基于opencv的手写数字识别（MFC,HOG,SVM）

最新推荐文章于 2024-08-19 08:58:17 发布
最新推荐文章于 2024-08-19 08:58:17 发布
阅读量1k 收藏 8
点赞数

因为本程序是提取HOG特征，使用SVM进行分类的，所以大概了解下HOG的一些知识，其中我觉得怎么计算图像HOG特征的维度会对程序了解有帮助


关于HOG，我们可以参考：


http://gz-ricky.blogbus.com/logs/85326280.html


http://blog.csdn.net/raodotcong/article/details/6239431


关于手写的数字0-9的数据库下载地址和如何生成此数据库HOG特征的xml文件可以参考文章开头的参考博客。


本人提供一个已经训练好的关于此库我生成的xml文件，下载地址：


http://pan.baidu.com/s/1qXSYp



训练模型

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
#include <iostream>
#include <opencv2/opencv.hpp>
#include <fstream>
using  namespace  std;
using  namespace  cv;
int  main()
{
     vector<string> img_path; //输入文件名变量
     vector< int > img_catg;
     int  nLine = 0;
     string buf;
     ifstream svm_data(  "D:/project/HOG/t10k-images-bmp/t10k-images/result.txt"  ); //训练样本图片的路径都写在这个txt文件中，使用bat批处理文件可以得到这个txt文件
     unsigned  long  n;
     while ( svm_data ) //将训练样本文件依次读取进来
     {
         if ( getline( svm_data, buf ) )
         {
             nLine ++;
             if ( nLine % 2 == 0 ) //注：奇数行是图片全路径，偶数行是标签
             {
                 img_catg.push_back(  atoi ( buf.c_str() ) ); //atoi将字符串转换成整型，标志(0,1，2，...，9)，注意这里至少要有两个类别，否则会出错
             }
             else
             {
                 img_path.push_back( buf ); //图像路径
             }
         }
     }
     svm_data.close(); //关闭文件
     CvMat *data_mat, *res_mat;
     int  nImgNum = nLine / 2;  //nImgNum是样本数量，只有文本行数的一半，另一半是标签
     data_mat = cvCreateMat( nImgNum, 324, CV_32FC1 );   //第二个参数，即矩阵的列是由下面的descriptors的大小决定的，可以由descriptors.size()得到，且对于不同大小的输入训练图片，这个值是不同的
     cvSetZero( data_mat );
     //类型矩阵,存储每个样本的类型标志
     res_mat = cvCreateMat( nImgNum, 1, CV_32FC1 );
     cvSetZero( res_mat );
     IplImage* src;
     IplImage* trainImg=cvCreateImage(cvSize(28,28),8,3); //需要分析的图片，这里默认设定图片是28*28大小，所以上面定义了324，如果要更改图片大小，可以先用debug查看一下descriptors是多少，然后设定好再运行
     //处理HOG特征
     for ( string::size_type i = 0; i != img_path.size(); i++ )
     {
         src=cvLoadImage(img_path[i].c_str(),1);
         if ( src == NULL )
         {
             cout<< " can not load the image: " <<img_path[i].c_str()<<endl;
             continue ;
         }
         cout<< "deal with\t" <<img_path[i].c_str()<<endl;
         cvResize(src,trainImg);
         HOGDescriptor *hog= new  HOGDescriptor(cvSize(28,28),cvSize(14,14),cvSize(7,7),cvSize(7,7),9);
         vector< float >descriptors; //存放结果
         hog->compute(trainImg, descriptors,Size(1,1), Size(0,0));  //Hog特征计算
         cout<< "HOG dims: " <<descriptors.size()<<endl;
         n=0;
         for (vector< float >::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
         {
             cvmSet(data_mat,i,n,*iter); //存储HOG特征
             n++;
         }
         cvmSet( res_mat, i, 0, img_catg[i] );
         cout<< "Done !!!: " <<img_path[i].c_str()<< " " <<img_catg[i]<<endl;
     }
     CvSVM svm; //新建一个SVM
     CvSVMParams param; //这里是SVM训练相关参数
     CvTermCriteria criteria;
     criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );
     param = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );
     svm.train( data_mat, res_mat, NULL, NULL, param ); //训练数据
     //保存训练好的分类器
     svm.save(  "HOG_SVM_DATA.xml"  );
     cout<< "HOG_SVM_DATA.xml is saved !!! \n exit program" <<endl;
     cvReleaseMat( &data_mat );
     cvReleaseMat( &res_mat );
     cvReleaseImage(&trainImg);
     return  0;
}
1
D:/project/HOG/t10k-images-bmp/t10k-images/result.txt  的生成方法<br>使用createpath.py脚本
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
import  os, sys
def  get_filepaths(directory):
     file_paths  =  []   # List which will store all of the full filepaths.
     for  root, directories, files  in  os.walk(directory):
         for  filename  in  files:
             # Join the two strings in order to form the full filepath.
             filepath  =  os.path.join(root, filename)
             file_paths.append(filepath)   # Add it to the list.
     return  file_paths   # Self-explanatory.
lists  =  get_filepaths(os.path.dirname(os.path.abspath(__file__)))
with  open ( 'result.txt' ,  'a' ) as f:
     for  url  in  lists:       
         if  (os.path.basename(url).startswith( '0_' )):
             f.write(url)
             f.write( '\n' )
             f.write( '0\n' )
         if  (os.path.basename(url).startswith( '1_' )):
             f.write(url)
             f.write( '\n' )
             f.write( '1\n' )
         if  (os.path.basename(url).startswith( '2_' )):
             f.write(url)
             f.write( '\n' )
             f.write( '2\n' )
         if  (os.path.basename(url).startswith( '3_' )):
             f.write(url)
             f.write( '\n' )
             f.write( '3\n' )
         if  (os.path.basename(url).startswith( '4_' )):
             f.write(url)
             f.write( '\n' )
             f.write( '4\n' )
         if  (os.path.basename(url).startswith( '5_' )):
             f.write(url)
             f.write( '\n' )
             f.write( '5\n' )
         if  (os.path.basename(url).startswith( '6_' )):
             f.write(url)
             f.write( '\n' )
             f.write( '6\n' )
         if  (os.path.basename(url).startswith( '7_' )):
             f.write(url)
             f.write( '\n' )
             f.write( '7\n' )
         if  (os.path.basename(url).startswith( '8_' )):
             f.write(url)
             f.write( '\n' )
             f.write( '8\n' )
         if  (os.path.basename(url).startswith( '9_' )):
             f.write(url)
             f.write( '\n' )
             f.write( '9\n' )

1
生成result.txt

1
使用模型
复制代码 
#include <iostream>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
int main()
{
    IplImage *test;
    char result[300]; //存放预测结果

    CvSVM svm;
    svm.load("d:\\HOG_SVM_DATA.xml");//加载训练好的xml文件，这里训练的是10K个手写数字
    //检测样本
    test = cvLoadImage("d:\\test.bmp", 1); //待预测图片，用系统自带的画图工具随便手写
    if (!test)
    {
        cout<<"not exist"<<endl;
        return -1;
    }
    cout<<"load image done"<<endl;
    IplImage* trainTempImg=cvCreateImage(cvSize(28,28),8,3);
    cvZero(trainTempImg);
    cvResize(test,trainTempImg);
    HOGDescriptor *hog=new HOGDescriptor(cvSize(28,28),cvSize(14,14),cvSize(7,7),cvSize(7,7),9);
    vector<float>descriptors;//存放结果
    hog->compute(trainTempImg, descriptors,Size(1,1), Size(0,0)); //Hog特征计算
    cout<<"HOG dims: "<<descriptors.size()<<endl;  //打印Hog特征维数  ，这里是324
    CvMat* SVMtrainMat=cvCreateMat(1,descriptors.size(),CV_32FC1);
    int n=0;
    for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)
    {
        cvmSet(SVMtrainMat,0,n,*iter);
        n++;
    }

    int ret = svm.predict(SVMtrainMat);//检测结果
    sprintf(result, "%d\r\n",ret );
    cvNamedWindow("dst",1);
    cvShowImage("dst",test);
    cout<<"result:"<<result<<endl;
    waitKey ();
    cvReleaseImage(&test);
    cvReleaseImage(&trainTempImg);

    return 0;
}
复制代码

 

工程源码(MFC)：

http://pan.baidu.com/s/1rDQbO

程序下载（裸机可运行，无需环境）：

http://pan.baidu.com/s/1byQeX

QT控制台版本（包含手写数据库，训练模型，使用模型）

http://pan.baidu.com/s/1pJ45bwZ

 

 

 

作者： 小菜鸟_yang
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。

opencv 数字识别
08-27
用来对印刷体数字识别
HOG+SVM实现数字识别
04-30
在OpenCV3.4.1上使用hog+svm实现了数字识别，提供了检测与训练部分，训练已经训练，可以直接运行。
OpenCV 检测出图像中的“对号”
苦逼的程序猿
04-28 3032
测试图片: 测试结果： int main(int argc, char* argv[]) { IplImage* src , *srcContours ,*srcHErode,*srcVErode ,*srcLast; IplImage* srcColor; int x,y; src = cvLoadImage("1.jpg" , CV_LOAD_IMAGE_GRAYS...
【深度学习入门项目】基于支持向量机的手写数字识别
最新发布
Magnolia_He的博客
08-19 775
本项目使用SVM训练模型，用于预测手写数字图片。
学习opencv——手写数字识别（2）
StevenKe404的专栏
03-25 8759
前一次用OpenCV自带的图片做训练和测试，成功率可以达到91%。那么怎么提高识别的成功率，在实际的测试中可能会根据自己手写数字的差异大大降低数字的识别率。通过增加自己手写数字的样本集来增加识别率。1.运行环境操作系统：win7 64位 python3.5.2 opencv3.22.代码import cv2 import numpy as np #定义更新knn的方法，有新的数据样本就添加，
OpenCV数字识别
weixin_30765475的博客
07-25 154
输入命令： conda install opencv 返回信息： 转载于:https://www.cnblogs.com/ratels/p/11241744.html
Opencv3.0 手写数字识别（Hog特征+SVM分类器）
01-21
基于Hog特征+SVM分类器，利用Opencv3.0进行手写数字识别的源代码及所需资源文件（训练图片、测试图片）
基于OpenCV手写数字识别系统源码+项目说明.zip
03-06
基于OpenCV手写数字识别系统源码+项目说明.zip基于OpenCV手写数字识别系统源码+项目说明.zip基于OpenCV手写数字识别系统源码+项目说明.zip基于OpenCV手写数字识别系统源码+项目说明.zip基于OpenCV手写数字识别系统...
基于SVM的手写数字识别（Opencv+图像集）
04-01
总的来说，这个项目提供了一个从数据预处理到模型训练和测试的完整流程，展示了如何使用SVM和OpenCV实现手写数字识别。对于想了解或深入学习计算机视觉和机器学习的开发者来说，这是一个很好的实践案例。
opencv手写数字识别C++
11-30
在"数字识别源程序_重要的OpenCV程序"这个压缩包中，很可能包含了一个使用C++实现的OpenCV手写数字识别程序。程序可能包括了上述的预处理、特征提取和分类过程，具体代码会涉及OpenCV的函数调用，如`cv::imread()`...
基于MFC的手写数字识别系统
07-02
本程序是基于C++的MFC手写数字识别系统，能够识别0-9的简单数字,拥有多种识别算法。
MFC基于对话框的阿拉伯数字识别
03-01
自己花了整整5天完成的图像处理大作业，基于对话框的数字识别，打开显示24位彩色图-进行灰度化-边缘检测-最后识别显示数字，能识别0~9十个数字
MFC+车牌识别
12-29
基于vc2010的mfc+车牌识别源程序，可以检测到车牌并显示在窗口中。
【MFC对话框】【SVM+MNIST】HandWriting Predict 手写数字识别小项目
07-07
本项目即拿MFC做了一个画板，画一个数字后可自行识别数字。 有保存图片，清空画板功能，简单实用。 识别方法为SVM，调用已经训练好的MNIST数据集"SVM_DATA.xml" 训练方法自行百度，一大堆。。。 基于OpenCv 2.4.6,下载的朋友自行修改配置为自己使用的OpenCv版本即可。
Opencv2.4.12 SVM手写数字识别示例
02-24
程序测试环境 VS2013+Opencv2.4.12 遍历文件夹下所有手写数字图片 处理后压如堆栈 最后用SVM进行分类识别
2022-01-24 OpenCV识别图片中的数字成功
HackFun物联网开发实验室
02-05 1434
2022.02.05 虽然个别数字识别错误，但总体上对了。后面继续优化。
【Halcon联合MFC之光学字符识别（OCR）一】
weixin_43488529的博客
05-26 1304
文章目录OCR1、基本概念1.1 Acquire Image(s)1.2 Segment Image(s)1.3 Train OCR1.4 Read Symbol1.5 Destroy Classifier2、A First Example3、halcon联合MFC3.1 结果3.2 核心代码3.3 详细实现代码链接 OCR 光学字符识别（OCR）是阅读的技术术语，即识别符号。在HALCON中，OCR 被定义为为图像区域分配解释的任务。这些区域通常代表单个字符，因此我们认为这是读取单个符号。 *
opencv——基于SVM的数字识别（3）
张洪睿的博客
12-13 3038
前两篇文章写了基于两种特征提取的SVM数字识别 https://blog.csdn.net/weixin_41721222/article/details/84953788 https://blog.csdn.net/weixin_41721222/article/details/84978343 这篇文章主要是关于模型评估，即识别数字的正确率   下面代码是opencv3  c++ ...
PyTorch+OpenCV手写数字识别项目源码及文档下载
资源摘要信息: "本资源为一套基于PyTorch框架和OpenCV库实现的手写数字识别系统，提供源代码、使用文档以及相关的全部资料，形成一个完整的项目包。该项目的源码已经本地编译并验证过，可以直接运行，且在评审中获得...
评论
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
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