基于opencv的手写数字识别（MFC,HOG,SVM）

最新推荐文章于 2023-07-03 17:37:03 发布
最新推荐文章于 2023-07-03 17:37:03 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。

jerry_csdn_zhou
关注
  • 0
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于opencv实现的手写数字识别
qq_56213081的博客
11-17 3352
一、使用模板匹配算法 match.py： import os import Function root_dir = "digits/train2" file7_7 = open("digits/picture7_7.txt", 'w+') for fl in os.listdir(root_dir): img_str = fl[0:-4] + ":" + Function.image_compression(root_dir + '/' + fl) file7_7.write(img_...
学习opencv——手写数字识别（2）
StevenKe404的专栏
03-25 8685
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】利用OpenCV中的KNN算法实现手写数字和手写字母的识别
只须一笑不须愁X的博客
05-07 6112
【OpenCV】利用OpenCV中的KNN算法实现手写数字和手写字母的识别 一、KNN算法（K近邻） KNN（K Near Neighbor）：k个最近的邻居，即每个样本都可以用它最接近的k个邻居来代表。 距离度量：一般采用欧式距离度量，常用的距离度量方式还有：曼哈顿距离、切比雪夫距离 K值是可以设置的变量： K值过小：k值小，特征空间被划分为更多子空间，整体模型变复杂，容易发生过拟合，k值越小，选择的范围就比较小，训练的时候命中率较高，近似误差小，而用测试集的时候就容易出错，估计误差大，容易
基于opencv的svm方法手写数字识别（python）
乌鸦向北的博客
11-21 7447
目录环境配置写在前面：三个程序第一个程序：训练第二个程序：图像预处理1.二值化2.去除小联通域（即噪点）3.roi提取4.将图片压缩为28*28格式5.完整代码第三个程序：测试 环境配置 语言：python 平台：pycharm 库： cv2 numpy keras（这个需要先安装fensorflow库） 写在前面： 手写数字识别，是很多深度学习教程里的入门第一例，但是这些教程往往只告诉了你怎么去构造神经网络，训练模型，最后得出一个准确率，但是很少有教程告诉如何运用这个你训练好模型去识别你自己手写的数字。所
基于svm机器学习的手写数字识别
Brinshy的博客
01-13 8071
机器学习入门来说，手写数字识别是个很不错的练习项目 而我们这里基于svm练习我们的所学习的机器学习。而我们选择的训练集是MNIST，这个训练集量大，好用，有几万张纯手写28*28的数字图像，适合我们这些初学者进行练手使用。 相关的完整项目已经上传到 github 上，内有代码和训练集 网址为https://github.com/grey-wood-wolf/Handwritten-digit-recognition 那么下面就开始我们的练手 首先我们将所需要用到的，或者可能用到的库给impo.
OpenCV实例（二）手势识别
小幽余生不加糖
04-12 6586
手势识别的范围很广泛，在不同场景下，有不同类型的手势需要识别，例如：● 识别手势所表示的数值。● 识别手势在特定游戏中的含义，如“石头、剪刀、布”等。● 识别手势在游戏中表示的动作，如前进、跳跃、后退等。● 识别特定手势的含义，如表示“OK”的手势、表示胜利的手势等。理论基础凸包和凸缺陷在图像处理中具有非常重要的意义，被广泛地用于图像识别等领域。逼近多边形是轮廓的高度近似，但是有时候，我们希望使用一个多边形的凸包来简化它。凸包和逼近多边形很像，只不过凸包是物体最外层的凸多边形。
Opencv3.0 手写数字识别（Hog特征+SVM分类器）
06-01
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SVM的手写数字识别（Opencv+图像集）
04-01
自己写的手写数字识别源码，识别效果还可以，基于Opencv3.1+VS2013，带有数字0-5的数据集，还有自己训练的特征文件，包含训练程序以及测试程序。
基于OpenCV手写数字识别系统源码+项目说明.zip
最新发布
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...
opencv手写数字识别C++
11-30
opencv手写数字识别
基于SVM的手写数字识别
weixin_53506445的博客
11-12 5200
基于SVM的手写数字识别
基于OPENCV的手势识别技术
热门推荐
qq_42884797的博客
12-11 3万+
基于OPENCV的手势识别技术   本篇博客主要介绍基于OPENCV的手势识别程序，代码为C++，OPENCV版本为OPENCV3会有较为详细的实现流程和源码，并且做到源码尽量简单，注释也自认为较为清晰，希望能帮助到大家。
【OpenCV】手势识别
Taily老段的专栏
08-05 1万+
/************************************************************************/ /* Description: 手势检测 先滤波去噪 -->转换到HSV空间 -->根据皮肤在HSV空间的分布做出阈值判断，这里用到了inRange函数， 然后进行一下形态学的操作，去除噪声干扰，是手的边界更加清晰平
SVM手写数字识别 - SKLearn实现SVM - MNIST数据集
qq_52589927的博客
07-03 2460
较小的gamma值意味着高斯核具有较大的范围，而较大的gamma值使得高斯核具有较小的范围。PCA的目标：新坐标系上数据的方差越大越好（最大方差理论：信号具有较大的方差，噪声具有较小的方差） PCA是无监督的学习方法，在sklearn中，直接使用skleran.decomposition即可。模块提供了一些常用的模型选择和评估工具，如交叉验证、网格搜索、评估指标等，可以用来选择最优的模型和调整模型参数，以及评估模型的性能。在这个例子中，训练集的大小为原始数据集的30%。在这个例子中，有2个特征是有意义的。
opencv之(多)手势识别
m0_37383484的博客
10-31 6721
opencv、python、mediapipe、手势识别
【学习OpenCV4】基于OpenCV的手写数字识别
lxiao428的博客
03-14 1831
基于OpenCV的手写数字识别案例从’digits.png’加载手写数字识别的数据集，然后训练一个SVM和KNearest 分类器并评估它们的准确率。
基于opencv的手势识别
m0_59151709的博客
02-12 2836
基于opencv的手势识别，使用人体肤色的椭圆模型来检测手部，使用凸缺陷和凸包来检测伸出的手指个数
基于SVM的手写字体识别
Einperson的博客
06-15 4866
基于SVM的手写字体识别 1.案例背景 (1)手写体数字的识别在社会经济中的许多方面都有着广泛的应用，其识别方法也有许多种，如神经网络，Bayes判别法等。由于手写体人为因素随意性大，手写字体识别的难度远高于印刷体的识别。 (2)本次项目所用训练样本为300张256256像素点的0~9的手写数字图片，每个数字均30 张。 (3)数据集获取：gethub下载 2.准备工作 (1)下载安装matlab2019b (2)下载安装并配置LIBSVM工具箱 (3)下载安装并配置LIBSVM-FarutoUitim.
【ML-SVM案例学习】svm实现手写数字识别
DeepLearning_的博客
11-22 1691
【ML-SVM案例学习】会有十种SVM案例，供大家用来学习。本章实现svm实现手写数字识别。提示：以下是本篇文章正文内容，下面案例可供参考以上就是今天要讲的内容，本文仅仅简单介绍了svm实现手写数字识别，仅供参考学习。
使用MNIST基于c++和opencv 手写数字识别
06-09
好的，这是一个非常有趣的问题。MNIST是一个非常著名的手写数字数据集，用于测试机器学习算法的性能。在C++中，我们可以使用OpenCV库来读取...希望这个示例可以帮助你了解如何在C++中基于OpenCV实现MNIST手写数字识别。

“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
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