				Mat ROI = binImg(rect);
				imshow("ROI", ROI);
				imshow("Training_Chars", Train_Chars);
				int charVal = waitKey(0); //将字符通过键盘输入给予标签

				if (find(ValidChars.begin(), ValidChars.end(), charVal) != ValidChars.end())
				{
					//如果输入的字符在字符匹配表中，则进行存储
					
					//由于我们在识别字符时，会遇到各种尺寸的字符，故将所有的字符固定同一尺寸
					Mat resizeRoi;
					resize(ROI, resizeRoi, Size(ImgWidth, ImgHeight));

					//将图像转成浮点型，因为KNN训练数据集读取的是浮点型数据
					Mat RoiFloat;
					resizeRoi.convertTo(RoiFloat, CV_32FC1);

					Train_Data.push_back(RoiFloat.reshape(0,1));
					Train_Label.push_back(charVal);
					cout << charVal << endl;
				}
			}
		}

		//进行KNN训练
		Train_Data.convertTo(Train_Data, CV_32FC1);
		Train_Label.convertTo(Train_Label, CV_32FC1);
		const int k = 3;//k取值，基数
		Ptr<ml::KNearest>knn = ml::KNearest::create();//构造KNN模型
		knn->setDefaultK(k);//设定k值
		knn->setIsClassifier(true);//KNN算法可用于分类，回归
		knn->setAlgorithmType(ml::KNearest::BRUTE_FORCE);//字符匹配算法
		knn->train(Train_Data, ml::ROW_SAMPLE, Train_Label);//模型训练
		knn->save(filename);//模型保存

		cout << "Model training is complete!" << endl;
	}

	destroyAllWindows();
	system("pause");
	return 0;
}

总结

本文使用OpenCV C++ 进行字符识别，主要操作有以下几点。
1、制作数据集，利用键盘输入字符相应的ASCII码
2、进行KNN训练，得到训练模型
3、将预测结果转回相应的字符char类型

Zero___Chen
关注
  • 10
    点赞
  • 踩
  • 53
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
OpenCV C++案例实战《银行卡号识别》
04-29
本文使用OpenCV C++进行银行卡号识别，关键步骤有以下几点。 1、银行卡号定位。根据本案例中的银行卡图像特征，我们先将银行卡号所在位置定位。根据图像特征，我们可以将银行卡号分为四个小方块进行定位切割。 2、字符分割。根据前面得到的银行卡号四个小方块，我们需要将它们顺序切割出每一个字符。 3、字符识别。我们将得到的字符与我们准备好的模板一一进行匹配。这里使用的匹配算法是图像模板匹配。
基于opencv的手写数字字符识别
11-29
实现了基于opencv 的手写数字字符识别 主要参照文章： http://blog.damiles.com/2008/11/basic-ocr-in-opencv/ 基本上就是按着人家的代码来配置的，完后小改动了几个参数，写了一个文档，方便大家学习吧。
openCV的c++应用
最新发布
m0_60697583的博客
03-07 293
在这个示例中，我们首先使用cv::imread函数读取一张图像，并将其存储在cv::Mat类型的变量image中。最后，我们使用cv::imshow函数显示原始图像和灰度图像，并使用cv::waitKey函数等待用户按下任意键继续。OpenCV是一个开源计算机视觉库，提供了丰富的图像处理和计算机视觉功能，包括图像处理、特征检测、目标识别、摄像头标定、运动跟踪等。OpenCV提供了C++、Python和Java等多种编程语言的接口，并支持多种操作系统平台，包括Windows、Linux、macOS等。
C++ ---- 基于OpenCV的OCR字符识别
热门推荐
Yu小余的博客
10-25 2万+
OpenCV 简介： OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。 OpenCV用C++语言编写，它的主要接口也是C++语言，但...
基于Opencv实现的简易汉字识别
weixin_44297922的博客
11-23 2万+
Opencv实现汉字识别 程序实现思路 图像预处理 导入图像进行一系列预处理，使其便于用来识别和其他计算。 思路 灰度化 使用opencv的库函数来实现。 cv::cvtColor(image, image_gray, CV_BGR2GRAY); 二值化 同样选用库函数来实现，本例使用的是自适应二值化函数。 cv::adaptiveThreshold(image_gray, image_value, 255, 0, 1, 5, 10); 降噪(去除干扰线) 实现的思路并非去除
基于OpenCV 人工神经网络的喷码字符识别（C++）
山川大海的博客
11-26 3919
记本人做的第一个图像处理项目 搭配环境：VS2017+opencv3.4…1 语言：C++ 程序运行效果： 图像预处理： 1.读取图像 Mat pSrcImg = imread(&amp;amp;amp;amp;amp;amp;amp;amp;quot;D:\\1-文件资料\\5-字符检测\\识别图片\\source3.bmp&amp;amp;amp;amp;amp;amp;amp;amp;quot;, 0);//从本地读取灰度图 imshow(&amp;amp
Qt C++ OPencv手写汉字识别
04-03
Qt C++ OPencv手写汉字识别
OpenCV 中的字符识别
目前在做 ROS相关的工作，主要是写ROS相关和C++的学习心得
05-30 4151
需要注意的是，字符识别的效果很大程度上取决于图像的质量和字符的清晰度。因此，在进行字符识别之前，可以先对图像进行预处理，去除噪点、增强对比度等操作，以提高识别的准确率。基于模板匹配的字符识别方法：这种方法是将字符模板与待识别的图像进行匹配，从而识别出图像中的字符。OpenCV 中的字符识别通常使用 OCR 技术，OCR 可以识别图像中的字符并将其转换为可编辑的文本。需要注意的是，不同的字符识别方法适用于不同的场景和应用，选择合适的方法可以提高字符识别的准确率和效率。安装 pytesseract 库。
深度学习光学字符识别（OCR）
白拾的博客
12-13 7416
一、基本理论 1. 什么是OCR 1)定义 OCR (Optical Character Recognition，光学字符识别)是指对图片中的文字进行查找、提取、识别的一种技术，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。 2)一般步骤 文字检测：解决的问题是哪里有文字，文字的范围有多少 文字识别：对定位好的文字区域进行识别，主要解决的问题是每个文字是...
字符识别
小小小麦昆的博客
09-01 5262
公式识别首先基于文字序列识别，因而主体发展与文字识别有相近之处 大多是检测+识别 检测模型大多基于Faster R-CNN SSD FCN 等通用模型针对区域候选网络 、 多目标协同训练 、 特征提取 、 非极大值抑制 、 半监督式学习等方向进行改进 字符识别，指的是对已分割出的文字区域进行识别文字内容 CRNN ( Convolutional Recurrent Neural Network) Shi Baoguang,Bai Xiang,Yao Cong. An end - to - end t
OpenCV字符简单识别
BenJamin_Blue的博客
07-22 2999
(1)写在前面 环境：Win10+VS2017+OpenCV3.4.6 详细代码及附件见本人GitHub repository：https://github.com/BenJaminB1ue/carriage_number_detection_using_OpneCV (2)问题分析 对于给定的一张带有序列号的列车图片，我们如何用计算机视觉与图像处理的方法，实现序列号文本的自动定位与文本字符的识...
OpenCV C++案例实战《车道检测》
04-26
本文使用OpenCV C++进行车道检测，关键步骤有以下几点。 1、要根据车道所在位置扣出一个ROI区域，这样方便我们后续的阈值操作。 2、根据阈值图像获取左右车道的轮廓点。这里的阈值处理很重要，直接会影响最后的效果。本文做实时视频处理时，也会因为阈值问题导致最后的效果不是特别好。 3、根据获取到的各车道轮廓点拿出首尾Point就可以绘制车道线以及车道区域了。
OpenCV C++案例实战《答题卡识别》
04-29
本文使用OpenCV C++ 进行答题卡识别，关键步骤有以下几点。 1、图像透视矫正，将答题卡区域正确切割出来。 2、将每一题号分别抠出来存为新图像，待后续识别。 3、对每一题号确定其A,B,C,D,E选项区域，统计其像素点个数，故而匹配选项。
OpenCV C++案例实战《二维码检测》
04-29
本文使用OpenCV C++进行二维码检测，关键步骤有以下几点。 1、图像预处理，筛选出二维码所在的矩形区域，并将该区域抠出来进行后续的识别工作。 2、对筛选出的矩形区域进行轮廓检测，判断它们之前的层级关系，以此来识别二维码。 3、最后根据检测到的二维码“回”字，将其绘制出来就可以了。
基于opencv的C++车牌识别
04-28
基于opencv的C++车牌识别，简单的识别系统。。。。。。。。。。。。
基于数字图像处理深度学习的车牌定位字符分割识别训练SVMANNCNN模型数据集 基于数字图像处理和机器学习，包含车牌定位、字符
01-06
基于数字图像处理深度学习的车牌定位字符分割识别训练SVMANNCNN模型数据集 基于数字图像处理和机器学习，包含车牌定位、字符分割和判断、字符识别，开源了项目整理后训练SVM,ANN和CNN数据集 项目语言：C++11 项目平台：MicrosoftVisual Studio 2015 计算机视觉库：Opencv 3.2+opencv-contrib V3.1 cmake3.8.1 源码编译 SVM: Libsvm ANN： Opencv CNN: Caffe ## 详细说明： 该项目以数字图像处理和机器学习为基础，以1485张图片组成的原始数据集为出发点，研究了如何从原始图片集中得到用于分类器训练的数据集；针对车牌区域特点和输入图片的全局特点，提出了四种不同的可能的车牌区域提取方法，经过校正后得到车牌区域候选人；参考自然场景下的文本检测方法和车牌中的字符分布特点，对车牌候选区域提取改进的最大稳定极值区域，通过使用非极大值抑制和区域校正得到字符候选人，通过字符判断分类器和字符搜索，实现非车牌区域的滤除和车牌区域7个字符的提取，其中字符判断使用基于20个描述性特征
openCV字符识别样本
05-05
0~9，A~Z 34类字符模版 每类50个，一共是1700个图片，比网上大多数的样本都要多
opencv人脸识别（c++实现）
10-16
https://blog.csdn.net/qq_32768679/article/details/96432354这篇文章很详细了。实现了实现人脸检测软体，集采集、训练、识别为一体。所传资源是除去界面外的部分，分别为采集、训练、预测。
Android：基于OpenCV实现身份证识别（C++）
07-12
Android：基于OpenCV实现身份证识别（C++）——移植图像算法 原文链接：https://blog.csdn.net/sange77/article/details/125294703 我们要做一个Android上的身份证号码识别功能，在上一篇用OpenCV做了图像处理，...
opencv c++ 字符识别
12-22
以下是使用OpenCV C++进行字符识别的步骤和示例代码： 1. 制作数据集： - 收集包含不同字符的图像样本。 - 对图像进行预处理，例如灰度化、二值化、去噪等。 - 将处理后的图像与对应的字符标签一起保存。 2. 字符识别： - 加载训练好的模型或训练自己的模型。 - 对待识别的图像进行预处理，与训练数据相同的预处理步骤。 - 使用模型对预处理后的图像进行预测，得到字符标签。 - 输出识别结果。 以下是一个使用OpenCV C++进行字符识别的示例代码： ```cpp #include <opencv2/opencv.hpp> #include <iostream> int main() { // 加载训练好的模型 cv::Ptr<cv::ml::KNearest> model = cv::ml::KNearest::load("model.xml"); // 加载待识别的图像 cv::Mat image = cv::imread("test_image.png", cv::IMREAD_GRAYSCALE); // 对图像进行预处理 cv::Mat processedImage; cv::threshold(image, processedImage, 0, 255, cv::THRESH_BINARY_INV | cv::THRESH_OTSU); // 调整图像大小为模型所需的大小 cv::resize(processedImage, processedImage, cv::Size(20, 20)); // 将图像转换为一维向量 cv::Mat input = processedImage.reshape(1, 1); // 预测字符标签 float result = model->predict(input); // 输出识别结果 std::cout << "识别结果: " << result << std::endl; return 0; } ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Zero___Chen

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值